激光雷达行业深度报告激光雷达电光初现,上
（报告出品方：长江证券）
激光雷达：技术面静水流深，市场层百舸争流
激光探测优势众多，技术发展源远流长
激光雷达是利用激光作为信号波的一种探测装置。LiDAR（光探测和测距，Lightdetectionandranging）是激光雷达的简称，集激光、全球定位系统(GPS)、惯性导航系统(INS)于一身。与普通雷达类似，激光雷达通过探测被物体弹回的信号波实现测量，不同的是其利用激光作为信号波。由于激光具有高亮度、高相干性以及良好的单色性和方向性，激光雷达常有测量准确、不易受扰等优势。
从结构上看，激光雷达分为四大部分，即发射模块、接收模块、扫描模块、控制模块。在激光雷达工作时，发射模块负责发射激光，扫描模块负责对特定区域进行扫描，接收模块探测回光，控制模块则对点云图进行处理，最终完成探测。
激光雷达历史悠久，近年在自动驾驶领域发展迅猛。年，人类第一台激光器诞生。年，美国Syracuse大学的Hickman和Hogg建造了第一个激光海水深度测量系统。20世纪90年代，激光雷达被用于地形勘测。年德国Stuttgart大学的Ackermann教授研制出第一台激光断面测量系统，形成机载激光扫描仪。此后，星载激光雷达的技术逐渐成熟。年，NASA提出将其用于测量两极冰面变化，正式将地学激光测高仪列入地球观测系统。近年来，激光雷达被用于自动驾驶领域，迎来了全新的发展机会。
激光雷达下游应用广泛，民用场景逐渐拓宽，包括采矿、林业、考古学、地质学、地震学、地形测量、林业勘测、灾害预警、AR/VR、无人驾驶、物联网等场景。从下游看，因成本较高、体积巨大等因素，激光雷达主要用于军事或公共领域。但是近年来，随着技术发展和产业链成熟，激光雷达也在民用领域逐渐展开拳脚，例如在手机、AR/VR、自动驾驶等领域的普及加速。
分类尺度众多，技术原理复杂
以扫描模块为尺度，激光雷达可分为机械式、半固态式和固态式。机械式激光雷达：带有机械式转台，通过转动发射模块可以实现度的水平测量角度。且机械式激光雷达扫描速度快，抗干扰能力强。但是机械式激光雷达依靠机械结构转动实现扫描，有物理磨损严重、成本高昂、体积笨重等缺点。为了绘制更精细的点云图，机械式激光雷达常配备多个发射和接收器，即常说的16线、32线、64线等。多线束激光雷达的角分辨率较优，可捕捉远处较小的物体。
半固态式激光雷达各种方案均有长短。MEMS方案的优点是成本较低，尺寸小，但是微振镜通过单晶硅悬臂固定，系统相对脆弱。且信噪比、视场角、探测距离等方面也存在一定限制。转镜方案中镜片绕圆心旋转，因此功耗低、耐用性强，易通过车规。但转镜方案在信噪比、视场角、探测距离等方面也有待提升。棱镜方案可增加激光线束提高精度和探测距离，但是中心点云密集，边缘稀疏，扫描图形复杂，后端算法成熟度较低。从终端应用上看，各种方案均有较成熟的玩家。MEMS方案玩家有Innoviz、禾赛科技等；转镜方案主要玩家有华为、法雷奥、Luminar、Innovusion等；棱镜方案是大疆Livox览沃首创。
从汽车级应用看，固态式激光雷达是理想的选择，半固态式激光雷达是过渡产品。机械式激光雷达虽然FOV大，性能优良，但是也存在诸多致命缺陷：1、机械转台转动带来了物理磨损，设备损耗严重，平均失效时间仅-小时，难以达到车规级的寿命要求。2、转台要求四周无遮挡，因此必须安装在车顶。一方面影响美观，另一方面难以很好的防护日光、雨水及行车过程中高速流动的空气。3、成本昂贵，包括制造成本和调试成本。机械式激光雷达制造成本高昂，且需人工调试，交货周期长，民用车辆显然无法承受。长期看，固态式激光雷达不存在机械运动，使用寿命和体积的问题都可以解决，并且随着大规模量产，边际成本可以降到很低，尤其是固态激光雷达的OPA方案是车规级激光雷达的理想方案。半固态式激光雷达是机械式激光雷达和固态式激光雷达的折中，仍然存在少量机械运动，目前半固态式各方案（棱镜、转镜、MEMS）均已有车规级产品，逐渐实现上车。
nm的激光雷达探测距离可达m左右，基本可以覆盖日常驾驶场景。通过公开数据，干燥水泥路面的附着系数约0.7~1.0，潮湿水泥路面的附着系数大约0.4~0.6，下雨刚开始时的附着系数约0.3~0.4。假设反应时间为0.5秒，g为9.8m/s^2，根据物理学路程公式可计算出制动距离。在车速Km/h时，三种路面的制动距离均低于m，而车速Km/h时，仅在干燥路面上制动距离小于m。根据《中华人民共和国道路交通安全法实施条例（年颁布）》，高速公路应当标明车道的行驶速度,最高车速不得超过每小时公里,最低车速不得低于每小时60公里。因此，m的探测距离可覆盖几乎所有驾驶场景，再通过设置智能驾驶系统，让车速在下雨时自动衰减便足以保证安全。
以探测原理为尺度，激光雷达可分为三角测距法、飞行时间法(TOF)、连续调频法(FMCW)等等。
三角测距法：激光经过不同位置的物体被散射后返回的光线被透镜聚焦在光电器件的不同位置上，通过计算便可得出被测物体之间的距离。常见的三角测距法有直射式和斜射式等，直射式指激光垂直于被测物体表面射入，斜射式指激光入射时保持一定倾斜。三角测距法的分辨率会随着距离变化而波动。且由于利用几何关系来实现探测目的，每次变化都需要光电器件读取出位置信息，故响应速度提升较为困难。
飞行时间法：即TOF（TimeofFlight)，激光从发射器发出后经被测物体弹回再被接收，由于光速是确定的，因而激光飞行的时间差便包含了物体的位置信息。其中，TOF方案可分为dTOF和iTOF两种，其中dTOF直接测量飞行时间，iTOF则通过测量相位间接得到飞行时间。相比较下，dTOF的抗干扰力较好，有效测量距离更远，而iTOF的图形分辨率较高。总体看，TOF方法响应速度快，探测精度高。但是工作条件较为苛刻，比如脉冲发射峰值较大、回波信号微弱等。TOF方法发展较为成熟，是目前车规级激光雷达的主流技术。
FMCW法：将发射激光的光频进行调制，通过回波信号与参考光相干并利用混频探测技术可得到频率差，间接得到飞行时间从而算出目标物距离，若被测物体正在移动，则结合多普勒效应可测出物体的速度。FMCW法具有很强的抗干扰性，但是由于技术难度高，目前在研居多。
TOF方案性能优于三角测距法，目前是车规级应用的主流。三角测距法成本较低，但是性能较差。TOF方案可在短时间内发射出大量激光，并且接受回光进行分析，具有扫描速度快、扫描区域广、精度较高等优点。FMCW方案性能优越，但技术难度大，成本很高，目前在研居多。TOF方案不能直接获取被测物体的速度，且雨雪天易受干扰，车辆之间的串扰问题也不容忽视。FMCW方案可直接测出物体的移动速度，且不易受到干扰，因此信噪比高，在灵敏度等方面也有优势。但是FMCW法集成难度高，对分立器件的依靠较强。尽管如此，随着半导体技术的发展，FMCW集成程度可以更加彻底从而享受到摩尔定律的红利。此外，FMCW对通道要求较高，这直接使其成本居高不下，短期内很难降下来。长期看，成本降低要求规模量产、供应链成熟等。综上所述，从技术角度看，nm+FMCW+OPA方案是激光雷达的理想方案，但是短期内/nm+TOF+半固态/Flash的方案将占据主流市场。随着汽车智能化的发展，TOF方案面临的串扰会日渐突出，FMCW的优越性会逐步展露，而且FMCW方案天然的适合OPA。当然这些都是在理想情况下，要实现量产还须具备条件：（1）技术成熟度提升。（2）规模化量产，降低边际成本。
市场空间广大，竞争格局相对分散
激光雷达市场规模年将达.4亿美元，~年CAGR达64.5%。一般而言，自动系统需监测外界变化并作出决策，而获取信息的途径便是各种各样的探测器。激光雷达作为探测家族中的重要一员，有着难以替代的优势。随着自动驾驶、物联网、无人机、AR/VR等领域的快速发展，激光雷达需求迎来爆发增长。根据沙利文研究的数据，激光雷达市场年为6.8亿美元，年将达.4亿美元，GAGR达64.5%。
激光雷达技术门槛高筑，但市场竞争格局相对分散。激光雷达技术壁垒较高，但除Valeo外市场较为分散。根据Yole的测算，汽车与工业激光雷达市场中Valeo有绝对优势，市场份额达到28%，这主要是因其积淀多年。但除Valeo外，市场集中并不十分显著，尤其近年汽车智能化的快速发展给很多新玩家带来了机会。
技术方面，nm和机械式激光雷达是当前市场主流。从激光波长角度看，nm的激光雷达是当前市场主流，份额达到69%；从扫描方式看，机械式激光雷达是当前市场的主流，市场份额达66%，其次是MEMS激光雷达，市场份额达17%。
下游应用：新势力成长，构筑LiDAR确定性
自动驾驶等级划分逐渐清晰，L3及以上才能被称自动驾驶。为了应对自动驾驶行业出现的新变化，美国汽车工程师协会（SAE）于年修订了之前对自动驾驶的划分，在新的标准中，自动驾驶被分为6个等级（L0~L5）。L3及以上的功能才能被称为自动驾驶，L0~L2仅属于驾驶员支持功能。在自动驾驶汽车中，汽车的智能系统是汽车的实际驾驶者。但是，L3中人类驾驶员需根据需要提供接管；L4中自动驾驶功能的实现有特定条件（比如环境等）；L5可以实现完全的、无限制条件的自动驾驶。我国工信部也根据本土情况对自动驾驶等级进行了划分，与SAE的标准没有本质区别。
环境感知主要依靠摄像头、超声波、激光雷达、毫米波雷达等，是自动驾驶之眼。从硬件架构看，自动驾驶真正的落地存在短板效应。感知、决策、控制任何一个环节掉链子都会直接影响到最终的成败。感知层作为信息搜集的环节，是决策层进行正确决策的基础。
单纯从传感器看，各种传感器各有优缺点。
摄像头是市场增长确定性最强的传感器，纵观自动驾驶车企，摄像头均呈现数量增长、像素增加的趋势。光线经光学镜头聚焦在光电器件上，摄像头中的光电器件常用CMOS传感器，CMOS传感器会将光线转换为电信号，电信号经过滤波、放大等一系列处理后可形成图像。摄像头的优势，是可以获得图像信息，从而模拟人类驾驶员最真实的驾驶状态。缺点是探测距离较短，容易受到雨雪等天气的影响，夜间的识别能力大大下降。
毫米波雷达：是指工作在毫米波波段的雷达。毫米波穿透性强，受到雨、雪、灰等因素的影响较小，具有全天候的优点。此外，毫米波雷达具有抗干扰能力强，体积小，易集成，成本低等优势，但是毫米波雷达对静止物体的识别能力较差，空间分辨精度低。
超声波雷达：利用超声波作为信号波进行测量。超声波雷达的优点是穿透性强，测距方法简单，成本较低。缺点是探测距离近，精度低等。
新势力一直是自动驾驶的先锋，包括特斯拉、蔚来、理想、小鹏等，旗下车型在自动驾驶方面持续发力。我们认为新势力在自动驾驶上大力投入的原因至少有几点。（1）自动驾驶代表了新的一轮技术变革，是近年来人工智能、5G、物联网等技术快速发展在乘用车领域渗透的表现，技术变革符合新势力的品牌定位。（2）传统油车的汽车架构已经成熟，惯性较强，在自动驾驶上发力涉及改变电子电气架构、油电转换、软硬件耦合等问题。双碳政策下政府对电车补贴甚多，新势力的产品都是电车，可利用能源上的优势设计合适的电气架构以支持智能驾驶系统运转，从而快速抢占传统油车的市场。（3）在商业宣传上捕捉消费者猎奇的心理，尤其是年轻人追求时尚、新潮、创新的心态，以取得事半功倍的宣传效果。激光雷达是自动驾驶技术路线争议的焦点，由此分化出视觉派和激光雷达派。视觉派以特斯拉为代表，坚持不使用激光雷达；激光雷达派吸纳大部分新势力厂商，认为使用包括激光雷达的多传感器融合才是正确的道路。从目前新势力的主流车型来看，搭载的摄像头数量在8~13个，超声波雷达12个左右，毫米波雷达1~5个左右，激光雷达也渐渐上车，在0~2个左右。
视觉派和激光雷达派的针锋相对由来已久，本报告无意一分高下。但是通过梳理主要成员的技术路径和发展历史，我们可以得出如下结论。1、特斯拉坚持纯视觉路线有其天然优势和发展惯性，短期内不会改变技术路线转向激光雷达派，且特斯拉在新势力中龙头地位短期内难以撼动。2、特斯拉的商业模式难以复制，激光雷达派没有特斯拉一样的海量数据和超算中心。强感知方案可以降低对算法的依赖，整合供应商优势以寻求商业破局。由此给激光雷达的市场带来确定性增长。
视觉派：特斯拉拒绝“激光雷达”的底层逻辑
特斯拉是汽车新势力的典型代表，创立于年。在早年，特斯拉发布了首款汽车Roadster，年公司在美国纳斯达克上市。在随后的几年时间里，ModelS、Model3、ModelY相继发布。年，特斯拉柏林工厂正式开工。
特斯拉产销两旺，市值方面已经远远甩开丰田，成全球第一大车企。销量方面，特斯拉全球销量一直稳步提升。年特斯拉全球销售93.6万辆，同比+87%。年在中国市场局部疫情波动、欧洲市场俄乌战争的背景之下，上半年特斯拉全球交付约56.4万辆。产能方面，目前特斯拉有六大工厂，分别是加州工厂、上海工厂、柏林工厂、德州工厂、纽约工厂、内达华工厂。自动驾驶方面，特斯拉是全球唯一一家核心领域全栈自研的公司。芯片层：特斯拉早期和Mobileye、英伟达等公司合作，随后走上自研道路。在年特斯拉发布的HW3.0中搭载了自研的FSD芯片，算力一路升至TOPS。感知层：相对于国内动辄十余个摄像头的厂商，特斯拉搭载的传感器较为保守。从年发布的HW2.0到现在的HW3.0，均搭载了一个三目前向摄像头，5个环视摄像头，12个超声波雷达和一个毫米波雷达。在年，特斯拉宣布5月开始在美国市场销售的Model3和ModelY将取消前毫米波雷达，改由摄像头提供的纯视觉方案完成驾驶辅助功能。
“既然各种传感器都有优点和缺点，那么在系统里使用多种传感器，通过传感器的互补才能实现自动驾驶？”--实际上，这可能只是一种外行人的思维惯性，或者并非通向罗马唯一的道路。自动驾驶的运算非常复杂，并非简单的加法，本文前面提到过，感知层获取数据后经过决策层运算做出指令。因此额外添加的数据可能提升了决策的正确率，也可能为决策带来了噪音，影响了正确的决策。
我们可以举一个简单的例子说明额外的传感器不一定能对系统起到增益的作用，甚至有可能拖累系统。在后融合算法中，是对不同传感器产生的结果进行仲裁，那么我们假设系统中有两种传感器，当结果中概率大于0.8时就会触发紧急制动。
正常情形下：传感器B识别为危险目标的概率为85%，若系统中仅有B传感器，那么由于结果大于0.8，此时触发紧急制动。当加入传感器A时，由于传感器A的性能较差，对结果进行仲裁时赋予A的权重越大，则系统的结果越不可靠。
极端情形下：传感器B未识别出危险目标（概率值70%），系统不会触发紧急制动。加入的传感器A虽然性能很好，但是由于赋予的权重不够，A的结果并没有起到作用。
我们所举的例子是基于后融合算法。前融合算法或许可以改善这一问题。但我们不能忽略前融合算法的其他问题。前融合算法中的模型需要大量的数据来训练，对芯片、通讯等硬件的要求很高，也会面临新的问题，如坐标对齐等。目前的ADS算法也正在从后融合算法向特征级前融合算法转化，多采用CNN、RNN、Transformer、GNN多网络结构的组合，算法非常复杂。而特斯拉便是采用“前融合”的思路，将车身周围的多个摄像头获得的数据直接进行融合，再通过神经网络将2D的图像信息映射为3D的空间。
特斯拉拒绝激光雷达的理由二：特斯拉天然优势：海量数据+超强算力。数据库的建立是成功的前提。我们可以把计算机理解为一个勤奋的笨小孩，机器学习的模型训练就是用数据不断的告诉这个笨小孩什么样的场景应该怎么做，但尽管如此，当遇到全新的场景，这个笨小孩还是会一头雾水。因此，路况信息的搜集是成功的前提。前面提到，特斯拉年全球汽车销量达93.62万辆，年上半年在大环境承压的情况下交付量仍超56万辆。如此庞大的销量远非其他新势力可以比拟。这些汽车行驶在世界各地，为特斯拉搜集到了海量的路况数据，建立起了庞大的数据库体系。特斯拉“影子模式”，首次实现数据有效采集。影子模式是指无论驾驶员是否开启了自动驾驶功能，系统及传感器依然在工作。系统算法一直在对汽车的驾驶进行模拟决策，一旦驾驶员的操作与系统算法做出的决策相矛盾，该场景便会被定义为极端路况，进而将数据传到特斯拉的服务器修正模型。超强算力是训练优质模型的基础，特斯拉打造世界上最快的AI训练计算机ExaPOD。特斯拉年发布了自研AI训练芯片DojoD1。这款芯片采用了纳米技术，片上集成了亿个晶体管，单片FP32的算力可达22.6TOPS，BF6/CFP8算力可达到TOPS。在D1的基础上特斯拉在系统层面设计训练模块，再由个训练模块共同构成ExaPOD超级计算机。该计算机总算力达1.1EFLOPS，是世界上运算速度最快的AI训练计算机。
从数据的采集到模型的训练，从感知到决策，特斯拉构筑起来的城墙很高，竞争对手在短期内很难跨越。通过纯视觉方案采集的数据，再辅以超强计算机的模型训练，其在自动驾驶领域仍处于领先地位。
特斯拉拒绝激光雷达的理由三：性价比，轻量化的商业模式。第一性原理是指根据原子核和电子相互作用的原理及其基本运动规律，运用量子力学原理，从具体要求出发，经过一些近似处理后直接求解薛定谔方程的算法。通俗的理解“第一性原理”就是为道日损，返本归元。而在特斯拉发展过程中“第一性原理”熠熠生辉，简而言之就是降本增效，例如简化设计，省去不必要的器件等。在激光雷达的问题上，机械式激光雷达一度动辄数万美金的价格让民用车辆高不可攀。近年来，随着半固态方案逐渐商业化落地，激光雷达的价格直线下降，但是目前为止，激光雷达价格相对于摄像头而言还是很高，目前市场上的激光雷达价格在美金左右，而一个车载摄像头的价格仅数十美元。搭载激光雷达将使得单车成本上升，阻碍其轻量化普及的进程。因此，如果激光雷达不能配合后端算法出现较大的性能飞跃，盲目搭载或许并非明智选择。
激光雷达派：成本鸿沟渐填平，落地上车正当时
为什么特斯拉外的众多新势力及传统主机厂都加入了激光雷达派的阵营？我们认为至少有下列三大理由：
理由一：纯视觉方案在感知层的缺陷非常明显，特斯拉短期内也无法解决。纯视觉的方案缺陷众多，不是所有车企都有特斯拉一样强大的背景。毋庸置疑摄像头是不可或缺的，因为摄像头可以模拟人类驾驶员真实的状态，获取交通标志、红绿灯等颜色信息，这些是其他传感器无法做到的。但是摄像头的缺点也很突出，比如受雨雪雾天气影响大，夜间性能直线衰减。在很多情形中，纯视觉方案可能会因缺乏位置信息导致失效，例如：情形一：纯视觉方案可能将汽车外粘贴的广告人物识别为行人，从而触发紧急制动，导致“幽灵刹车”的发生。情形二：当大量的白色背景出现，会给算法带来难度。例如特斯拉曾经撞向停在路边的白色货车，可能原因就是视觉系统将其识别做白云之类的物体。纯视觉方案的缺陷归根结底是位置信息的缺失，激光雷达正好可获得位置信息。激光雷达收集回光绘制点云图，可以直接获得物体的距离信息。例如，在情形一中，由于广告画中的人是平面的，因此不可能是行人。而情形二中，车辆本身是一个立体的物体，与环境存在差异。因此，若激光雷达将位置信息告知智能系统，则这些错误或许可以补救。
理由二：激光雷达成本是阻碍普及的最大障碍，但目前已直线下降至绿灯区。早期的激光雷达价格昂贵，Velodyne公司64线机械式激光雷达的售价约8万美元，32线激光雷达售价约2万美元。随着技术发展，激光雷达逐步过渡到半固态或固态方案，当前的激光雷达价格已经降低至美元以下，已经进入汽车主机厂可接受的绿色区间。根据公开信息，Ouster、Luminar、速腾聚创、华为、大疆Livox、图达通等公司的激光雷达均已降至美元以下，并逐渐量产上车。
理由三：特斯拉的商业模式是不可复制的，搭载激光雷达差异化竞争，或许是弯道超车的最好机会。特斯拉的全栈式自研模式并非一蹴而就，而是发展多年才逐步建立。在特斯拉发展早期受限于资金和研发实力，芯片也是外购Mobileye。Mobileye是全球自动驾驶方案的龙头厂商，在交货时采用“黑箱子”模式，即将算法和芯片集成在一起，这种模式使得Mobileye把握了主动权，留给车企的空间很少。随后特斯拉投向了自由度更大的英伟达阵营，最后才开始自研，并建立其宏伟的数据库和庞大的数据中心。特斯拉销量是其他新势力的数倍，数据搜集能力远非其他新势力可比。仅在中国，特斯拉年/年分别销售14.7万辆/32.3万辆，是蔚来、理想、小鹏的数倍。从车型来看，特斯拉主力车型是ModelY和Model3，年分别销售17.1万辆、15.1万辆。仅在中国市场上特斯拉便与其他新势力拉开了差距，放眼全球来看，特斯拉年全球销量93.6万辆，更是优势超然，高墙难越。
特斯拉有全球拔尖的超算中心和领先的图像处理能力，这点其他新势力也存在差距。对于新势力及想在自动驾驶寻求破局的传统主机厂而言，相比特斯拉已经丧失了先发优势，复制特斯拉的商业模式是昂贵的。绝大部分车企没有特斯拉一样雄厚的资金、技术和人才实力，即便他们斥巨资建立起特斯拉一样的超算中心，在数据库的丰富度上也和特斯拉相差甚广，毕竟特斯拉有数以百万计的车辆奔跑在世界各地，这些车辆每天都将数据传送回特斯拉的服务器，且特斯拉在自动驾驶模型上已经聚集了经验丰富的工程师深耕多年。因此，特斯拉的商业模式是不可复制的，对于绝大部分车企而言，在发展早期将算法和芯片的研发交给自动驾驶方案厂商，利用相对成熟的自动驾驶方案提供商弥补自己的短板，逐步积累资金、技术，建立起数据库，慢慢争取主动权是上选。选用搭载激光雷达的“强感知方案”，可以减轻对决策层算法的依赖，以期弯道超车。就用激光雷达弥补纯视觉方案这一问题而言特斯拉并不擅长，除了在宣传上实现差异化以捕捉消费者心理外，或许真的可以在技术上发掘出崭新的道路。综上所述，非特斯拉厂商将主动或被动加入激光雷达派，从而拉动激光雷达需求。
年是激光雷达上车元年，蓝海从此开启。各厂商生产的激光雷达已经陆续上车，所搭载车型包括蔚来ET7、飞凡R7、小鹏G9、理想L9、极狐阿尔法S华为HI版、哪吒S、沙龙机甲龙、威马M7、阿维塔11、智已等等。从搭载数量看，若所搭载激光雷达性能较高则搭载1颗（如蔚来ET7、非凡R7），若所搭载激光雷达稍微逊色，则以量取胜，搭载1~4颗不等。自动驾驶发展趋势确定无疑，年有望实现L4，激光雷达市场快速增长。当前汽车市场主流车型多为L3以下，随着自动驾驶的发展，激光雷达市场将深度受益。
上游器件：国外龙头主导，国内厂商发展迅速
从产业链看，前文提到激光雷达主要由发射模块、接收模块、扫描模块、控制模块四大部分组成，上游主要是光学和电子元器件，包括准直镜、扩散片、分束器、窄带滤光片、激光器、光电探测器、扫瞄镜（如有）、FPGA等。中游主要负责集成，下游应用包括汽车、机器人、工业、测绘、军事等领域。
半导体激光器：EEL和VCSEL市场主流
激光器原理：微观粒子具有特定的能级结构，在与光子相互作用时，粒子发生能级跃迁会相应的吸收或者辐射光子。激光即“粒子受激辐射的光”，原子中的电子吸收能量后从低能级跃升到高能级，再从高能级回落到低能级会以光的形式释放能量。这一过程中释放的光子特性高度一致，因此单色性、相干性、方向性等方面表现优良。激光器主要由光学系统、电源系统、控制系统和机械结构四部分组成。其中光学系统主要由泵浦源、增益介质、谐振腔等光学材料组成。增益介质中的粒子受到泵浦源的激励后从基态变为激发态，由于激发态是一种不稳定状态，会释放能量再次回到基态。这个过程中能量以光子形式释放，因此形成激光。
半导体激光器发展速度接近摩尔定律，性能及成本每十年改善十倍以上。年，通用电气公司的罗伯特霍尔带领的团队展示了砷化镓半导体的红外发射，这是世界上第一个激光半导体。年最先进的半导体激光器可以将毫瓦的功率耦合到微米的芯径光纤中。现在最先进的半导体激光器可以产生超过瓦、拥有单一波长的微米光纤，这意味着每八年增长10倍。非常巧合的是这与摩尔定律提出的速度近乎一致，即高功率半导体激光器以类似摩尔定律的速度将光子融入光纤。
激光器市场稳定增长，车载激光雷达拉动需求。根据LaserFocusWorld的数据，年中国激光器的市场规模将达到.4亿美元，同比+16.25%。从下游占比来看，年激光器的主要需求来自材料加工与光刻市场、通信与光存储市场、科研与军事市场。随着激光雷达逐渐上车，激光器需求有望快速拉升。
国外企业起步较早，技术上有领先优势。半导体激光器及芯片以贰陆集团、朗美通、恩耐集团、IPG光电等国外企业为主，国内实力较强的企业有武汉锐晶、炬光科技、长光华芯、凯普林、星汉激光等。
光电探测器：国外厂商主导
光电探测器需配合光源使用，目前的探测器主要是基于硅（Si）和铟镓砷（InGaAs）衬底材料。Si属于第一代半导体，工艺成熟度稍高，常配合nm、nm、nm、nm等波段。从技术上看，激光雷达的探测器主要有PD、APD、SiPM/MPPC、SPAD等。SPAD、APD、PD属同族产品，但工作在不同的电压区间，增益也各不相同。PD外加较小的反向电压，因此没有增益。APD工作在线性区间，增益达到倍左右。SPAD工作在盖革区间，由于光子此时光电二极管接受雪崩后不会自动停下（需要猝灭电路），理论上增益可以达到无穷大，即可以探测到远处微弱的光芒。SiPM/MPPC，即硅光电倍增管（Siliconphotomultiplier)/MPPC(根据原理又名multipixelphotoncounter)，由SPAD串联猝灭电阻后并联在一起组成。SPAD单位内像素面积比MPPC高，但MPPC信号可以反映强弱。故SPAD分辨率更高，MPPC帧速更快。
各种探测器性能差异较大，SiPM和MPPC的增益最高。根据滨松的资料，PD、APD、MPPC的测距范围依次增大。在增益方面，PIN无增益，APD的典型增益是10~，MPPC的增益可以达到10^5。工作电压方面，PIN工作在10V左右，APD工作在~V，MPPC的工作电压可达数十福特。国外厂商主导领先，国内厂商争相布局。激光雷达探测器目前国内有布局的厂商有灵明光子、京邦科技、阜时科技、芯视界等，而国外厂商有索尼、安森美（收购SensL）、滨松、佳能等，尤其索尼和安森美实力最强。APD是目前激光雷达市场的主流，SPAD/SiPM是重要的发展趋势，但是工艺难度较高，车规级产品较少。
MEMS微振镜：国内企业青萍风起
MEMS激光雷达通过激光器和MEMS微振镜相互配合来实现探测。MEMS激光雷达仅需把单个激光器发出的脉冲扫描成的点阵组成多线就可以实现机械式激光雷达的多光束效果，不需要额外配备收发模组，因此成本直线下降。更进一步的，MEMS微振镜采用半导体工艺，规模效应很强，因此量产后成本可以进一步下降。
技术变革加速，市场规模稳增长。根据Yole的数据，年MEMS市场规模为亿美元，在年将达亿美元，CAGR为7.2%。细分来看，消费电子是MEMS传感器最大市场，年市场规模为71.3亿美元，年将为.7亿美元，GAGR为7.9%。汽车市场年的市场规模为20.3亿美元，年将为28.6亿美元，CAGR达5.8%。竞争格局方面，美日德三足鼎立。根据Yole的数据，年全球收入最高的MEMS企业均为欧美日企业，包括Bosch、Broad
转载请注明：http://www.abuoumao.com/hykz/4160.html
