1. 一个标志性变化激光雷达公司的“第二曲线”成型2025 年中期财报发布后速腾聚创给行业留下了一个很值得琢磨的信号机器人业务收入占比首次超过总营收的一半。如果我们把时间轴拉长会发现这家公司早期的核心标签是“车载激光雷达供应商”Robotaxi、ADAS、半固态激光雷达是市场对它最熟悉的印象。但短短两三年内机器人业务从“第二曲线”变成了“半壁江山”这个变化并不只是某一家公司的经营波动更像是整个三维感知硬件行业的一次结构性转向。很多开发者看到这类新闻时第一反应是“股价要涨”或者“机器人概念又火了”但如果从技术角度看背后的信号远比股价更有价值车载激光雷达和机器人激光雷达在技术指标、产品形态、算法链路、商业模式上正在发生明显的分化与融合。过去我们讨论激光雷达默认语境是“装在车顶上探测 200 米外的障碍物”现在再讨论激光雷达语料库已经扩展到“机械臂避障”“人形机器人导航”“割草机建图”“扫地机全局规划”等更复杂的场景。本文不准备只停留在新闻复述层面而是希望围绕速腾聚创机器人业务占比过半这一事实拆解下面几个问题机器人业务为什么能从一个激光雷达公司的边缘业务成长为营收主力车载激光雷达与机器人激光雷达在技术原理上有什么异同非车载场景对激光雷达的硬件、成本、算法提出了哪些新需求作为算法工程师、嵌入式开发者或产品经理可以从这次业务结构变化中捕获哪些信号如果你是关注自动驾驶、机器人感知、点云处理或智能硬件行业的技术人这篇文章会给你一个相对完整的分析视角。2. 不再只是“车载激光雷达供应商”2.1 速腾聚创的业务结构发生了什么变化先看一下速腾聚创的基本业务构成。速腾聚创是一家以激光雷达硬件为核心的公司早期产品覆盖 Robotaxi 场景的机械式激光雷达后来量产了面向乘用车 ADAS 的半固态激光雷达。在很长一段时间里市场对它的定位就是“自动驾驶传感器公司”。但根据公司公开的业绩信息2025 年上半年机器人及其他的收入约 3.9 亿元人民币占总营收的比例超过一半。这意味着机器人业务已经不是“尝鲜型创新业务”而是实打实的收入支柱。机器人业务在速腾聚创体系中主要包括面向人形机器人的视觉感知激光雷达面向工业移动机器人的导航避障激光雷达面向服务机器人、割草机器人等细分场景的轻量级产品以及基于激光雷达延伸出的算法与解决方案。从技术角度看这种业务结构变化说明一件事激光雷达的“机器人属性”正在被市场重新定价。以前是“自动驾驶要不要激光雷达”的问题现在是“机器人要不要激光雷达”的问题。2.2 为什么车载与机器人业务会出现交叉迁移这里有一个容易被忽略的背景车载激光雷达过去几年经历了惨烈的价格下行。从早期大几十万元一颗的机械式激光雷达到如今几千元甚至试图冲击千元级的半固态产品价格战背后是技术迭代和规模效应共同作用的结果。但价格下探也给激光雷达公司打开了一个新市场当硬件成本下降到一定程度原来“用不起激光雷达”的机器人场景开始变得愿意尝试。这不是简单的市场下沉而是一个典型的“技术溢出”过程感知元件价格下降 → 机器人整机成本可控 → 机器人开始具备更高级的感知能力 → 激光雷达公司获得新的收入来源。速腾聚创机器人业务占比过半本质上是把车载激光雷达积累的硬件能力、供应链能力和工程化能力复用到机器人场景中。2.3 我们该以什么视角看待这次业务变化很多技术博主分析这类新闻时喜欢把重点放在“市场规模有多大”“行业天花板在哪”。但从 CSDN 读者的视角出发真正有价值的是激光雷达点云数据在机器人场景中如何被处理车载激光雷达和机器人激光雷达的算法栈有什么差异开发者在做机器人感知时需要关注哪些参数硬件选型时哪些指标是必须看的哪些是营销话术接下来的章节我们从技术底层开始逐步展开。3. 车载与机器人场景对激光雷达的需求差异3.1 车载激光雷达的设计目标车载激光雷达的设计目标非常明确在高速行驶状态下远距离识别障碍物、车辆、行人给自动驾驶系统留出足够的反应时间。这决定了车载激光雷达的核心参数导向测距要远至少 150 米到 200 米高速场景要更远角分辨率要高远距离处还能分辨出物体的轮廓点频要大单位时间内输出的点云数量越多对远处小物体的识别越有利可靠性要求高车规级认证、温度范围、振动环境都比消费级严苛。在这个目标下激光雷达的眼界通常集中在车辆前方区域垂直视场角不需要太大但水平方向一定要覆盖关键驾驶区域。3.2 机器人激光雷达的设计目标机器人激光雷达面对的物理世界完全不同。以人形机器人为例机器人活动范围通常较小不需要探测 200 米外的目标机器人需要在室内外环境下近距离避障测距 10 到 50 米通常就够机器人经常在狭窄空间穿行需要更宽的垂直视场角避免撞到桌角、台阶或头顶障碍物人形机器人对体积和功耗非常敏感雷达不能太重、不能太耗电多台机器人在同一环境工作时抗干扰能力比单台绝对测距精度更重要。这些差异可以整理成一张对比表维度车载激光雷达机器人激光雷达测距需求150-250 米10-50 米视场角水平广、垂直窄水平垂直都要广功耗相对宽松非常敏感体积重量需要车规级集成必须轻量化成本数万元到数千元需要更低可靠性车规认证多场景泛化典型客户整车厂、Tier1机器人厂商、方案商3.3 两类场景的共性底层能力尽管需求差异明显但车载和机器人激光雷达在底层能力上高度共享都是一套“发射激光 接收回波 解算距离 输出点云”的系统。也就是说一家公司如果能把车载激光雷达做到量产水准它已经掌握了激光雷达最难的硬件工程能力。剩下的工作更多是面向机器人场景做产品定义与算法适配。这也是速腾聚创这类公司能在机器人业务上快速放量的根本原因不是从零开始做了一个新硬件而是把已有的激光雷达核心能力重新裁剪、组合、定价之后卖给了机器人市场。4. 从机械式到半固态再到机器人专用形态4.1 机械式激光雷达的工作原理先看最早的机械式激光雷达。它的核心结构是激光发射模块和接收模块固定在一个旋转底座上通过 360° 旋转完成环境扫描。机械式激光雷达的优点是视场角大、扫描方式直观早期 Robotaxi 基本都是这种形态。但它的缺点也非常明显电机旋转结构导致体积大、成本高、可靠性难以保证而且车规集成难度很大。在机器人场景中机械式激光雷达依然存在但主要面向工业级移动机器人比如 AGV、AMR、无人叉车等。这类设备对体积和成本不那么敏感反而更看重 360° 水平覆盖能力。4.2 半固态方案如何解决车载场景痛点半固态激光雷达是当前车载市场的绝对主力。它的特点是激光发射和接收模块不再整体旋转而是通过转镜、棱镜或 MEMS 微振镜来控制光束扫描方向。这种方案在一定程度上保留了扫描能力同时又去掉了复杂的旋转电机结构体积和成本都大幅下降可靠性提升更符合车规要求。速腾聚创早期量产的车载激光雷达很大程度上就是依赖这类技术路线才把成本压了下来。4.3 机器人专用激光雷达的发展方向机器人专用激光雷达则走出了另一条路。一些产品直接采用固态或者类固态方案用光学相控阵、Flash 或其他非扫描方式实现三维感知。与传统机械式雷达相比机器人专用产品的特点很明确去掉冗余的远距离探测能力把成本花在近场覆盖上扩大垂直视场角让机器人可以看到上方和下方的障碍物降低分辨率的同时减少数据量方便机器人主控在低功耗平台上实时处理针对镜面、玻璃、深色物体等机器人常见场景做反射率优化。如果你在做机器人感知选型不要拿车载激光雷达的“测距 200 米”作为硬指标更应该关注的是这款雷达在 1 米到 10 米内的点云密度如何、垂直视场角能不能覆盖机器人可能碰撞的区域、功耗是否在整机预算范围内。5. 点云数据与机器人感知链路详解5.1 激光雷达点云数据是如何生成的无论哪种激光雷达最终输出的都是点云数据。每一个点通常包含三维坐标信息和反射强度信息。一次完整的激光测距流程可以简化为激光器发射一束激光激光遇到物体表面后反射接收器检测到回波信号根据发射与接收的时间差计算目标距离结合当前光束的方向角得到目标在三维空间中的坐标。用公式表示距离 光速 × 飞行时间÷ 2这里的“÷2”是因为激光走了一个来回单程距离才是雷达到目标的距离。5.2 点云坐标转换从球坐标到笛卡尔坐标激光雷达原始数据通常以极坐标或球坐标形式给出距离 r、水平角 α、垂直角 ω。我们需要将其转换为三维笛卡尔坐标x, y, z才能用于后续算法。转换关系如下import math def polar_to_cartesian(distance, azimuth, elevation): 将激光雷达球坐标转换为笛卡尔坐标 参数: distance: 测量距离单位米 azimuth: 水平角单位弧度 elevation: 垂直角单位弧度 返回: (x, y, z) 三维坐标单位米 # 水平面投影距离 horizontal distance * math.cos(elevation) x horizontal * math.cos(azimuth) y horizontal * math.sin(azimuth) z distance * math.sin(elevation) return x, y, z这段代码是点云预处理最基础的函数。实际工程中不同厂家 SDK 可能给出的是角度而非弧度需要先做单位换算。5.3 机器人避障中如何使用点云做距离判断机器人场景中最简单的避障思路是把点云投射到一个水平面附近找到距离机器人最近的点如果距离低于安全阈值就触发减速或停止。下面是一个简化示例import numpy as np def find_closest_obstacle(points, z_min0.1, z_max0.8): 从点云中筛选出机器人躯干高度范围内的障碍物 并返回最近距离。 参数: points: N x 3 的点云数组每一行是 [x, y, z] z_min: 有效点云的最低高度 z_max: 有效点云的最高高度 返回: min_distance: 最近障碍物距离没有障碍物则返回 None closest_point: 最近障碍物坐标 # 过滤高度范围 mask (points[:, 2] z_min) (points[:, 2] z_max) filtered points[mask] if len(filtered) 0: return None, None # 计算每个点到机器人原点的水平距离 distances np.linalg.norm(filtered[:, :2], axis1) # 找到最近点 min_idx np.argmin(distances) return distances[min_idx], filtered[min_idx]这里的 z_min 和 z_max 很关键。如果直接把整帧点云拿来算距离地面点云会干扰判断导致机器人原地不动。过滤掉地面和头顶以上区域后避障逻辑才更可靠。5.4 点云数据流的工程化注意事项真实机器人系统里激光雷达点云的吞吐量虽然比图像小但也不可忽视。以 10 万点/秒的雷达为例一帧 10Hz 的点云每帧约有 1 万个点。如果每个点用 16 字节表示一帧数据约 160KB对主控传输和处理都构成一定压力。工程上常见做法包括体素滤波下采样把空间划分成小立方体每个立方体保留一个代表点直通滤波只保留感兴趣区域内的点地面分割先用 RANSAC 或其他方法分割地面再做目标聚类时间同步确保点云和 IMU、相机数据在同一时间基准下对齐。这些算法本身不复杂但在机器人低功耗平台上的性能优化往往决定整个产品体验。6. 从产品参数看机器人激光雷达的技术拐点6.1 几个关键参数解读视场角FOV水平视场角决定机器人能不能“看到”侧面和后方的障碍物。360° 覆盖适合移动底盘非重复扫描方案更适合需要在有限视角内获取密集点云的场景。测距范围不要只关注最大测距要看“在目标反射率下”的测距。很多雷达标称 100 米是在 80% 反射率下测得的换成深色衣物或黑色轮胎有效测距会显著下降。点频即每秒输出点数。点频越高单帧点云越密小物体检出率越高但功耗和算力开销也会增加。功耗与体积对机器人尤其是人形机器人这两项指标有时比测距更重要。6.2 技术拐点的核心驱动力激光雷达在机器人场景放量的根本原因仍然是成本下降。当一颗能输出三维点云的激光雷达价格降到“机器人整机成本的 5% 以内”时产品经理就有动力把手里的单线激光雷达或深度相机替换成它。原因很简单三维点云对机器人的避障、导航、目标识别能力提升非常明显而以前的方案要么视场角不够要么在强光下失效。从这个角度看速腾聚创机器人业务占比过半不意味着“车载不行了”而是说明“机器人市场接受度已经到了临界点”。如果用一个简化的产业发展逻辑来理解激光雷达价格高 → 只能用于高端自动驾驶 激光雷达价格下降 → 机器人整机愿意搭载 机器人感知能力提升 → 更多细分机器人品类出现 机器人需求反哺硬件迭代 → 激光雷达进一步降本7. 行业格局与产业链影响7.1 速腾聚创的业务结构变化对产业链的启示机器人业务占比过半会改变一家公司的产品研发节奏。具体表现为硬件产品线向中低端、高集成度方向延伸软件算法从“辅助卖硬件”变为“独立价值点”客户结构从少量大型车厂向大量分散机器人厂商扩散供应链体系要同时满足车规级和大规模消费级两种需求。这些变化对机器人厂商是利好供应商愿意为机器人场景定制产品而不是把机器人当作车载雷达的“边角料”。7.2 机器人硬件与 AI 算法的耦合加深激光雷达点云天然适合与深度学习算法结合。在机器人场景中以下几类算法会被高频使用点云目标检测与分割识别出人、家具、障碍物点云配准与建图用于 SLAM 定位语义地图构建在几何地图基础上增加物体类别信息多传感器融合与相机图像融合弥补雷达点云稀疏、缺少纹理的不足。过去这些算法的开发主要围绕自动驾驶数据集展开而机器人场景的数据分布完全不同室内环境、近距离小物体、动态人员频繁出现、地面材质多样。因此机器人感知算法并不是“复用车载模型”就能解决的。7.3 开发者关注哪些新机会对于技术开发者来说这类行业变化通常会带来几个方向的机会机器人专用点云数据处理库和工具链低成本激光雷达的多机抗干扰方案面向人形机器人的近场感知算法开发激光雷达与视觉、IMU 的紧耦合融合方案从点云直接生成机器人运动指令的端到端模型。这些方向并不需要你从零开发激光雷达硬件而是更依赖对点云特性的理解、对机器人场景的建模能力和工程落地经验。8. 常见理解误区与观察建议8.1 误区一机器人激光雷达就等于低配车载雷达这是一个比较常见的认知偏差。车载雷达追求远距离、高角分辨率机器人雷达追求近场覆盖、宽视场、低功耗、低成本。两者的核心设计目标不同不能简单用“低配”或“高配”来区分。选型时如果不看垂直视场角和近场点云密度只看测距很容易买到“看起来很强大但实际不适合机器人”的产品。8.2 误区二业务占比过半意味着车载业务被放弃速腾聚创的机器人业务占比提升并不代表车载业务萎缩。车载激光雷达依然是公司重要的业务方向只是增长速度不如机器人业务快导致营收占比被稀释。从产业角度这是健康的变化两条业务线共享底层技术分别面向不同市场和客户群抗风险能力更强。8.3 给技术从业者的建议如果你正在做机器人项目的传感器选型建议这样做先定义机器人的核心工作场景室内还是室外需要探测多远会遇到哪些特殊物体再确定点云指标垂直视场角、点频、测距范围、防护等级。接着评估算法链路的算力开销现有主控能不能实时处理这样规模的原始点云。最后做真机测试在目标场景中实测重点看玻璃、镜面、低反射率物体和雨雾环境下的表现。不要只看厂家标称参数尽量直接获取原始点云数据来验证。9. 结语速腾聚创机器人业务占比过半给行业传递的最重要信息并非“某家公司成功了”而是激光雷达这门技术在自动驾驶之后找到了第二个大规模落地场景。机器人感知从“能用摄像头”走向“需要更可靠的三维感知”激光雷达则从“车载专用件”走向“机器人通用传感器”。对开发者而言这既是新的学习方向也是新的工程挑战。无论你关注的是点云算法、嵌入式平台、机器人硬件集成还是产品决策都可以从这次业务变化中观察到技术扩散的典型路径先由高价值场景推动技术成熟再通过成本下降进入更广泛的市场最终成为基础能力的一部分。