现在聊自动驾驶硬件，大家最先想到的一直都是激光雷达，但聊到纯视觉自动驾驶时，讨论的热点基本都集中在算法上，否是一些如BEV感知、端到端大模型、占用网络等软件层面的东西。至于车上摄像头本身长什么样、用的是什么传感器、跟普通摄像头有什么不一样，却很少有人专门去聊，智驾最前沿交流群中也鲜少有提纯视觉硬件的，若是对这方面有了解的小伙伴，也可以到群内交流。
之所以会出现这种情况，是因为很多时候提到纯视觉自动驾驶，感觉就是装几颗摄像头，再加一套AI算法就完事了。这种理解倒也没全错，但如果真这么简单，为什么市面上能做纯视觉高阶智驾的厂家寥寥无几？其实摄像头硬件背后的门道，比大多数人想象的要复杂不少。
摄像头到底要装多少颗？分别看什么？
一辆支持高阶智驾的纯视觉汽车，一般要装8到12个摄像头，且分布在不同的位置，每个位置都有自己的职责。前向的要看得远，最好能看清几百米外的交通灯和路牌；侧向的负责盲区，并线或者路口转弯的时候全靠它；后向的用来倒车和防备后方快速接近的车辆；还有四个鱼眼镜头分布车身四周，专门用来拼接出俯视画面，解决泊车时那些离车很近的障碍物问题。
图片源自：网络
每当提到纯视觉自动驾驶，一直都离不开特斯拉，其HW3.0时代用的是8个外部摄像头加1个舱内摄像头，到了HW4.0，硬件上支持的接口增加到了11个甚至12个，不过实际启用的仍然维持在9个左右。不过有意思的是，摄像头数量没有明显增长，但每个摄像头本身的性能提升了。前风挡那里从原来的三目组合改成了双目，车尾保险杠下方还新增了一颗低位广角摄像头，这个位置的摄像头可以专门用来消除倒车时近处的视觉盲区。
当摄像头布设越来越多之后，其实有一个不得不去面对的问题，由于每一路摄像头传回来的画面都需要经过ISP处理和NPU推理，若摄像头太多，带宽不够或者芯片算力跟不上，系统就会反应迟钝。所以摄像头数量的提升，其实伴随着芯片算力和数据传输能力的同步升级，这几个环节是捆绑在一起的。
图像传感器这些年到底改进了什么？
摄像头最核心的部件是图像传感器，也就是CMOS。它的任务是将光线转成电信号，这些年摄像头改进的方向主要有三个。
第一个是分辨率，早些年的主流配置是200万像素，现在正快速切换到800万像素。有数据统计，2024年到2030年这六年间，全球用在自动驾驶上的车载摄像头出货量会从1.5亿颗增长到3.2亿颗，其中800万像素及以上高端摄像头的占比会从18%飙升到67%。分辨率高了，系统就能在更远的距离上识别出那些如高速路上掉落的轮胎皮、远处的行人，或者路口对面被车流挡住一半的交通标志等小目标。
但分辨率上去了，其实也会带来一些麻烦，像素多了，每张图的数据量就大，如果传输通道不够宽，系统就会很卡。特斯拉HW4.0上的前置摄像头从120万像素提高到了500万像素，但为了平衡数据负载，帧率从36帧降到了24帧，这就导致虽然多看到了细节，但看到每一帧的速度变慢了。
对于这个问题，一个主流的解决方案是用更高带宽的传输接口，索尼2025年底推出的IMX828就是一个例子，它直接将MIPI A-PHY高速传输接口做到了图像传感器里面，省掉了以前必须额外配的外置串行器芯片，这样功耗更低，模组也更小，散热压力也小一些。
图片源自：网络
还有一个解决方案是用高动态范围和LED闪烁抑制，日常开车会遇到各种光线变化，白天钻进隧道、晚上对面车开远光灯、高架桥下一会儿阴影一会儿太阳，画面的明暗差距有时会超过100dB。普通摄像头在这种情况下要么暗部死黑，要么亮部过曝，车载传感器的动态范围要做到120dB到150dB才算够用，索尼IMX828标称的动态范围就是150dB，而且在高温下噪声控制也不错。
LED闪烁抑制对于车载摄像头来说一直是一个硬指标，道路上的LED灯是以很高的频率在闪烁的，人眼完全感觉不到，但摄像头如果曝光的那一瞬间正好碰上LED灭的间隙，拍出来的画面里交通信号灯就是熄灭的，因此新一代车载传感器都在想办法解决这个问题。
豪威集团2025年底发布的OX08D20图像传感器用了TheiaCel技术，在保持高动态范围的同时能把LED闪烁抑制掉。这颗传感器的帧率也做到了60帧，比常见的30帧或40帧快不少，对高速运动的目标捕捉更干脆。它还跟Mobileye合作，专门优化了拍摄方案来减少近处物体的运动模糊（当车速过快的时候，如果有个车突然近距离切入，画面拖影小了，系统识别就更准）。另外，OX08D20还使用了a-CSP封装技术，个头比同类产品小了一半，发热也低，更容易塞进诸如后视镜这种狭小的位置里。
数据回来了，芯片怎么接得住？
传感器拍完照，数据就出来了，但原始图像没法直接交给算法用，中间还需要图像信号处理器。图像信号处理器主要负责做降噪、色彩校正、宽动态合成这些预处理，它处理得好不好，将直接影响后面的识别精度。这部分电路一般集成在摄像头模组或者主控芯片里，会占用不少硬件资源。
除了图像信号处理器，车载计算芯片也非常重要，车规芯片跟手机AI芯片不一样，它必须在极短的时间内完成推理，而且环境温度可以到85度以上，振动、湿度、电磁干扰都很苛刻。
地平线2024年发布的征程6系列覆盖了从10到560TOPS的算力范围，旗舰型号征程6P用了CPU、BPU（地平线自己研发的AI加速单元）、GPU、MCU四颗核心合一的架构，前视感知能支持1800万像素的分辨率，图像处理带宽做到了5.3Gpixel每秒。
图片源自：网络
这种设计的优势在于感知、规划、决策全部可以在同一颗芯片上完成，不需要在不同芯片之间来回传数据，延迟压到了160毫秒以内。目前征程6系列已经用在超过40家车厂的100多款车型上，国际零部件巨头博世也基于征程6B开发了新一代的多功能摄像头平台。
当然，前面也说了，每当聊到纯视觉自动驾驶时，不可避免的会去聊一聊算法层面的内容，现阶段，对于纯视觉自动驾驶的算法已经从二维图像走向了鸟瞰图感知。以前的做法是在每颗摄像头的画面里分别识别物体，然后靠几何计算估算它们离自己的距离，这种方法容易出错，而且摄像头之间的信息是割裂的，很难完全看到所有障碍物。
BEV感知的思路则不一样，它时将环视所有摄像头的图像特征提取出来，用一个Transformer网络把它们映射到一个俯视的坐标系里。这样一来，系统看到的就是一个从上往下看的场景地图，每个物体在什么位置、往哪个方向运动、速度多少，一目了然。
图片源自：网络
特斯拉在这个基础上又往前推了一步，采用了占用网络技术。它不再用传统的3D方框去框住物体，而是将前方空间切成无数细小的体素格子，然后预测每个格子是被占据还是空的。这样就能处理任何形状的障碍物了，无论是一辆侧翻的大货车、一堆散落的货物，还是一个奇形怪状的施工路障，系统都不需要事先学习它的样子，就能知道这里有东西挡着。
端到端是BEV和占用网络之后的下一步，传统流水线是感知、预测、规划、控制每个模块独立优化，误差会一层一层累积。而端到端将原始视频画面直接输入一个巨大的神经网络，方向盘转角、油门刹车这些控制信号直接从另一头出来，中间没有人工定义的特征提取步骤，决策过程会更快、更准确。特斯拉自FSD V12开始就是使用的这个思路，也是目前纯视觉方向最前沿的技术。
纯视觉在刮风下雨天怎么办？
纯视觉自动驾驶一直有一个无法回避的短板，常规摄像头在雨雾、夜间强光眩光这些条件下，感知能力会明显下降。这个不是靠算法优化就能完全解决的，因此业内正在主动引入一些新的传感器技术来补位，其中红外热成像是走得最快的一个。
红外热成像跟可见光摄像头的工作原理完全不同，它不是靠反射光线成像的，而是被动接收物体自身发出的热辐射，所以完全不受光照影响。浓雾、烟雾、夜间没有路灯的场景、对面远光灯晃眼的时候，它都能稳定成像。2025年9月上市的极氪9X就装了睿创微纳的车载红外热成像系统，而且量产落地了全球首个红外AEB。其在发布会上就有一段演示视频，可见光摄像头在暗光浓雾里几乎已经看不见前面的障碍物了，但红外画面里障碍物轮廓清清楚楚，系统稳稳地触发了紧急制动。
图片源自：网络
此外，纯视觉方案相关的政策也在不断推动，2025版的E-NCAP要新增恶劣天气测试场景，2027版的C-NCAP也计划将夜间安全评估加进去，这意味着红外热成像正在从一个额外的安全配置，变成车厂为了满足法规不得不考虑的东西。
除此之外，纯视觉方案中还有一项非常有用的技术，那就是事件相机，它跟传统摄像头完全不是一个路子，传统相机是固定帧率、拍整幅画面，不管画面动不动都拍。事件相机只记录那些亮度发生变化的像素，哪里在动就记哪里，不动的区域完全不占带宽，所以它的动态范围可以做到120dB以上，功耗不到10毫瓦，数据量比传统相机低两个数量级。这项技术目前还在研发阶段，但对高速运动目标的跟踪能力和极端光照场景下的适应性已经被很多人看好。
最后的话
回头来看，纯视觉路线正从单纯堆像素、堆帧率的硬件竞赛，走向传感器、芯片、算法三者协同设计的系统化阶段，软件和硬件之间的边界越来越模糊，一颗传感器怎么做、数据怎么传、算法怎么吃数据，全都需要通盘考虑。
-- END --
