高阶智驾+机器人双轮驱动，激光雷达有望开启放量时代

约11,900台，同比提升183.3%。我们认为，随着汽车智能化及机器人产业持续发展，激光雷达作为其中核心的感知环节部件，将持续受益。 P.2 1.激光雷达—“机器之眼”打造高精度感知 1.1激光雷达发展史 激光雷达（Light Detection and Ranging，LiDAR）是一种基于激光束进行探测和测距的技术。该技术向目标发射激光脉冲并接收其回波信号，通过处理信号、测量光脉冲在空气中的传播时间以及确定光束方向，能够精确获取目标物体的距离、速度、方位和形状等信息。得益于超短脉冲激光技术、高灵敏度信号探测和高速数据采集系统的发展与应用，激光雷达凭借其高精度测量能力、精细的时空分辨率和广阔的探测范围，已成为一种关键的主动遥感工具，被誉为“机器之眼”。 图表1：禾赛科技固态激光雷达产品图 激光雷达的早期发展雏形可以追溯至1930年，爱尔兰物理学家Edward Hutchinson Synge提出了利用激光雷达测距的雏形，采用了具有非常小发射角的探照灯来实现远距离探测望远镜。 1960年美国物理学家Theodore Maiman制造了世界上第一台激光器；后于1962年，Hughes Aircraft的工程师Rod Smith发明了世界上第一款商用激光雷达Colidar Mark II，并被应用于军事用途。自1960年代之后，伴随激光雷达技术的发展，激光雷达从科研及测绘项目等领域开始了应用范围的不断扩展。 1980年起，激光雷达行业开始进入工业探测及早期无人驾驶项目的应用，1980至1990年，Sick与Hokuyo等激光雷达厂商推出单线扫描式2D激光雷达产品。 进入2000年，激光雷达开始在无人驾驶和机器人等领域崭露头角。2002年，美国军用机器人公司iRobot尝试融合机器人技术与扫地功能，推出了首款量产扫地机器人Roomba 400，但其清洁性能及覆盖角度未能获得用户认可。2010年，Neato公司将该技术应用于扫地机器人，推出了Neato XV-11。这一革命性突破实现了“全局规划式”清扫，显著提升了服务机器人的清洁效率。 2007年DARPA发起的无人驾驶挑战赛极大推动了高线数激光雷达的应用，参赛的7支队伍中有6支装备了Velodyne的产品。2009年谷歌启动自动驾驶项目时，同样选用了Velodyne激光雷达。此后，Velodyne专注于深耕高线数市场，并于2010年与Ibeo合作开发了车载激光雷达产品SCALA。 2016年起，国内激光雷达厂商相继进入市场，技术实力逐步追赶国际同行。伴随全球自动驾驶技术由L0向L2/L3乃至L5级别演进，2017年奥迪A8搭载了法雷奥公司（Valeo）的激光雷达Scala1。该产品采用机械旋转扫描架构和直接飞行时间测距原理，整体集成于汽车引擎盖下方，成为全球首款应用于乘用车的激光雷达系统。 同年，禾赛科技不仅实现了40线激光雷达Pandar 40的量产，还发布了固态激光雷达产品Pandar GT。 2023年禾赛科技在美国纳斯达克上市，成为“中国激光雷达第一股”，2024年速腾聚创接力在香港证券交易所上市。随着禾赛、速腾、图达通等内资企业的崛起，国内激光雷达厂商逐渐在全球市场中占据一席之地。 图表2：激光雷达技术发展历程 1.2激光雷达系统构成 激光雷达系统通常包含激光器、光学系统、探测器、信号处理单元以及数据采集与处理系统等核心组件。其信号处理链涵盖控制硬件（如数字信号处理器DSP）、激光驱动电路、激光发射发光二极管、发射与接收光学镜头、雪崩光电二极管（APD）、可变跨导放大器（TIA）及探测器。尽管半导体技术的快速发展促使性能提升且成本快速下降，但光学组件和旋转机械结构仍是系统成本的主要构成部分。 图表3：激光雷达关键部件结构示意图 激光雷达系统结构复杂，技术路线与测量维度多样。测距原理、激光波长、发射装置、接收装置和扫描方式构成其五大核心技术维度。不同维度的选择衍生出各异的技术方向及产品类别，直接影响成品的测距、测速、测角、精度、范围、功耗和集成度等关键性能参数，进而决定各主机厂的产品实力与长期发展潜力。 P.7 1.3激光雷达的分类 激光雷达分类方式较多，按照测距方式、扫描方式等分类。近年来激光雷达技术朝着远距离、大范围、高分辨率、低成本的方向演进。按照测距方法，激光雷达对物体的测距方式主要分为飞行时间（ToF，Time of Flight）和调频连续波（FMCW，Frequency ModulatedContinuousWave）两种方式。dToF是直接飞行时间方法，通过直接测量发射激光与回波的信号的时间差，基于光在空气中的传播速度得到目标物体的距离信息，具有响应速度快，探测精度高的优势。dToF方案技术成熟度高，成本相对低，该方案是目前量产激光雷达使用的主要方案。FMCW是iToF（间接飞行时间）激光雷达中最常见的形式，是使用调制频率的激光雷达。 激光雷达存在多种分类依据，如测距方式和扫描方式等。近年来，该技术持续向远距离、大范围、高分辨率及低成本方向发展。基于测距方法，主要分为飞行时间法（ToF, Time of Flight）和调频连续波法（FMCW,Frequency Modulated Continuous Wave）两种。直接飞行时间法（dToF）通过精确测量发射激光与回波信号的时间差，结合光速计算目标距离。该方法响应迅速、探测精度高，技术成熟度佳且成本相对较低，是当前量产激光雷达的主流方案。调频连续波法（FMCW）则是间接飞行时间法（iToF）激光雷达中最常见的形式，其原理基于激光的频率调制。 图表5：激光雷达ToF和FMCW方法比较 P.8 机械激光雷达：即利用旋转的机械部件（如反射镜、棱镜等）控制光束扫描方向，实现较大范围的视场角。 半固态激光雷达：作为机械式与纯固态方案之间的过渡形态，此类雷达借助部分机械运动完成扫描。主要分为一维扫描和二维扫描两类，并可依据运动部件差异细分为MEMS（微机电系统）、转镜式及棱镜式半固态激光雷达。 MEMS半固态激光雷达：核心组件为微小的MEMS微镜，通过电静力或热致动实现快速精确偏转，引导激光束方向。该微镜集成于半导体基板，尺寸小、重量轻，支持高频扫描。其优势在于高分辨率与快速扫描能力，适合动态环境感知与障碍物检测。但受限于微镜扫描角度（通常小于120度），难以实现360度全景覆盖。 转镜式半固态激光雷达：依靠旋转反射镜完成扫描。通常包含电机和镀膜反射镜（三面或四面），匀速旋转实现全方位探测。此类结构简单、可靠性高，但扫描频率与精度易受电机性能及反射镜材质制约。 棱镜式半固态激光雷达：采用旋转多边形棱镜配合纵轴摆动镜引导激光。其独特优势在于单光源即可完成多光源扫描任务，但对扫描频率、功率及可靠性提出更高要求。 固态激光雷达：作为完全无机械运动部件的技术方案，具有结构简洁、集成度高的特点。主要包含相控阵（OPA）和Flash两种实现方式。 相控阵激光雷达（OPA）：采用相位控制技术实现光束偏转，由多组激光发射单元构成阵列。通过精确调节各单元间的相位差，改变激光束的发射角度。该方案具备测量精度高、分辨率优异的特点，同时支持超高频扫描，特别适合需要快速响应与高精度检测的应用场景。 Flash激光雷达：基于高密度激光源阵列，以类似闪光灯的方式瞬时照射目标区域，配合高灵敏度接收器构建三维图像。由于激光能量会分散在整个视场范围内，其视场角（FoV）越大，单位面积的功率密度就越低，从而导致探测距离和精度的下降。 相比机械式激光雷达结构复杂、体积庞大、价格昂贵、在极端的环境中可靠性较低等特点，固态和混合固态激光雷达更可靠、尺寸更小、更经济，更能满足客户对感知性能的需求，也更容易通过车规级相关标准。 2.激光雷达下游市场应用 激光雷达产业链根据其产品构成可以分为上游的零部件产品，包括激光器、探测器、FPGA、模拟芯片及光学组件等；中游为激光雷达产品，包括车规级激光雷达、工业激光雷达、测距激光雷达；下游为产品的终端应用领域或应用场景，包括无人驾驶、高级辅助驾驶、服务机器人、车联网、无人机、测绘、国防军事等方面。 图表7：激光雷达产业链图解 激光雷达作为自动化、智能化的重要感知器件，其解决方案主要应用于汽车驾驶、工业场景、机器人、智慧城市、V2X等领域。根据中商产业研究院及灼识咨询数据显示，2022年全球激光雷达解决方案下游应用市场中，机器人领域仍占据主要应用地位，占比达68.2%，其次为智能驾驶汽车领域应用，占比28.7%，其余3.1%均为其他细分领域应用。 图表8：2022年全球激光雷达解决方案下游应用场景占比（%） 其他,3.10% 机器人 智能驾驶汽车,28.70% 智能驾驶汽车 机器人,68.20% 其他 2.1汽车智能化趋势逐渐向L3级演进，感知性能要求不断提升 我国不断推出政策及规范标准，推进智能驾驶行业技术的快速发展及实际应用场景的加速落地。“十四五”规划纲要提出要提升智能（网联）汽车核心竞争力，加快研发智能（网联）汽车基础技术平台及软硬件系统、线控底盘和智能终端等关键部件。伴随国家及地方政府的利好政策陆续出台，我国智能驾驶渗透率持续提升，从L0-L2级驾驶自动化功能（辅助驾驶）逐渐向L3-L5级驾驶自动化功能（即自动驾驶）发展。 依据国标及SAE（美国汽车工程师协会）标准，自动驾驶分为L0至L5六个等级，代表系统自主程度及所需驾驶员参与度的差异。L0-L2级属于辅助驾驶（ADAS）范畴。截至2024年，我国乘用车L2级及以上自动驾驶渗透率已突破55.7%，据金融时报预测，2025年该比例将升至65%。行业当前处于L2向L3过渡期，L3阶段的典型功能（如高速/城市领航）已开始规模化落地。 图表9：自动驾驶L0至L5级分类 按照自动驾驶技术架构的划分，ADAS系统主要由感知层、决策层、执行层三大核心环节构成。作为自动驾驶的核心支撑，智能感知系统归属于技术架构中的感知层，其核心功能是助力车辆实现对路况的自动化分析与环境理解。该层级需确保车辆在复杂天气条件（如雨雪、雾霾等）及明暗交替的光线环境下，对周边动态（如行驶车辆、行人）及静态物体（如道路标线、障碍物）进行实时感知、精准识别与持续跟踪。在硬件配置层面，感知层作为智能汽车环境感知的关键模块，为满足ADAS功能的实现要求，通常整合多种类型的感知传感器。核心组件主要包括车载摄像头、汽车雷达（涵盖毫米波雷达、超声波雷达、激光雷达等不同技术形态）等元件，通过协同工作为系统提供多维环境数据输入。 图表10：智能驾驶系统架构图 当前智能驾驶感知方案形成两大主流技术路径：纯视觉感知与多传感器融合感知。自动驾驶技术的发展需综合考量二者优劣势并推动技术融合，以实现更舒适安全的驾驶体验。 纯视觉感知方案主要依赖摄像头采集外界环境数据，而多传感器融合感知方案则通过摄像头、毫米波雷达、超声波雷达与激光雷达等多类型传感器的协同工作，实现环境信息的互补采集，在提升感知精度的同时有效弥补纯视觉方案的性能短板。 作为融合方案的核心组件，激光雷达具备显著的技术优势：其发射的光波频率较微波高出2-3个数量级，因而具备极高的距离、角及速度分辨率，可实现更精准的环境感知。 根据观研天下与禾赛科技数据，截至2023年上半年，纯视觉方案与融合方案（激光雷达+摄像头）在目标物追踪准确度（AMOTA）方面存在显著差异，二者差距接近20个百分点（56%对比75%）。随着激光雷达成本下降及技术成熟度提升，多传感器融合方案有望逐步占据市场主流地位。 摄像头：摄像头传感器通过采集车辆周边场景影像，实现对环境中行人、车辆、道路标线等要素的检测与识别。该类传感器分为单镜头与多镜头两种类型：单镜头摄像头仅能完成平面物体识别，而多镜头摄像头因内置双摄像头组件，除具备平面检测能力外，还可实现立体物体辨识并精确测算目标距离。 超声波雷达：超声波雷达主要由超声波发射装置、信号处理芯片等部件构成。其工作原理为：发射器发