特斯拉在删传感器，Waymo 在堆传感器，宇树 G1 到底该学谁？

01 评论区这个问题，其实问的是“机器人该怎么相信世界”

之前写宇树 G1 头部的 Intel RealSense D435i 深度相机时，评论区有位读者问：激光雷达不是已经能测距离了吗，为什么还必须有图像深度？激光和图像的深度在应用时到底怎么结合？

这个问题看起来是在问传感器，实际上是在问一个更底层的问题：机器人该怎么相信自己看到的世界。

做芯片和传感器的人，对这个问题会特别敏感。因为我们很清楚，传感器从来不是“参数越高越好”这么简单。真正到客户现场，大家关心的是：这一路数据在什么场景下可信，什么场景下会骗你，出了问题以后能不能解释，能不能降级，能不能闭环。

所以这篇不从 AI 大词讲起，还是从工程现场讲起。

02 激光雷达像尺子，深度相机像眼睛

激光雷达最擅长的是测距。它给你的通常是点云：某个方向、某个角度、某个时间点，距离多少米。这个东西非常像一把会自动扫描的尺子，优点是直接、稳定、几何关系清楚。

但尺子有一个问题：它不知道自己量到的是什么。

一把椅子、一只纸箱、一条狗、一个蹲着的人，在激光雷达眼里都可能先变成一团点。它知道那里“有东西”，但它不知道那个东西的语义。点云有空间，没有纹理；有距离，没有颜色；有轮廓，但不天然带“这是什么”的答案。

深度相机刚好补这件事。它不仅给距离，还把距离和图像绑在一起。也就是说，机器人不只是知道前方 1.5 米有个东西，还能在同一张图里看到轮廓、纹理、颜色、边缘，再交给视觉模型判断：这是人、桌子、台阶，还是玻璃门。

这就是评论里那句“雷达深度几乎没有纹理”的核心意思。激光雷达负责告诉你“东西在哪”，图像深度负责帮助你理解“那是什么”。

03 特斯拉为什么敢删传感器

特斯拉是最极端的一条路线。官方资料显示，特斯拉 2021 年开始从 Model 3 和 Model Y 上移除雷达，转向 Tesla Vision；2022 年又开始移除超声波传感器，让大部分市场的新车依赖基于摄像头的 Autopilot 系统。

这个动作在工程上非常激进。别人做自动驾驶，通常是摄像头、毫米波雷达、激光雷达、超声波尽量多堆几路冗余；特斯拉反过来，一路一路往下删。

为什么它敢这么做？

因为特斯拉赌的是“视觉智能”。道路世界里大量关键信息本来就是视觉语义：红绿灯颜色、车道线、限速牌、施工标志、前车刹车灯、交警手势。激光雷达可以告诉你红绿灯杆离你多远，但它不知道灯是红是绿；毫米波雷达可以告诉你前面有运动目标，但它不知道路牌上写了什么。

马斯克那套“人类开车不用激光雷达”的说法，很多人不喜欢，但逻辑是自洽的：如果最终目标是让 AI 像人一样理解道路，那么视觉问题不能绕过去。激光雷达可以当尺子，但不能替代眼睛和大脑。

04 Waymo 为什么反过来继续堆传感器

Waymo 走的是另一条路线。它不是删传感器，而是把传感器融合做得更工程化。Waymo 第六代 Driver 公开信息里提到，新系统包含 13 个摄像头、4 个激光雷达、6 个雷达和外部音频接收器，强调用重叠视场覆盖车辆周围，并兼顾白天、夜晚和复杂天气。

这就是典型的安全冗余思路。摄像头看语义，激光雷达看几何，毫米波雷达看速度和遮挡，声音传感器补充特殊事件。它不像特斯拉那样赌单一路线，而是让多种传感器互相兜底。

工程师其实很容易理解 Waymo 的选择。因为真实世界太脏了。雨、雾、逆光、玻璃、反光车身、黑色物体、遮挡行人，这些都不是论文里的干净场景。Waymo 要运营 robotaxi，车上没人兜底，它必须为极端场景买保险。

所以特斯拉和 Waymo 的分歧，不是“谁懂 AI，谁不懂 AI”。更像两种工程哲学：特斯拉押注视觉模型规模化之后可以吃掉大部分问题；Waymo 押注多传感器冗余可以把尾部风险压下去。

05 宇树 G1 的问题比汽车更像 Waymo，不像特斯拉

人形机器人面对的世界，比汽车还脏。

汽车主要跑在道路上，道路至少有规则：车道、交通灯、限速牌、行人横道。机器人要进家庭、工厂、仓库、办公室，面对的是玻璃门、反光地砖、黑色桌腿、堆起来的纸箱、突然伸出的手、半开的抽屉、低纹理白墙。

这些场景对视觉非常不友好。暗光会让图像噪声暴涨，逆光会过曝，玻璃会反射，黑色物体会吸光，白墙和纯色地面缺少纹理。深度相机在这些地方会出现孔洞、飞点、边缘错误。

但激光雷达也不是万能。它不懂语义，点云稀疏，跟图像对齐还要做外参标定和时间同步。机器人头部一边走一边晃，如果相机帧、雷达点云、IMU 姿态不是同一时刻，融合出来的世界就会错位。

这就是为什么宇树 G1 头上同时出现 D435i 和 Livox MID-360 是合理的：一个提供图像和近距离深度，一个提供更稳定的空间扫描。视觉负责聪明，激光雷达负责兜底。

06 真正难的是融合，不是装两个传感器

很多人以为多装一个激光雷达就安全了。工程上不是这样。

传感器融合最难的是仲裁。视觉说前面是玻璃门，激光雷达点云一片混乱，你信谁？视觉说前面没人，激光雷达扫到一团移动点，你信谁？深度相机说地面是平的，激光雷达说前方有台阶，你让机器人继续走，还是停下来？

这不是算法论文里的“融合一下”。这更像客户现场的故障分析：两路数据互相打架，最后系统必须决定谁可信、谁降权、什么时候触发安全策略。

做编码器的人对这个特别熟。绝对值编码器和增量编码器一起用时，不是两路数据简单平均，而是要判断哪一路在什么工况下可信。启动、掉电、振动、丢脉冲、温漂，每个场景的可信度不一样。机器人感知也是同样逻辑。

激光雷达和图像深度结合，本质上不是“1+1=2”，而是建立一套可信度模型。

07 RealSense 为什么还没死，反而重新被机器人需要

还有一个新闻很值得注意：RealSense 在 Intel 内部发展多年后，2025 年分拆独立，并获得 5000 万美元融资。TechCrunch 的报道提到，RealSense 的应用重点已经越来越集中到机器人等真实物理世界场景，因为这些机器需要实时、高精度地理解周围 3D 环境。

这解释了为什么 D435i 这种看起来不算新的模块，还能继续出现在机器人上。它不一定是参数最漂亮的深度相机，但它是很多工程师熟悉的“默认件”：SDK 熟，ROS 支持熟，坑也踩得差不多了。

国产替代要替掉它，不只是替一个硬件模块。要替的是图像、深度、IMU、时间戳、驱动、SDK、标定文件和客户已经调好的算法参数。

这就像芯片替代一样，最难的不是样品跑通，而是让客户敢在验收表上写“已验证”。

08 结论：特斯拉可以赌视觉，机器人不能只赌一只眼睛

所以回到评论区的问题：激光雷达已经能测深度了，为什么还需要图像深度？

答案是：激光雷达给几何，图像深度给语义入口。激光雷达像尺子，深度相机像眼睛。尺子能告诉你距离，但眼睛才能帮你理解世界。

特斯拉可以激进地押注纯视觉，因为它在赌道路 AI 的规模化学习。Waymo 继续堆传感器，是因为无人出租车要对尾部风险负责。宇树 G1 这类机器人更接近后者，因为它离人更近，环境更乱，摔一下、撞一下的代价更直接。

我自己的判断是：未来机器人不会走纯激光雷达，也不会简单照搬特斯拉纯视觉。更大的概率是视觉越来越强，激光雷达越来越便宜，IMU、编码器、深度相机、激光雷达在同一个时间坐标里融合得越来越深。

真正的机器人感知，不是看见世界，也不是量到世界。

是知道什么时候该相信哪一路传感器。