一直以來，雙目立體感知技術是輔助駕駛賽道的小衆路線。

　　支持者認為，立體感知接近人眼仿生概念，基于三角測量原理，利用成像設備從不同的位置獲取被測物體的兩幅圖像，通過計算圖像對應點間的位置偏差，來獲取三維幾何信息，最顯著的優勢就是對于深度信息的有效解讀。

　　從目前市場的整體情況來看，2MP雙目立體感知将主要用于低階智能駕駛，8MP将主要用于高階智能駕駛。同時，市場還在演化出一些新的技術路線，比如雙目立體感知基礎上的AI深度學習，增加紅外感知能力等等。

　　近年來，除了傳統幾家海外玩家（比如，Veoneer、大陸集團、博世），來自中國的華為、大疆等企業也在布局雙目立體感知方案，國内也有不少車型陸續開始搭載這種方案。

　　而在此之前，雙目立體感知方案僅限于斯巴魯、寶馬、奔馳、捷豹路虎等少數品牌車型。

　　近年來，一些企業還通過與空氣懸架的概念結合，推出了基于雙目立體感知的“魔毯”功能。不過，這也受制于空氣懸架的前裝搭載能否成為主流趨勢。當然，還有其他技術可以替代雙目立體感知方案。

　　但質疑者也有很多，比如，硬件上需要兩個精确配準的攝像頭，而且需要保證在車輛運行過程中始終保持配準的正确性。軟件上的算法需要同時處理來自兩個攝像頭的數據，計算複雜度較高，算法的實時性難以保證。

　　這也是大疆在推廣雙目立體感知方案時，特别強調的部分：雙目立體視覺感知系統采用在線自标定技術，能有效避免因溫變、振動等環境因素而引起的基線變化所導緻的感知性能下降，讓産品更穩定可靠。

　　此外，盡管近年來雙目立體感知方案的成本在逐步下降，但和單目方案相比，車企的供應商可選擇性（替代）較少，相應的算法和規控技術，尤其是底層技術堆棧的軟件工程師相對缺乏。同時，包括基線、耐久之後的像素匹配魯棒性，還有容錯率的評估，對于大部分車企驗證系統來說，都非常困難。

　　與此同時，“短基線”間距的問題依然困擾雙目立體視覺的可靠感知測距範圍，盡管也有企業開始在研發不依賴于固定基線的解決方案。而從市場進展來看，前裝量産搭載仍然是難以起量。

　　高工智能汽車研究院監測數據顯示，2022年1-6月中國市場（不含進出口）乘用車新車搭載雙目立體感知方案交付上險僅為11.23萬輛（占所有感知方案比重不到3%），同比更是下滑1.66%。

　　同時，雙目立體感知方案的安全可靠是否真的能夠超過目前的單目方案？

　　作為全球最早大規模搭載雙目立體感知方案的斯巴魯，在去年權威機構發布的輔助駕駛事故調查報告中，其與特斯拉、本田一起成為三家提交事故報告最多的品牌。

　　就在今年初，有不少車主投訴，斯巴魯EyeSight系統的AEB緊急制動功能會出現随機激活的問題，包括在道路上沒有障礙物的情況下。這意味着，雙目立體視覺技術同樣和單目一樣，存在一定的感知盲區。

　　有意思的是，日前在斯巴魯最新推出的EyeSight輔助駕駛系統中額外增加了一顆單目廣角攝像頭，用于識别立體相機視角無法覆蓋的範圍。按照該公司給出的報告稱，當車輛以低速進入十字路口時，額外的單目攝像頭提高了識别行人和自行車（騎行人）的性能。

　　顯然，在經曆了數次技術疊代之後，斯巴魯EyeSight這套經典的雙目立體感知方案也感受到了系統在面臨不同場景時的可靠性壓力。而主流的單目感知方案，也在不斷升級。

　　比如，2019年，在第三代視覺産品IFVS-500的研發中，智駕科技MAXIEYE通過算法的創新，提出基于單幀圖像的深度估計，實現三維立體場景構建，并基于三維信息，實現精準測距測速，平均精度誤差達到5%以内。

　　這一代産品突破了傳統單目視覺的感知局限，能夠識别實線、虛線、雙實線等7種以上車道線以及停止線、斑馬線，支持三維數據輸出。同時可以進行可行駛區域的檢測，預估路面坡度、地形。

　　此外，随着車身環繞攝像頭數量的增加、攝像頭像素的提升，類似特斯拉、Mobileye的單目多攝像頭感知技術已經成為市場的主流方案。同時，4D成像雷達 激光雷達的組合，提供充分的感知冗餘。

　　高工智能汽車研究院監測數據顯示，今年上半年單目多攝像頭環繞感知方案交付上險達到27.63萬輛，同比增長95.82%，加上今年下半年還有多款主力車型上市交付，将繼續保持高增速趨勢。

　　考慮到單目感知技術的成熟，再加上4D雷達 激光雷達的融合，充分發揮4D感知傳感器的作用，從而彌補傳統深度學習方法無法實現的動态精度感知。

　　比如，按照Mobileye給出的方案，L4級系統是基于360度環繞的攝像頭（前向可以采用多顆單目攝像頭）、4D成像雷達，隻需要一個高分辨率的前置FMCW激光雷達，就可以實現純視覺感知、4D成像雷達 激光雷達兩套并行的冗餘感知組合。

　　同時，為了充分利用多攝像頭環繞的優勢，包括特斯拉、Mobileye等公司也在推動不受限于特定位置攝像頭（僅僅解決前向還是不夠的）的Vidar感知技術（産生類似雙目立體的點雲），利用神經網絡模型來實現3D深度感知。

　　比如， 通過多個計算機視覺感知引擎，并在後期進行融合，配合基于神經網絡的三維物體檢測引擎、基于神經網絡的場景分割引擎和經典的計算機視覺引擎。多個視圖進行三角測量（或單一攝像頭的多幀圖像）并創建深度圖（轉換為點雲），基于類似激光雷達的點雲處理算法。

　　,