※ 引述《ykjiang (York)》之铭言：
: 从最基本的原理来说，光达跟雷达就是用来测距，理论上只有一维的资讯
: 三维的部分是经过一些设计、运算后得到的
: 反而镜头得到的一开始就是二维资讯，然后可以经过运算得到三维的资讯，
这边看完，我的感想只有“供三小？”
雷达与光达在原理上是利用扫描的方式，取得距离与向量，本质上资料的维度就是大于二维了。
是什么时候变一维的？如果要这么瞎扯，那镜头里的CMOS一次也只能读一个cell的资料，
一样得要逐个扫描才能得到二维影像（这个就是所谓的果冻效应的成因），
照你的说法，镜头不也一样是一维的？
: 特斯拉更进一步从中取得四维资讯（多的那维是时间轨迹预测）
这边也不知道在供三小
在半个世纪前，雷达后处理技术就已经发展出利用比对前后时间目标的变化，预测目标未来位置，
并且持续追踪的技术。甚至还有类似合成孔径雷达（SAR）那种利用时间与位移积分，
利用二维扫描形成3维雷达影像的技术。
而利用都卜勒滤波技术，甚至不需要比对前后时间的资料，就能直接得到目标的速度，
在半个世纪前，雷达就能直接利用都卜勒测速，外插推估目标的未来位置。
但也没人讲雷达是四维资料的探测器。
而特斯拉的前镜头并没有构成立体视觉，就算加上时间预测，也只能构成2.5D，
（三个定焦镜只能利用影像模糊的程度大致判断距离）,这也是特斯拉自动驾驶在视觉深度一直为人所诟病的地方。
: 以目前的技术：
: 距离方面，光达的精度比较高
: 平面部分，镜头的精度较高，然后镜头还可以判断颜色这个重要资讯
: 以自动驾驶而言，两者的精度都超过人眼了
: 所以关键还是在 AI 等其他方面
无脑特粉才会觉得只靠镜头和AI就行
真的在搞自动驾驶的，在研究的是怎么做多传感器的融合。
https://global.kyocera.com/ces/img/sensing-technology/sec11_img03.jpg
像是直接将光达和摄影机做成同一个传感器，就是其中一个方向。
: ※ 引述《airforce1101 (我不宅)》之铭言：
: : 影像、雷达、光达不太一样，我把影像与雷达、光达拆成两类好了，影像对于讯号处理来
: : 说属于二维阵列，但是雷达与光达可以带回三维的目标资讯，雷达就是低频段的光，因频
: : 率特性不同，所以适用场景不同，光达的脉冲时间很短，所以较于雷达相比，对于相同目
: : 标，可以带回更高精度的资讯。
: : 光达的领域上有关延展性目标，可以参考K. Granstrom, M. Baum, and S. Reuter 所著
: : 的这篇文章 Extended object tracking: Introduction, overview, and application.
: : 在AI辅助下，或许环境良好下影像能做到光达能大多数能做的事，但某些判断影像与光达
: : 先天上的差距还是存在。
: : 其实也好奇，传感器与影像间的关联是否让AI找出并学习其特征向量，有待高手解答了。