07传感器体系：车和机器人差在哪

两个领域的算法已经明显合流，传感器清单却几乎不重叠。下面先把两份清单摆出来， 再往下找它们共同指向的结构性原因。原因找对了，以后见一个新传感器，属于哪一边自己就能判断。

车独有 4 类 机器人独有 6 类 六个根源

一、两份清单

把一台智能汽车和一台人形机器人的传感器并排放：

传感器复用度          智能汽车          人形机器人
─────────────────────────────────────────────────
CIS（图像传感器）      10~13 颗          5~8 颗          ← 高度复用
激光雷达              有（长距车规）      有（短距低成本）  ← 同品类，不同规格
IMU                   2 颗              2~4 颗           ← 复用

⚠️ 毫米波雷达          1~6 颗（标配）     几乎不用        ← 车独有
⚠️ 超声波雷达          12 颗（泊车标配）   几个（避障）     ← 车独有
⚠️ 力/触觉传感器        0 颗             30+ 颗（全身）   ← 机器人独有

最后三行值得多看一会儿。差异不在型号上，而在整整几类传感器只存在于一边。 Counterpoint Research 在 2026 年 8 月的报告里把它归成两份清单：智驾有、具身没有的四类，和反过来的六类。

二、车独有：4 类

1. 毫米波雷达（车上 1～6 颗，机器人几乎不用）

Counterpoint 的原话只有一句：「速度慢、距离短，分辨率优势无从发挥。」 雷达在车上的三个价值，到了机器人身上一个都成立不了：

雷达的价值在车上的理由在机器人上
测径向速度（多普勒）高速相对运动，测速极准机器人速度慢，测了也没用
穿透雨雾室外全天候室内没有雨雾
长距探测200 m+机器人只管 5 m 内
角分辨率低（短板）靠其他传感器补近距离反而更糟

雷达本身没坏，只是优势用不上、短板全露出来。

2. 超声波雷达（车上 12 颗，机器人只有几个）

车上装 12 颗是为了覆盖整个车身轮廓做泊车测距，而且一颗只要几块钱。机器人这边：

3. 车规级长距 LiDAR 与 RTK 组合导航

容易误解的一点：激光雷达这个品类两边都有，规格却差得非常远。

车机器人
探测距离100～250 m几米～几十米
认证车规（AEC-Q100、-40~85°C、振动、10 年）工业级 / 消费级
成本几千～几万元几千元
体积车顶 / 翼子板可以很小
ADAS　高级辅助驾驶（Advanced Driver Assistance Systems）。 L1、L2 这一档的总称：车道保持、自适应巡航这类，人还得盯着。
机器人这块的增速

速腾聚创 2026 上半年机器人领域的激光雷达卖了 28.26 万台，同比增长 510%，增速是 ADAS 业务的五倍以上。

GNSS　卫星定位的统称，GPS、北斗、GLONASS 都算。
RTK　实时差分定位。靠一个位置已知的基站算出修正量， 把定位从米级压到厘米级。

GNSS/RTK 那部分：机械臂完全没有，它在室内固定位置工作。只有室外移动机器人有，精度要求也低得多。

4. 车规级 HDR 与 LED 闪烁抑制相机

车上必须有，要对付的实际场景是：隧道口进出的大光比、LED 路灯和车灯的高频闪烁、 阳光直射、雨雪。机器人大多在室内可控光照下工作，不需要为这些付钱。

三、机器人独有：6 类

1. 关节编码器（这一类最重要）

Counterpoint 那句话点得很准：「机器人每个关节集成电机、减速器、编码器、伺服驱动， 单台配备数十个独立伺服系统。」

车上根本不存在这个品类。原因在自由度：

自动驾驶车：  ≈ 6 个自由度（核心控制量只有【转向角】和【加减速度】）
人形机器人：  数十个自由度（腿、手、头、躯干要协调）

自由度差一个数量级，传感器品类就差出一整个大类。

2. 力 / 力矩传感器（全身 30+ 颗）

位置作用
关节力矩力控、柔顺控制、碰撞检测
腕部六维力/力矩（F/T）装配、插拔、打磨，接触类任务必需
指尖触觉抓取力控制、滑动检测

车为什么不装？因为车不接触世界，只观察世界。观察者不需要触觉，操作者才需要。 这一个区别就决定了整类传感器的有无。

Science 有篇文章的标题把它写得很直白： 「Robots that share our spaces require proprioception and a sense of touch」 共享人类空间的机器人，必须要有本体感知和触觉。

3. 触觉传感器

抓鸡蛋不碎、插 USB 不歪，靠的都是触觉。车上找不到对应物。

4. 深度相机（RGB-D）

车基本没有，而且原因是物理层面的。

技术原理工作距离阳光下
结构光投射红外散斑图案，看形变0.2～3 m❌ 崩溃
ToF红外脉冲飞行时间0.2～5 m⚠️ 严重退化
双目立体纯被动，算视差0.3～10 m⚠️ 纹理少的区域失败
 
为什么结构光 / ToF 在室外阳光下失效？

  传感器投射的红外图案  →  强度有限
  太阳的红外辐射        →  强度高几个数量级
  → 信噪比崩塌，投射的图案被"淹没"在阳光里

那 LiDAR 用的也是红外（905 nm），为什么能在阳光下工作？因为它同时用了四重手段：

① 高峰值功率的脉冲（不是连续投射）
② 窄带光谱滤波（只收 905nm ± 几 nm）
③ 时间门控（只收"应该回来"的那个时间窗）
④ 相干探测（FMCW，看频率而非强度）
FMCW　调频连续波（Frequency-Modulated Continuous Wave）。 出射光的频率一直在变，靠回波的频率差算距离和速度。能同时测速，也不受阳光影响。

同样是红外，「低功率连续投射」和「高功率脉冲加窄带加门控」是两个世界。 车只能付 LiDAR 的钱，机器人用得起便宜的深度相机。这是工作距离加环境一起决定的选型， 不是谁想用谁不想用。

5. 足底压力传感器

平衡控制的直接反馈，双足和人形独有。轮式车没有「足底」这个概念。

6. 麦克风阵列与扬声器

两边都有麦克风，定位不同。车上是一两个近场拾音单元，服务于指令识别； 机器人是阵列，要服务远场、多方向的对话。

四、差异的六个根源

两份清单一并看，差异显得零散。其实它们都回溯到同一组结构性原因，一共六条， 按解释力从强到弱排在下面。

根源 1：自由度（6 对数十）

6 个自由度    → 控制量是【转向角 + 加减速度】两个标量
                 → 不需要知道"身体各部位在哪"
                 → 不需要关节传感

数十个自由度  → 要协调腿/手/头/躯干
                 → 必须知道每个关节的当前状态
                 → 数十个编码器 + 数十个伺服系统

根源 2：开环观察者与闭环参与者

车：  只观察世界，输出（轨迹）不改变它看到的东西
      → 不需要本体感知

机器人：操作世界，动作会改变下一秒看到的东西
      → 必须知道自己在哪、用了多大力
      → 本体感知（proprioception）是必需品

根源 3：工作距离（2～250 m 对 0.2～5 m）

长距  → LiDAR + 毫米波雷达 + 长焦相机
短距  → RGB-D + 广角相机

工作距离本身又受环境约束。室外阳光杀死了低功率主动红外，所以车只能用贵的 LiDAR。

根源 4：成本结构

BOM　物料清单（Bill of Materials）。一台整机所有零件加起来的成本， 不含研发和人工。所以 BOM 占比讲的是"钱花在哪一类零件上"。
最大 BOM 项占比
新能源车动力系统35～40%
执行系统（底盘加线控）仅 15～20%
人形机器人关节、电机、减速器、灵巧手> 60%

车的钱花在动力上，机器人的钱花在执行上。车的传感器预算有整车利润摊， 机器人的传感器预算被执行器挤，所以只能用便宜方案。

根源 5：量产规模

2026 年中国预计  1,600 万辆  新车搭载 L2 ADAS
2025 年全球      不到 2 万台  人形机器人出货

差了三个数量级。Counterpoint 的结论很直接： 「对机器人而言，BOM 下降的首要驱动力是规模效应，而非技术突破。」

根源 6：功能安全标准

ISO 26262　汽车功能安全国际标准，管的是"系统坏了怎么办"。
SOTIF　预期功能安全（ISO 21448），管的是"系统没坏，但场景它没料到"。
ISO 13849 / 13482　机器人侧的安全标准，起步比汽车晚得多。
标准认证周期
汽车ISO 26262 加 SOTIF 加网络安全，三重叠加3～5 年
机器人ISO 13849 / 13482，标准仍在起步短

车规认证是天价，逼着传感器厂商做冗余和极高可靠性。机器人暂时不用付这个成本， 可以先用便宜的消费级器件。

这一条正在变化。Counterpoint 判断：随着机器人走向消费场景，标准必然抬升， 届时车规级供应商的先发优势会更突出。

五、技术融合，产业分化

这是 Counterpoint 的核心论点。两边的清单分成了两套，底座技术却在快速合流； 产业结构的分化则会长期存在。

合流的地方

VLA　Vision-Language-Action。把看到的画面和一句语言指令， 直接变成一串动作。传统做法是感知、规划、控制三段分开，VLA 想用一个模型端到端做完。
BEV　鸟瞰图（Bird's Eye View）。把多个相机的画面拼成一张从上往下看的图。
OCC　占用网络（Occupancy）。把空间切成小格子，逐格判断"这里有没有东西"。 比 BEV 多一个高度维，翻倒的锥桶、掉落的货物这类异形障碍物靠它才看得见。
层面情况
硬件CIS 高度复用；LiDAR 和 IMU 同供应商双赛道
算法两条路径在占用网络（OCC）汇合。自驾的 BEV→OCC 解决异形障碍物长尾，机器人天然需要 3D 理解
决策VLA 是两个行业共同押注的范式
芯片NVIDIA Jetson AGX Thor 一芯两用（Isaac GR00T 与 DRIVE Thor）
仿真Omniverse 的 SimReady 资产在 CARLA 和 Isaac Sim 之间迁移；特斯拉一套仿真引擎同时服务 FSD 和 Optimus
产业截至 2026 年 8 月，近 20 家车企进入人形机器人赛道

典型案例：小鹏 IRON 直接复用 XNGP 智驾的鹰眼视觉方案，3 颗图灵芯片，720° 感知，完全没有 LiDAR。

分化为什么也会长期存在

功能安全、成本结构、量产规模这三条，不会因为技术相通就消失。也就是根源 4、5、6。

MPC　模型预测控制（Model Predictive Control）。 每一步往前预测一小段时间，在线算出一组最优控制量，只执行第一步，下一步再重算。
同样是 VLA，输出空间差一个量级
自动驾驶:  VLA 输出【路径点坐标】 → 再由 MPC 分解成控制指令
机器人:    VLA 必须直接输出【各关节的高维动作序列】

六、对「标定」这条主线的含义

传感器清单的差异，落到工程上最先撞到的是标定。两边并排看：

车机器人
传感器安装刚性车体，固定不动装在会动的部件上（腕部相机随臂动）
标定频率出厂标一次，管几年手眼标定加运动学链误差累积
标定对象相机、LiDAR、雷达之间的跨模态对齐相机与末端执行器（手眼），加关节链
冗余度多传感器互补，坏一个还有别的通常没有冗余
误差后果厘米级够用（2 m 外）毫米级要求（0.3 m 处 1° 就是 5 mm）
从车转到机器人，标定的地位是上升的
车：标定主要是【跨模态对齐】（相机给 LiDAR 上色）
    错了不会立刻出事，因为有冗余

机器人：标定是【闭环的前提】
    手眼标定错了  → 抓不准
    运动学链错了  → 累积偏移
    误差在近距被放大 → 5mm 就可能抓空
    而且【没有冗余】可以兜底

这解释了为什么「VLA 让标定重要性下降」这句话需要限定条件：

七、这一页带走什么

两份清单和六条原因
车独有：    毫米波雷达 · 超声波泊车阵列 · 车规长距 LiDAR
            · RTK 组合导航 · HDR/LFM 相机
机器人独有：关节编码器 · 力/力矩传感器 · 触觉传感器
            · RGB-D 深度相机 · 足底压力 · 麦克风阵列

根源（按解释力排序）：
  ① 自由度        6  vs  数十        ← 最本质
  ② 开环/闭环     观察者 vs 操作者    ← 决定要不要本体感知
  ③ 工作距离      2-250m vs 0.2-5m   ← 决定传感器原理能不能用
  ④ 成本结构      动力占 40% vs 执行占 60%
  ⑤ 量产规模      1600 万辆 vs 2 万台   ← 差三个数量级
  ⑥ 功能安全      ISO26262 三重 vs 标准起步阶段

两者在算法层（OCC、VLA、芯片、仿真）正在融合，产业层会长期分化，因为 ④⑤⑥ 是结构性的。 对标定的影响是：从车转到机器人，标定的地位上升，不是下降。

← 上一页：平台的工程真相　·　 下一页：点云格式与 PCD →

数据来源：Counterpoint Research，2026 年 8 月。
京ICP备19013239号