1. 毫米波雷達

       優點主要是探測距離比較遠，精度非常高，而且不受天氣和光線的影響。毫米波雷達對運動的金屬物體比較敏感，但對於靜止的金屬或非金屬物體，運動的非金屬物體都不太敏感，解析度也比較低，不太容易得到障礙物的輪廓。毫米波雷達比較適合在高速公路上進行障礙物探測，包括車道線的識別，它可以通過強度成像來獲取資訊。

      毫米波雷達在前端市場上基本上達到了千元級別，而成本是幾百塊錢。      

2.鐳射雷達

稠密點雲以及視覺識別能力。

在未來會成為一個非常重要的感測器。

         鐳射雷達的測距精度非常高，基本上可以達到正負一兩釐米，甚至到了毫米級，解析度也非常高。機械鐳射雷達可以360度旋轉，同時角解析度也比別的雷達高。但是目前的機械旋轉鐳射雷達的成本比較高，而且容易受到陽光雨霧和互干擾的影響。它跟毫米波雷達一樣是屬於主動感測器。目前的機械鐳射雷達也會受到工作溫度以及工作環境震動的影響，它的工作溫度一般是在零下10°到零上60°左右。

     鐳射雷達目前的成本比較高，美國Velodyne的64線鐳射雷達在10萬美金左右，即使是16線雷達的售價也在8000美金左右。

     Flash鐳射雷達以及MEMS鐳射雷達，即向使用各種鏡片或者透鏡來形成非旋轉式雷達的方向演進和發展，它的成本還有功耗都會有很大的下降。

3. 攝像頭

    攝像頭可以通過豐富的成像資訊進行各類識別運算，比如行人、形變的物體，還有停車場的橫杆以及交通標識等。

4. ADAS系統

中科慧眼基於面的立體匹配。

         先對影象中的場景進行道路以及障礙物或者各種特殊物體的分割，在分割基礎上進行基於機器學習和深度學習的物體識別，再根據物體分割識別的結果，結合單目估距演算法就可以將物體測距的距離推得更遠，這樣我們就能將雙目稠密點雲類似鐳射雷達的精準測距及物體分割的優點與單目視覺基於訓練模型進行物體分類以及物體估距的優點相結合，打造成更好的3D視覺系統。

1.   以Velodyne 的16線鐳射雷達為例，視覺測距點雲非常稠密，每秒鐘輸出2700萬點雲，而16線鐳射雷達的點雲只有30萬點雲，點密度比它高90倍。在測量範圍誤差上，雙目視覺在近處的誤差比較小，可以達到釐米級別，而在遠端的誤差會比較大，會在幾米的級別甚至達到十米的誤差，這與成像精度、成像條件以及測量目標的實際紋理相關。鐳射雷達從近端到遠端都能保持非常好的測距精度。從視場角上來看的話，視覺系統不可避免地受到一些光學成像的限制，視場角不如360°旋轉的機械鐳射雷達，但跟Flash的固態雷達是相近的。

2.角解析度上視覺無疑是佔了優勢。比如說16線的鐳射雷達、機械式的旋轉型雷達的角解析度水平最高是0.1度，我們是0.03125度，我們高3倍到13倍；垂直解析度，我們還是0.03度左右，而鐳射雷達在兩度左右，對於垂直角解析度來說，這是比較粗的。

大目標的探測上，鐳射雷達佔據優勢。就像大客車橫過來而導致物體整個面積比較大，鐳射雷達很遠就能夠有足夠的點雲，距離一致性也可以保證我們對障礙物進行提取。如果定義對小目標的探測距離，假如以半米寬的人形目標為例，假如在水平方向上打12個點能夠確保對目標比較穩定的提取，通過運算可以看到我們二代產品的立體視覺可以對該目標探測到76.4米，而16線鐳射雷達基本是要在20多米才能提取出這樣的小目標。因為鐳射雷點掃描線之間的角解析度比較低，遠處小目標可能會被漏掉，有些點打不到上面去。

3.溫度和振動條件的角度，我們的產品滿足了車規，但是鐳射雷達還有一些極端條件需要去克服。從是否受環境影響上來看，視覺系統不可避免受到夜間暗光以及雨雪霧天氣的影響，但是鐳射雷達也會受這些影響。比如陽光的直射，陽光裡面含各種光譜的資訊，一部分是可以對鐳射雷達造成干擾的，另外它也受到一些雨霧天氣的限制，也就是說它的穿透力也是有限制的。在能否識別交通標識方面，鐳射雷達通過強度成像應該是能夠識別車道線，但並不是所有的鐳射雷達都有這樣的能力，視覺可以非常輕鬆取得這些資訊，另外，視覺在識別障礙物型別上的潛力比較大。而市場售價上，我們的售價是小於它的1/40的。

近處的訊號燈要求大視角與大仰角的中短焦鏡頭，遠處的交通燈則需要基本平視的長焦鏡頭；

可見光的感測器與非可見光感測器的融合，可以獲得更多差異化的環境資訊。

可見光相機跟紅外相機融合，或者將可見光相機與熱成像儀融合，又或者單目視覺與立體相機融合，通過融合可以做出很多不同的多目相機。這樣可以解決在夜間或者特殊天氣情況下一些可見光相機成像降質導致訊號分析困難的障礙。

4. 雙目攝像頭場景的劃分以及障礙物的提取不完全依賴於識別和先驗知識，可以直接通過點雲進行障礙物提取以及劃分，其實這種方式與鐳射雷達是完全一樣的，因為鐳射雷達它得到的訊號就是密集的點雲，只要點雲足夠密集，就可以對距離較為均勻的整體區域進行提取，這就是我們所謂的障礙物提取，對人、樹和汽車的提取都是這樣子的。在進行精確的環境劃分以及障礙物提取之後，我們通過視覺紋理可以快速做更加精準的障礙物分類。我們的識別就可以做到更加的有目的性，而且更加精準。同時，我們的測距也不依賴於別的參照物，不是去估距。而且像車道線的提取類似交通路牌的提取，我們可以直接借鑑三維資訊等一些感知優勢。這樣我們的車道線識別就不會跑道路路沿上，不會跑到草叢裡面去，同時我們的路燈以及路牌檢測結果也不會是一個虛假的目標。