咱们先从一个有点扎心的现实说起。在过去十年里，自动驾驶圈的“鄙视链”大致是这样的：激光雷达（LiDAR）是高端玩家，视觉摄像头是经济适用型，而毫米波雷达……嗯，虽然它便宜、抗造，但一直是个有点尴尬的存在。
为啥尴尬？因为它分辨率低，看人看不准，看静止物体容易被过滤掉（就是那个著名的“鬼刹”问题）。所以，很多车企虽然车上装着毫米波雷达，但心里其实没太把它当核心依赖，更多是作为冗余备份。
但现在风向变了。随着特斯拉彻底砍掉超声波雷达和毫米波雷达，全面拥抱纯视觉；又比如Waymo这种激光雷达路线已经跑通了，但成本还是太高。那么，如果有一天，你的车上既没有昂贵的激光雷达，也没有靠谱的毫米波雷达，甚至连高精地图都不可靠，你该怎么办？
这不仅仅是特斯拉面临的问题，也是无数希望把自动驾驶成本降到10万以内车款的终极难题。今天，咱们就剥开那些晦涩的术语，像给小朋友讲故事一样，把“没有毫米波雷达”这件事背后的替代方案，掰开了、揉碎了讲清楚。
一、 先搞懂：毫米波雷达到底在干什么？
在讨论替代方案前，你得知道对手是啥。毫米波雷达（Millimeter Wave Radar）的核心优势就三个词：测距准、测速准、穿透强。
它通过发射毫米波段的电磁波，接收回波来计算距离（Time of Flight）和速度（多普勒效应）。下雨、下雪、大雾，它都能穿透。这是它存在的主要意义——在恶劣天气下，给车辆提供一个“绝对可靠”的距离和速度参照。
但是，它的致命缺陷是：
- 角度分辨率极低：它分不清前面是一辆大卡车还是两辆并排的小轿车，常常混成一个大斑点。
- 静态物体过滤：为了防止误报（比如把立交桥当成障碍物刹车），算法通常会过滤掉静止物体。这就导致它看不到路边的石头、故障车。
所以，所谓的“替代方案”，本质上是在回答一个问题：不用毫米波雷达，怎么弥补“距离/速度感知”和“恶劣天气穿透力”这两个短板？
二、 方案一：纯视觉的“暴力进化” —— 让摄像头长出距离感
这是目前最主流、也是争议最大的路线，代表人物是马斯克。
1. 单目/双目视觉的深度估计
人类只有一只眼睛（类比单目摄像头），但依然能判断距离。靠的是什么？靠的是透视原理和运动视差。
- 单目测距：通过物体在画面中的大小、位置，结合训练好的神经网络，推断距离。以前不准，因为“不知道这辆车是远的小车还是近的大车”。但现在，有了万亿次的算力加持，AI已经能大概猜出“这看起来像是一辆两米高的SUV，在画面里占了这个像素比例，所以距离大约是30米”。
- 双目测距：像人眼一样，左右两个摄像头看同一场景，通过视差计算深度。这在低速、近距离非常有效。
2. Occupancy Network（占用网络）—— 革命性的改变
这是过去两年自动驾驶感知领域最大的突破之一。 传统的视觉方案是“检测框”：识别出“这是车”、“那是人”。但Occupancy Network不再关心“这是什么”，而是把空间切成无数个小立方体（Voxel），问每个立方体“是不是被占据了”。
为什么这对替代毫米波雷达至关重要？ 毫米波雷达虽然看不清是什么，但它知道“那里有东西”。Occupancy Network通过密集的3D点云预测，同样能提供高精度的3D空间占据信息。虽然它没有毫米波雷达测速那么直接，但通过连续帧的图像变化，它能推算出物体的运动矢量。
真实案例：特斯拉的FSD V12 特斯拉完全去掉了雷达和超声波传感器。它依靠8个摄像头，加上端到端神经网络（End-to-End Neural Net）。系统在输入图像后，直接输出方向盘角度、油门刹车信号。在这个过程中，视觉网络不仅识别了车道线和车辆，还“感知”到了路边的施工锥桶、静止的故障车。 注：虽然特斯拉声称视觉可以替代雷达，但在极端暴雨、强逆光下，摄像头依然会“致盲”，这是纯视觉方案目前的阿喀琉斯之踵。
3. 视觉+惯导（VIO）的深度融合
如果没有雷达测速，车怎么知道自己开多快、相对速度是多少？ 答案是用轮速计和惯性测量单元（IMU）。
- 轮速计告诉你车轮转了多少圈。
- IMU告诉你加速度和角速度。
- 视觉告诉你周围的景物在移动。
将这三者融合（Sensor Fusion），可以得到非常精确的自车速度。而对于相对速度，可以通过光流法（Optical Flow）计算：前方物体在图像中移动的像素速度，结合视觉深度估计，就能算出相对速度。虽然精度不如毫米波雷达的直接多普勒测量，但在绝大多数场景下，已经足够应对。
三、 方案二：激光雷达的“降维打击” —— 用高精度换高精度
如果说视觉是“省钱但费力”，那激光雷达就是“土豪玩法”。但激光雷达也有弱点：雨天激光散射、雪天数据丢失。所以，这里说的“替代毫米波雷达”，其实是指用激光雷达的高精度3D点云，来覆盖毫米波雷达原本负责的区域。
1. 4D Imaging Radar（4D成像雷达）—— 被忽视的中间派
等等，题目说“没有毫米波雷达”，那4D雷达算不算？ 算，也不算。4D雷达是毫米波雷达的进阶版。传统的毫米波雷达有X、Y、Z（距离、水平角度、速度），没有高度Z轴。4D雷达增加了高度信息，并且分辨率提高了10倍以上。 为什么它是个好的替代参考？ 因为它保留了雷达的物理优势（穿透雨雾），同时提供了接近激光雷达的空间分辨率。对于不想用昂贵激光雷达，又不信任纯视觉的车企来说，4D毫米波雷达是目前最好的“平替”。它虽然不是激光雷达，但它正在取代传统毫米波雷达的位置。
2. 激光雷达 + 视觉的强耦合融合
当车上装有激光雷达时，其实可以完全不用毫米波雷达。
- 激光雷达提供高精度的3D形状、距离、甚至静止物体识别（比如路边的石头）。
- 摄像头提供丰富的纹理、颜色、交通灯语义。
关键点：激光雷达弥补了毫米波雷达“看不清静止物体”的缺陷。 以前，毫米波雷达过滤静止物体是为了防误刹，但这导致它看不到故障车。激光雷达不受多普勒效应限制，静止物体照样能扫出来。因此，高精度的激光雷达点云可以直接替代毫米波雷达的“障碍物探测”功能。
例子：Waymo和Cruise。 Waymo的第五代传感器套件中，激光雷达是核心。虽然它们也保留了雷达，但主要依赖激光雷达进行高精度的三维建图和障碍物检测。在很多测试中，关闭毫米波雷达，仅靠激光雷达和视觉，车辆依然能安全行驶。
四、 方案三：V2X车路协同 —— “借别人的眼睛看路”
这是一个经常被普通用户忽视，但在产业界极其重要的方案。 逻辑是：如果我的车上没雷达，那我把路边的雷达借来用用。
1. 路侧单元（RSU）+ 边缘计算
在城市十字路口、高速公路关键路段，政府或运营商安装高配置的激光雷达和毫米波雷达阵列。这些“天眼”24小时盯着路口，感知所有车辆、行人、非机动车的位置和速度。
2. 5G/V2X通信传输
路侧感知数据通过5G网络，实时广播给经过的车辆。
- 你的车虽然前面有大雾，摄像头看不清，但路侧的雷达看清楚了。
- 路侧系统告诉你：“前方200米有一辆静止的故障车，建议变道或减速。”
3. 替代原理
在这种模式下，单车的感知能力被无限放大。车辆自身的毫米波雷达不再是“唯一真理”，而是作为冗余验证。
- 如果V2X说前面有车，本地视觉说没看见（因为大雾），车辆应该相信V2X并预警。
- 如果V2X数据丢失，本地视觉和惯性导航接管。
真实案例：中国的基础设施试点 在中国，北京亦庄、上海嘉定等地已经开展了大规模的V2X测试。很多测试车辆取消了部分车载雷达，转而依赖路侧感知。这种“聪明的车+智慧的路”模式，被认为是比“单车智能”更可持续、成本更低的方案。因为它把昂贵的传感器成本从每辆车上，转移到了基础设施上。
五、 方案四：超声波雷达的“回光返照”与多传感器融合
虽然题目排除了毫米波雷达，但我们得看看其他“便宜货”怎么发挥作用。
1. 超声波雷达的近场优势
超声波雷达便宜、技术成熟，但只能测短距离（米）。 在没有毫米波雷达的情况下，超声波雷达负责泊车、低速跟车、盲区监测。 在高速场景下，毫米波雷达失效时，超声波雷达几乎帮不上忙。但在城市低速场景，它可以部分接管毫米波雷达的“近场防撞”功能。
2. 多传感器融合算法（The Magic Glue）
真正的替代方案，不是单一传感器，而是融合算法。 如果没有毫米波雷达，我们需要更强的融合算法来平衡其他传感器的不足：
- 视觉缺深度 -> 用激光雷达补，或用单目深度估计网络补。
- 视觉怕强光/暴雨 -> 用毫米波雷达（如果有）或V2X补。
- 激光雷达怕雨雪 -> 用视觉的语义信息补。
一种新兴的融合思路：特征级融合 以前是“数据级融合”，每个传感器单独输出结果，最后投票。现在先进的方法是“特征级融合”，把摄像头图像和雷达/激光雷达点云，都在神经网络的最底层特征图上进行融合。这样，即使没有毫米波雷达，神经网络也能从视觉特征中“脑补”出部分距离信息，或者从激光雷达特征中提取速度信息。
六、 总结：没有毫米波雷达，世界会末日吗？
当然不会。汽车工程史上，从来没有一种传感器是“绝对不可替代”的，只有“成本-性能-冗余”的权衡。
我们可以把替代方案归纳为一张表，方便你理解：
| 替代方案 | 核心逻辑 | 优势 | 劣势 | 代表玩家 |
|---|---|---|---|---|
| 纯视觉+AI | 让摄像头算出深度和速度 | 成本低，算法复用度高 | 极端天气依赖算法鲁棒性 | 特斯拉 |
| 激光雷达主导 | 用高精度3D点云覆盖雷达功能 | 感知精度高，能看清静止物体 | 成本高，雨雾天性能衰减 | Waymo, 蔚来, 理想 |
| 4D成像雷达 | 雷达技术的自我进化 | 保留雷达优势，分辨率提升 | 仍是毫米波，物理极限存在 | 华为, 大疆车载 |
| V2X车路协同 | 借路侧传感器之眼 | 突破单车感知极限，成本低 | 依赖基础设施覆盖 | 中国试点城市 |
| 多传感器融合 | 算法融合弥补单一短板 | 系统鲁棒性最强 | 算法复杂度高 | 大多数主流车企 |
给小朋友的比喻： 想象你要在黑暗的房间里找一只猫。
- 毫米波雷达就像是一个能告诉你“猫在这里，离你3米远”的哨兵，但他看不清猫长什么样，也看不见沙发上的猫（静止物体）。
- 摄像头就像是你的眼睛，能看清猫的花色，但天太黑（暴雨/逆光）就看不见了。
- 激光雷达就像是一个拿着激光笔扫来扫去的探险家，能画出房间精确的3D地图，包括那只猫，但他身上背的设备很贵。
- V2X就像是房间门口有个朋友，拿着手电筒帮你照亮，并通过对讲机告诉你猫在哪。
没有哨兵（毫米波雷达），我们完全可以靠着探险家（激光雷达）、眼睛（摄像头）和门口的朋友（V2X）找到那只猫。只是，我们需要更聪明的协作方式。
七、 结语：未来的感知，是“融合”而非“依赖”
自动驾驶的发展，正在从“堆硬件”转向“拼算法”。
毫米波雷达作为一种成熟的、低成本的传感器，曾经是不可缺少的一环。但随着视觉算法的爆发和激光雷达成本的下降，它的地位确实动摇了。但这并不意味着它会被完全抛弃，而是会被重新定义。
对于普通用户来说，好消息是：你不必担心因为没有毫米波雷达，车就“瞎”了。 只要算法够强，传感器配置合理，无论是纯视觉还是激光雷达方案，都能在保证安全的前提下，提供超越人类驾驶员的感知能力。
未来的车，可能 neither 只有视觉，也 neither 只有雷达，而是一群各司其职的“小助手”，通过强大的大脑（AI芯片）协同工作。在这种协作中，毫米波雷达可能只是其中一个小配角，甚至完全退场，但这恰恰证明了技术的进步——我们不再依赖单一的感官，而是拥有了更全面的感知世界的能力。