夜间开着车一头扎进隧道对面车道远光灯迎面刺来仪表盘上智驾系统突然弹出视觉受限请接管——这种场景但凡开过带辅助驾驶的车多少都遇到过。摄像头被强光一打画面一片惨白系统直接失明。这就是过去几年激光雷达始终无法被取代的根本原因之一摄像头看得见但看不过极端光线。然而小鹏在2024年推出的AI鹰眼方案直接把激光雷达从智驾硬件清单里删了只保留12颗摄像头。敢这么干的底气很大一部分来自一颗传感器芯片上的技术——LOFIC。这篇文章就围绕这个技术把几个关键问题拆开讲清楚LOFIC到底是什么、它解决了摄像头的哪个致命短板、12颗摄像头的纯视觉方案靠什么撑起高阶智驾、去掉激光雷达之后系统拿什么来兜底以及这背后一笔算得过来的经济账。1. 强光和暗光同时出现为什么能难倒摄像头1.1 行车场景里最常见的视觉致盲时刻先还原几个所有车主都经历过的瞬间。第一个是隧道口。白天从室外开进隧道车外阳光直射亮度能到10万勒克斯隧道内照明只有几十勒克斯光比轻松超过10000:1。此时摄像头要同时看清隧道外的路况和隧道内的车道线相当于让人眼一边盯着电焊火花一边阅读暗室里的报纸。第二个是夜间的对向远光灯。近光灯照射下路面亮度本来就不高对向车道的远光灯一照画面中央直接形成一团高亮光斑光斑周围全是黑场。更麻烦的是这团光斑还在快速移动从画面一侧扫到另一侧只用零点几秒。第三个是地库出入口。地面停车场和地下车库交界处从天光到荧光灯亮度断崖式下跌。很多车的360环影在地库入口会短暂出现画面撕裂或者一侧过曝。这些场景的共同点是同一帧画面里的明暗跨度极大而摄像头是电子设备它的感光元件能记录的亮度范围有限。超出这个范围的部分亮的变成一片死白暗的变成一片死黑。1.2 动态范围这个指标比很多人想象的重要感光元件能记录的最亮和最暗细节的比值专业上叫动态范围单位是分贝dB。数值越高同一帧画面里能同时保留的亮部和暗部细节就越多。普通车载摄像头的单帧动态范围大概在60到70dB。这是个什么概念大约相当于最亮和最暗差了1000到3000倍。听起来不小但面对隧道口那种上万倍的光比完全不够用。为了应对行业内最常见的做法是HDR高动态范围合成。HDR合成的思路很朴素让传感器在极短时间内连续拍两到三帧分别用短曝光抓亮部细节、长曝光抓暗部细节然后在芯片里合成为一帧把高光和阴影都保留下来。问题是这个方法有个先天缺陷——时间差。短曝光帧和长曝光帧之间存在微小的时间间隔画面里的物体一旦发生位移合成时就会出现重影或者物体边缘发虚业界叫鬼影。车自己就在高速运动路上的行人、车辆也在动鬼影几乎无法完全避免。另外传统HDR合成对处理器的ISP图像信号处理能力要求很高每帧要做多次曝光、对齐、融合算力开销大处理延迟也更高。所以车载摄像头长期面临一个尴尬不用HDR看不全用HDR有鬼影。而鬼影对智驾系统来说轻则影响感知置信度重则可能导致对运动物体的位置判断偏差。这个矛盾就是LOFIC技术登场的舞台。2. LOFIC原理拆解一个电容如何解决曝光难题2.1 像素工作的核心把光子存成电子要理解LOFIC先得知道一颗像素是怎么工作的。CMOS图像传感器里的每个像素核心是一个光电二极管。光照射到二极管上光子被吸收并激发出电子电子的数量与光的强度成正比。这些电子被存储在二极管自身的电容结构里之后通过电路读出转换成电压信号再经过模数转换变成数字值最终形成图像的灰度。问题出在存储这个环节。每个像素的存储容量是物理上限的这个容量叫满阱容量单位是电子个数。普通车规级像素的满阱容量通常是几万个电子。光线弱的时候产生的电子少没到上限像素正常工作。光线强的时候电子数量超过容量上限多余的电子就会溢出流向周围的区域导致画面中出现一团白色光晕同时周围像素被串扰。这也解释了为什么过曝区域总是一大块糊掉而不是一个精确的亮点。2.2 横向溢出积分电容给电子找一个备用仓库LOFIC的完整名称是Lateral OverFlow Integration Capacitor直译过来是横向溢出积分电容。它做的事情可以理解成在像素旁边挖了一个大容量底池再用一根管道和光电二极管的存储区域连通。光线强、电子多的时候光电二极管自身的存储区先被填满多出来的电子不再四处乱窜而是顺着管道流进这个电容里存起来。这时候像素的有效存储容量变成了原生容量电容容量大大提升。光线弱的时候电子数量少电容不参与工作像素又恢复到高灵敏度的状态。读出的环节也做了配合。系统会根据实际光强决定是一次性读出还是分级读出低光场景用高增益读原生区高光场景把原生区和电容区的电子合并读取。无论哪种情况最终都只用一次曝光、一次读出不需要像多帧HDR那样在不同曝光帧之间对齐、融合。因为多出来的电子被定向收集而不是乱溢画面里强光区域不再糊成一团白光因为只有一次曝光不存在时间差运动物体也不会产生鬼影。2.3 LOFIC不是新发明但上车是头一遭LOFIC这个思路在图像传感器领域不算新鲜。早些年一些工业相机和科学级传感器就用过类似的溢出电容设计用来扩展单帧动态范围。手机上也有应用比如一些旗舰机主摄宣称的单帧HDR背后就是类似的电路结构。但车载场景和手机有天壤之别。手机偶尔遇到逆光拍糊了可以重拍用户顶多抱怨一句。车载摄像头每一帧都是性命攸关的输入必须在零下40度到零上85度的温度范围、剧烈震动、连续数小时高负荷工作的条件下保持稳定还要满足车规级的寿命和可靠性要求。把LOFIC结构做进一颗车规级CMOS传感器里并且把工艺良率、噪声控制、温漂特性调到可用水平这才是AI鹰眼方案真正的门槛。据公开资料小鹏AI鹰眼的传感器是与豪威OmniVision合作深度定制属于车规级产品里较早落地LOFIC方案的一批。这里不展开具体型号的参数细节但可以确定的是它把车载摄像头的单帧动态范围推到了120dB这个档位——这个数值以前要靠多帧HDR才能摸到现在一帧就能达到。这是整个AI鹰眼方案里最关键的一颗硬件棋子。3. 12颗摄像头如何分工纯视觉方案的数据采集体系3.1 传感器布局的底层逻辑摄像头有了更强的单帧动态范围接下来要看整个感知系统的硬件布局。LOFIC解决的是画质上限但一颗画质再好的摄像头也只能看一个方向要让车具备360度的感知能力必须靠多颗摄像头协同覆盖。小鹏AI鹰眼方案的传感器布局是12颗摄像头按照公开信息和典型的纯视觉智驾布局逻辑大致可以分成四组摄像头位置数量主要职责视场角特点前视3颗主干道感知、红绿灯、远处障碍物长焦广角超广角三焦段侧视4颗左右各2变道、并线、侧向来车覆盖侧前方和侧后方盲区后视1颗后方跟车、被追尾预警广角环视4颗近距离泊车、低速周边感知鱼眼超广角前视3目的分工很明确长焦负责看远处识别红绿灯、限速牌、远处的卡车和行人为高速场景争取更长的反应时间广角负责主视野覆盖车辆正前方和稍带两侧的广泛区域是行驶决策的主要信息来源超广角负责近前区域用于起步、跟停、路口通行时补充两侧盲区。侧视4颗解决的是变道和并线的关键盲区。后视1颗处理正后方。环视4颗鱼眼在地库里主要负责近距离细节。这套布局方案里没有哪颗摄像头是摆设每颗都对应着一个不能缺失的感知维度。纯视觉方案是否可靠先天取决于这个布局能不能无缝覆盖所有关键场景。3.2 LOFIC用在哪几颗摄像头上最关键12颗摄像头如果全部上LOFIC成本上肯定不现实。从工程角度看LOFIC最值得用在前向感知的核心摄像头上尤其是前视3目和侧视摄像头。前向是行车决策的主战场车辆需要在最快时间内看清前方的所有信息隧道入口、逆光、夜间强光这些极端光比场景几乎全部落在前向视野内。前视摄像头如果能单帧Hold住120dB的光比隧道口不会出现短暂失明对向远光灯不会导致一大片白斑整个智驾系统的可用性和连续性会大幅提升。侧视摄像头面临的挑战同样不小。黄昏和清晨太阳位置低侧向摄像头经常处于逆光状态一侧的画面几乎全是剪影。以前侧视摄像头在这种场景下经常瞎变道时系统对侧后方车辆的判断全靠雷达兜底。上了LOFIC之后侧视在强烈逆光下还能保留基本的轮廓和运动信息变道决策的可靠性会明显提升。环视鱼眼也有它的极端场景地库出口对着正午太阳或者夜间地库里突然有车开灯环视摄像头负责近距离泊车对光比变化同样敏感。但由于环视主要用于低速场景反应时间相对充裕优先级会比前视和侧视低一些。3.3 数据采集的质量决定了端到端模型的天花板这里要提到一个容易被车迷忽略的视角数据。小鹏AI鹰眼的完整表述是端到端大模型纯视觉这意味着感知和决策不是靠工程师写几千条规则而是靠神经网络在大规模数据里自己学出来的。模型学得好不好第一条取决于喂给它的数据质量。以前的训练数据里很多极端光比场景本身就是坏的——摄像头在隧道口拍到的是一团过曝的白色在夜间远光灯下拍到的是一坨光斑这些数据清洗成本极高有的直接没法用有的喂给模型反而教坏了模型让模型学会遇到强光就懵。LOFIC的出现改变了数据源头的质量。同样跑一万公里训练数据的有效帧率大幅提升过去只有5%的隧道口画面能用现在可能有90%能用。数据干净了模型的学习效率和上限都跟着提高。这也是为什么说LOFIC是纯视觉方案的基石——它不仅是硬件指标上的一个进步更是整个数据驱动算法路线能否跑通的前提。4. 去掉激光雷达之后系统靠什么兜底4.1 传感器冗余的减法逻辑背后是算法收敛过去几年的智驾方案普遍是全家桶路线摄像头、激光雷达、毫米波雷达全都装追求的是传感器类型的冗余。但小鹏的选择是在硬件上做减法只保留摄像头作为主要感知来源。敢于做这个减法前提是算法能力的质变。这一代智能驾驶已经从规则驱动转向数据驱动端到端大模型不再依赖人工设计的特征提取规则而是从海量数据里自己总结出什么情况该怎么处理的规律。这个转变让纯视觉方案的性能天花板大幅抬升也让过去只有激光雷达才能搞定的复杂场景有了靠纯视觉突破的可能。但算法的进步需要数据验证来接力。小鹏敢在高阶智驾上取消激光雷达必然意味着在大量真实用户里程里做了充分的场景回归测试尤其是那些曾经被激光雷达救场的场景比如强光、逆光、雨雾天气、近距离加塞。LOFIC提升了摄像头的单帧极限正是为了让摄像头在这些之前只有激光雷达能稳住的场景里也能独立扛住。4.2 风险兜底完整的系统冗余设计去掉激光雷达不代表系统的整体可靠性和安全性下降了。它靠的是不同维度上的冗余来兜底。第一层是摄像头视角冗余。12颗摄像头的视野存在大量重叠区域前视3目本身就覆盖了同一空间位置的不同焦段环视和侧视之间也有交叉。某个摄像头出现遮挡、污损、故障时其他摄像头可以在一定时间内补充感知信息。第二层是毫米波雷达的保留。虽然标题说的是省掉激光雷达但据公开信息显示AI鹰眼方案并非把传感器全部砍掉还保留了毫米波雷达作为感知冗余。毫米波雷达在雨雾、扬尘等恶劣天气下对物体的探测能力独立于摄像头起到兜底作用。第三层是决策层的安全兜底。端到端大模型输出的轨迹规划结果还会有专门的规控和安全模块做校验遇到置信度不足的场景会主动降级策略比如限制车速、请求驾驶员接管。这种系统级的安全设计在感知层之外加了一层保险。把三层放一起看这套方案的逻辑其实很清晰用LOFIC把摄像头在大部分场景里的能力提上去用毫米波雷达处理极少数的天气盲区用决策层的安全机制覆盖感知可能出现的极限失效。激光雷达在中间的位置变得可有可无去掉它自然顺理成章。5. 省掉激光雷达的经济账远不止硬件成本5.1 单车成本的直接下降比很多人想的更可观激光雷达过去几年价格跌了不少从早期的上万一颗降到了两三千元但对于汽车这种本就利润微薄的大宗消费品两三千块钱的单车成本差距足以改变一款车的市场定位和定价策略。而且激光雷达带来的隐形成本比人们想的更高。它的安装位置通常在车顶或前保险杠外形设计要专门做造型适配风阻要反复调走线、供电、散热都要额外的工程方案。后期生产线还要额外的一整套组装、标定工序。算上这些工程和制造环节的隐性成本一辆车省下的远不止激光雷达那颗料本身的价格。去掉激光雷达之后最直接的影响是智驾硬件总成本大幅下降让高阶智驾功能有可能下放到更低价位的车型上。这背后是一盘科技平权的棋过去要花二三十万才能体验到的城市领航辅助现在十几万的车也能配备。5.2 销量爬坡与数据飞轮的正循环成本下降带来的另一个连锁反应是市场规模的扩大。更低的智驾门槛意味着更多用户愿意为这项功能买单而更多在路上跑的车辆意味着采集到的真实路况数据更快增加数据飞轮的转速加快。纯视觉方案和激光雷达方案在数据闭环上的效率差别也值得观察。激光雷达点云数据和摄像头图像数据的融合需要复杂的标定和时间戳对齐两套传感器之间的坐标转换本身就容易产生误差。纯视觉方案则天然统一摄像头采集的图像数据直接输入神经网络不需要跨传感器的时间对齐和空间融合步骤。数据链路的简化让采集、清洗、标注、训练、回灌的整个闭环更加顺畅模型迭代速度可以做得更快。从商业角度来说这也许才是去掉激光雷达最深远的影响它不只是省了一个零部件而是让整个数据驱动体系的运转效率上了一个台阶。5.3 技术路线的多空博弈纯视觉与融合感知的路线之争小鹏的转向给整个行业的技术路线之争添了一把火。特斯拉从始至终坚持纯视觉代价是早期大量真实事故和舆论压力。国内厂商过去普遍走多传感器融合路线激光雷达几乎成了高端智驾的标配也是厂商宣传安全冗余的名片。小鹏作为国内头部新势力第一个站出来转向纯视觉而且是在P7这样的走量车型上首搭信号意义非常明显。纯视觉路线的拥趸认为摄像头的信息密度是激光雷达无法比的红绿灯颜色、路面标线、交通标志内容这些视觉特征只有摄像头能看到激光雷达只会产生形状信息最终还是要和图像数据融合才能理解语义。加上LOFIC把摄像头的动态范围短板补上之后视觉方案的短板越来越少。融合派则认为L3及以上级别自动驾驶对安全性的要求质变激光雷达在测距精度和雨雾天气穿透能力上仍有优势纯视觉在极端场景下的数据积累还不够充分。两条技术路线孰优孰劣短期内没有定论但小鹏的选择至少证明了一个事实在L2到L3之前的这个阶段纯视觉的天花板已经够到了过去需要激光雷达才能达到的水平。6. 一些个人观察和补充建议写这篇文章的过程中我反复想一个问题LOFIC到底是一个参数指标层面的进步还是一个会真实影响驾乘体验的改动答案是后者。用户可能永远不知道自己的车装了什么传感器技术但当他夜间开着远光灯迎面而来、隧道口进出、地库上下坡时智驾系统不再频繁退出、不再因为他人的灯光而提前减速那种技术存在但你不感知的体验差异才是这类底层硬件创新的真正价值。从工程角度看有几点值得从业者关注第一LOFIC不是无懈可击的银弹。它的动态范围再高也依然受限于物理尺寸和光学素质在极端大雾、暴雨、扬尘天气下摄像头的光学链路本身就会被遮挡任何传感器技术都无解。这种时候还是得靠系统策略兜底比如降速、降级、提醒接管。第二单帧高动态范围对ISP后端处理的影响要考虑。数据量、读出速度、噪声水平都会因为像素结构的变化而改变这需要图像处理链路同步升级不是换个传感器就完事。第三对普通消费者来说判断一台车智驾方案好不好不要只看传感器数量或者有没有激光雷达这类表面参数更要关注它有没有足够规模的真实道路数据在支撑算法迭代。没有数据闭环再好的传感器硬件也只是摆设。曾经开过不少带激光雷达的测试车也开过早期的纯视觉方案车型。以前觉得纯视觉在夜间遇到迎面远光灯时的表现和带激光雷达的车差距确实明显。如今LOFIC上车之后这个差距被大幅缩小虽然还没到完美的程度但已经足够让主流消费者在日常使用中放心了。技术路线的胜负不靠发布会上的口水仗靠的是成千上万辆车在真实道路上跑出来的数据和事故统计。AI鹰眼方案能不能真正跑通让时间给出答案。