Persian
دید دوربین در مقابل لیدار: کدام یک در مه بهتر عمل میکند؟
ساخته شده در 01.13
مه یکی از سرسختترین دشمنان رانندگی خودکار و سیستمهای پیشرفته کمک راننده (ADAS) است. مه نور را تحریف میکند، سیگنالها را پراکنده میسازد و قابلیت اطمینان ادراک محیطی را که برای ایمنی رانندگان و عابران پیاده حیاتی است، از بین میبرد. بحث بین دید دوربین و لایدار (تشخیص و فاصلهیابی نوری) سالهاست که ادامه دارد، اما شرایط مه آلود، تبلیغات بازاریابی را کنار میزند و تمرکز را بر عملکرد اساسی مجبور میکند: کدام فناوری واقعاً زمانی که دید به شدت کاهش مییابد، کارایی دارد؟
این مقاله فراتر از دوگانگی معمول «سختافزار در مقابل نرمافزار» میرود. در عوض، ما مقایسه را حول دو «فلسفه ایمنی» متمایز چارچوببندی میکنیم:دید دوربیناتکا به نبوغ الگوریتمی برای غلبه بر محدودیتهای فیزیکی، و استفاده LiDAR از افزونگی سختافزاری برای ایجاد یک خط پایه اطمینان. با تکیه بر آخرین دادههای آزمایش واقعی سال ۲۰۲۵، پیشرفتهای فنی و مطالعات موردی صنعتی، به این سوال حیاتی پاسخ خواهیم داد: کدام یک در مه بهتر عمل میکند؟
تقسیم اصلی: دو فلسفه ایمنی در مه
برای درک اینکه چرا مه نقاط قوت و ضعف هر فناوری را نمایان میکند، ابتدا باید اصول عملیاتی زیرین آنها و ذهنیتهای ایمنی که باعث پذیرش آنها میشود را بررسی کنیم.
سیستمهای بینایی دوربین مانند "چشمهای مجهز به مغز" عمل میکنند. آنها به دوربینهای با وضوح بالا (معمولاً ۸ تا ۱۰ در تنظیمات پیشرفته) متکی هستند که با تراشههای قدرتمند هوش مصنوعی و مجموعه دادههای عظیم برای تقلید از درک بصری انسان جفت شدهاند. فلسفه در اینجا مینیمالیسم است: استفاده از نرمافزار برای جبران سختافزار محدود، با بهرهگیری از یادگیری ماشین برای ترجمه دادههای بصری دوبعدی به درک محیطی سهبعدی. تسلا و Xpeng برجستهترین طرفداران این رویکرد هستند که در شرایط روشن که سرنخهای بصری فراوان به الگوریتمها اجازه شکوفایی میدهند، میدرخشد.
لیدار، در مقابل، یک "نگهبان اول سختافزاری" است. این سیستم میلیونها پالس لیزر را در ثانیه منتشر میکند تا یک ابر نقطه سهبعدی با دقت بالا از محیط اطراف ایجاد کند و فواصل، اشکال و سرعتها را با دقت استثنایی اندازهگیری کند. فلسفه در اینجا افزونگی است: استفاده از قابلیتهای حسگر فیزیکی برای ایجاد یک کف ایمنی، حتی زمانی که شرایط محیطی جزئیات بصری را مبهم میکند. هوآوی، BYD و اکثر ارائهدهندگان پیشرفته ADAS از این سهگانه "لیدار + دوربین + رادار موج میلیمتری" استفاده میکنند و عملکرد مداوم را بر صرفهجویی در هزینه اولویت میدهند.
مه باعث اختلال در هر دو سیستم میشود - اما به روشهای کاملاً متفاوتی. برای دوربینها، مه نور را پراکنده میکند، لبهها را تار میکند و کنتراست را از بین میبرد و الگوریتمها را از ویژگیهای بصری مورد نیاز برای شناسایی موانع محروم میکند. برای LiDAR، ذرات مه پالسهای لیزر را پراکنده میکنند و "نویز ابر نقطه" ایجاد میکنند که میتواند اهداف واقعی را پنهان کند یا مثبت کاذب ایجاد کند. سوال این نیست که کدام یک "بدون تأثیر" است - بلکه این است که کدام یک میتواند سریعتر بازیابی شود، معیارهای عملکرد حیاتی را حفظ کند و رانندگان را در بدترین شرایط دید حفظ کند.
دادههای دنیای واقعی: عملکرد آنها در مه (آخرین آزمایشها در 2025)
قویترین شواهد از "سند سفید آزمایش سناریوهای شدید رانندگی هوشمند 2025" به دست میآید که بهطور مشترک توسط مؤسسه تحقیقات مهندسی خودرو چین (CAERI) و Dongchedi منتشر شده است. این مطالعه تاریخی 36 مدل اصلی را در مسیرهای واقعی مهآلود به طول 15 کیلومتر و 216 سناریوی تصادف شبیهسازی شده آزمایش کرد و شکافهای عملکرد را با دادههای سخت کمیسازی کرد. بیایید یافتههای کلیدی را بر اساس شدت مه تجزیه و تحلیل کنیم.
1. مه کم (دید: 200-500 متر)
در مه کم—که در صبحهای زود یا مناطق ساحلی رایج است—هر دو فناوری به طور مناسب عمل میکنند، اما شکافهای ظریفی ظاهر میشود. سیستمهای دید دوربین، که با الگوریتمهای پیشرفته حذف مه تقویت شدهاند، در شناسایی موانع پایهای عملکرد خوبی دارند. به عنوان مثال، FSD V12.5 تسلا، به لطف الگوریتمهای حذف قطرات باران و مه که بر روی میلیاردها کیلومتر دادههای دنیای واقعی آموزش دیدهاند، به نرخ دقت شناسایی موانع 90% در مه کم دست یافت.
در همین حال، سیستمهای لایدار دقت تقریباً کاملی (98%+) را با حداقل نویز حفظ کردند. لایدار Hesai ATX، یک مدل دوربرد که به تازگی عرضه شده است، توانایی خود را در فیلتر کردن 99% نویز مرتبط با مه در سطح پیکسل نشان داد و ابرهای نقطهای واضحی از وسایل نقلیه و عابران پیاده اطراف را حفظ کرد. شکاف در اینجا باریک است، اما مزیت لایدار در ثبات نهفته است: در حالی که سیستمهای دوربین ممکن است در صورت نوسان ناگهانی تراکم مه دچار مشکل شوند، حسگر فیزیکی لایدار پایدار میماند.
2. مه متوسط (دید: 100-200 متر)
هنگامی که دید به زیر ۲۰۰ متر کاهش مییابد، محدودیتهای الگوریتمی دید دوربین آشکار میشود. آزمایش CAERI نشان داد که مدلهای صرفاً مبتنی بر دوربین در مقایسه با خودروهای مجهز به لایدار، ۳ برابر افزایش در نرخ از دست دادن موانع را تجربه کردند. فاصله تشخیص عابر پیاده در Xpeng G6 از ۱۵۰ متر در هوای صاف به تنها ۶۵ متر در مه متوسط کاهش یافت، در حالی که این فاصله در تسلا مدل Y به ۷۸ متر رسید. این یک نقص حیاتی است: در سرعتهای بزرگراهی (۱۰۰ کیلومتر بر ساعت)، فاصله تشخیص ۶۵ متری تنها ۲.۳ ثانیه برای واکنش سیستم باقی میگذارد - که به سختی برای ترمز اضطراری کافی است.
سیستمهای لایدار، در مقابل، فواصل تشخیص مؤثری را بالاتر از ۸۰ متر حفظ کردند. ADS 3.0 هواوی، مجهز به لایدار ۱۹۲ خطی، در مه متوسط به فاصله تشخیص متوسط عابر پیاده ۱۲۶ متر دست یافت و پنجره واکنش ۴.۵ ثانیهای را فراهم کرد. این تفاوت ناشی از توانایی لایدار در نفوذ به مه با استفاده از طول موجهای بلندتر (۱۵۵۰ نانومتر) است که کمتر از نور مرئی مورد استفاده دوربینها پراکنده میشوند. حتی زمانی که پراکنده میشوند، پالسهای لیزر انرژی کافی را برای بازگشت به سنسور و محاسبه دقیق فواصل حفظ میکنند.
3. مه غلیظ/مه ادوکشن (دید: کمتر از 100 متر)
در مه غلیظ — جایی که دید به زیر ۱۰۰ متر، یا در موارد شدید حتی ۵۰ متر کاهش مییابد — شکاف به یک دره تبدیل میشود. این سناریوی «موفقیت یا شکست» برای سیستمهای خودران است و دادههای CAERI تکاندهنده هستند: سیستمهای صرفاً مبتنی بر دید دوربین نرخ ۱۵٪ مداخله دستی را تجربه کردند، با هشدارهای مکرر «شکست ادراک». در شرایطی که مه علائم خطکشی جاده، چراغهای راهنمایی و حتی موانع بزرگ را میپوشاند، الگوریتمها به سادگی اطلاعات بصری کافی برای تصمیمگیری ایمن ندارند.
خودروهای مجهز به لایدار، با این حال، نرخ واگذاری تنها ۳ درصد را حفظ کردند. ADS 3.0 هوآوی حتی توانایی شناسایی دقیق خودروهای ثابت و انجام مانورهای گریز در دید ۳۰ متری را نشان داد - شرایطی که رانندگان انسانی در دیدن فراتر از نور چراغهای جلو خود مشکل دارند. کلید این عملکرد الگوریتمهای پیشرفته فیلتر مه، مانند آنچه توسط LSLidar توسعه یافته است، میباشد. این الگوریتمها ویژگیهای پالسهای لیزری پراکنده شده توسط مه را تجزیه و تحلیل میکنند و نویز را از دادههای ابری نقطه معتبر جدا میکنند تا اطلاعات حیاتی موانع را حفظ کنند. نتیجه یک سیستم است که فقط از میان مه "نمیبیند" - بلکه آگاهی موقعیتی را در زمانی که دید دوربین کاملاً از کار میافتد، حفظ میکند.
پیشرفتهای فنی: کاهش فاصله؟
در حالی که LiDAR در شرایط مهآلود برتری دارد، هر دو فناوری به سرعت در حال تکامل هستند. بیایید آخرین نوآوریهایی را که عملکرد آنها در مه را متحول میکند بررسی کنیم.
بینایی دوربین: پیشرفتهای الگوریتمی
بزرگترین پیشرفتها در عملکرد مه دوربین به الگوریتمهای کاهش مه مبتنی بر هوش مصنوعی و مجموعههای داده بزرگتر و متنوعتر مربوط میشود. به عنوان مثال، سیستم FSD V12.5 تسلا از ترکیبی از یادگیری نظارت شده و یادگیری بدون نظارت برای "مهندسی معکوس" اثرات مه استفاده میکند و وضوح تصاویر تار را بازمیگرداند. با آموزش بر روی 10 میلیارد کیلومتر دادههای شبانه و شرایط جوی نامساعد، این سیستم سرعت ردیابی اشیاء دینامیک را در شرایط دید کم تا 40% بهبود بخشیده است.
با این حال، این پیشرفتها محدودیتهایی دارند. آنها به وجود برخی ویژگیهای بصری برای کار کردن وابسته هستند—چیزی که در مه غلیظ ناپدید میشود. حتی بهترین الگوریتم کاهش مه نمیتواند اطلاعاتی که وجود ندارد را ایجاد کند و این موضوع محدودیتهای فیزیکی بینایی دوربین را دشوار میسازد.
LiDAR: همافزایی سختافزار و الگوریتم
تحول لایدار بر بهبود نفوذپذیری، کاهش نویز و کاهش هزینهها متمرکز است. یکی از هیجانانگیزترین پیشرفتها، لایدار تکفوتونی است، یک فناوری نسل بعدی که توسط همکاری محققان بریتانیایی و آمریکایی توسعه یافته است. این سیستم از آشکارسازهای تکفوتونی نانوسیم ابررسانا (SNSPDs) فوق حساس و لیزرهای با طول موج 1550 نانومتر برای ثبت تصاویر سهبعدی با وضوح بالا از میان مه - حتی در فواصل 1 کیلومتری - استفاده میکند. با تشخیص فوتونهای منفرد و اندازهگیری زمان پرواز آنها با دقت پیکوثانیه (یک تریلیونیم ثانیه)، این سیستم میتواند با دقتی بیسابقه بین ذرات مه و اشیاء واقعی تمایز قائل شود.
سیستمهای LiDAR تجاری نیز به سرعت در حال پیشرفت هستند. الگوریتم فیلترینگ داخلی LSLidar برای گرد و غبار/باران/مه، که با تمام مدلهای آن (شامل LiDAR فیبر 1550 نانومتری و حالت جامد هیبریدی 905 نانومتری) سازگار است، نویز ابر نقاط را به طور قابل توجهی کاهش میدهد و در عین حال تشخیص هدف را حفظ میکند. LiDAR ATX Hesai، با میدان دید فوق عریض 140 درجه و برد تشخیص 300 متر، میتواند مه، دود اگزوز و قطرات آب را در زمان واقعی شناسایی و علامتگذاری کند و دادههای ابر نقاط تمیز را برای سیستم تضمین کند. این نوآوریها باعث میشوند LiDAR در مه قویتر شود و در عین حال هزینهها را کاهش دهد - که زمانی مانع بزرگی برای پذیرش بود - با کاهش قیمتها در سال 2025 به محدوده 300 تا 450 دلار.
انتخاب عملی: چه زمانی باید کدام فناوری را در اولویت قرار داد؟
پاسخ به "کدام یک در مه بهتر عمل میکند" بستگی به مورد استفاده و تحمل ریسک شما دارد. در اینجا یک چارچوب برای تصمیمگیری ارائه شده است:
برای وسایل نقلیه مصرفی (ADAS)
اگر در منطقهای با مه مکرر زندگی میکنید (مانند مناطق ساحلی، درهها یا اقلیمهای سرد با وارونگی دما)، LiDAR انتخاب ایمنتری است. دادههای CAERI ثابت میکند که توانایی آن در حفظ آگاهی موقعیتی در مه متراکم، یک حائل ایمنی حیاتی فراهم میکند. حتی با بهبود دید دوربین، افزونگی سختافزاری LiDAR به عنوان یک "شبکه ایمنی" عمل میکند که الگوریتمها نمیتوانند آن را تکرار کنند.
برای مناطق با مه کم، دید دوربین خالص ممکن است کافی باشد—به ویژه اگر هزینه یک نگرانی اصلی باشد. مدلهایی مانند تسلا مدل Y و ایکسپنگ G6 عملکرد قوی ADAS را در شرایط واضح و کمی مه آلود ارائه میدهند، با بهروزرسانیهای OTA مداوم که به طور پیوسته الگوریتمهای آنها را بهبود میبخشد.
برای خودمختاری تجاری (روباتاکسیها، حمل و نقل کامیونی)
در کاربردهای تجاری که ایمنی و قابلیت اطمینان غیرقابل مذاکره هستند (و انطباق با مقررات اجباری است)، لایدار نه تنها ترجیح داده میشود، بلکه ضروری است. تاکسیهای رباتیک که در مناطق شهری با رویدادهای غیرقابل پیشبینی مه فعالیت میکنند، یا کامیونهای مسافت طولانی که در بزرگراههای مستعد مه تردد میکنند، نمیتوانند نرخ 15 درصدی واگذاری سیستمهای صرفاً دوربین را تحمل کنند. نرخ 3 درصدی واگذاری لایدار در مه غلیظ، تفاوت بین قابلیت عملیاتی و خطرات ایمنی است.
آینده: همافزایی، نه رقابت
رویکرد پیشروانه، انتخاب یک فناوری به جای دیگری نیست، بلکه ادغام آنهاست. سیستمهای مدرن ADAS (مانند Huawei ADS 3.0) از ابرهای نقطه سهبعدی قابل اعتماد LiDAR برای تکمیل دادههای بصری با وضوح بالای دوربین استفاده میکنند. در مه، LiDAR تشخیص اصلی موانع را فراهم میکند، در حالی که دوربینها به شناسایی جزئیاتی مانند رنگ چراغهای راهنمایی یا حرکات عابر پیاده (در صورت قابل مشاهده بودن) کمک میکنند. این "ادغام حسگر" از نقاط قوت هر دو فناوری بهره میبرد و سیستمی قویتر از هر یک به تنهایی ایجاد میکند.
نتیجهگیری: لایدار در مه پیشتاز است، اما دید دوربین هم کنار گذاشته نمیشود
وقتی صحبت از شرایط مه آلود میشود، دادهها روشن هستند: لایدار در تمام سطوح شدت مه، از دید دوربین بهتر عمل میکند، به خصوص در مه غلیظ. رویکرد سختافزاری آن به ادراک - نفوذ در مه با پالسهای لیزری و فیلتر کردن نویز با الگوریتمهای پیشرفته - یک خط پایه ایمنی ایجاد میکند که مدل نرمافزار محور دید دوربین، حداقل در حال حاضر، قادر به تطابق با آن نیست.
با این حال، دید دوربین به سرعت در حال تحول است. الگوریتمهای حذف مه با هوش مصنوعی و مجموعه دادههای بزرگتر، عملکرد آن را در مه سبک تا متوسط بهبود میبخشند و آن را به گزینهای مناسب برای مناطقی با رویدادهای مه شدید حداقل تبدیل میکنند. با این حال، برای اکثر رانندگان و اپراتورهای تجاری، توانایی لایدار در "دیدن از میان مه" و کاهش نیاز به دخالت دستی، یک مزیت ایمنی است که نادیده گرفتن آن دشوار است.
در نهایت، آینده ادراک خودران در مه در ادغام حسگرها نهفته است. با ترکیب قابلیت اطمینان LiDAR با جزئیات دید دوربین، میتوانیم سیستمهایی ایجاد کنیم که ایمن، کارآمد و قابل تطبیق با حتی سختترین شرایط جوی باشند. در حال حاضر، اگر ایمنی در مه اولویت شماست، LiDAR برنده واضح است - اما نباید دید دوربین را نادیده گرفت زیرا الگوریتمها همچنان در حال پیشرفت هستند.
تماس
اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.
WhatsApp
WeChat