Physical AI 时代的LiDAR选型：哪些参数真的重要

Jensen Huang 在 GTC 2025 上花了大部分时间讲这个概念。Ouster 在 2026 Q1 财报中把自己定位为「Physical AI 感知平台」。每家主要LiDAR厂商的营销PPT里都有一页关于具身智能的内容。

Physical AI——在物理世界中感知、推理和行动的AI系统——已经成为行业共识。名字不重要，重要的是它带来的变化。运行经典SLAM栈和手写状态机的机器人，和运行VLA（视觉-语言-动作）模型基于3D环境理解做决策的机器人，对传感器数据的需求完全不同。

为什么Physical AI改变了LiDAR选型逻辑

数字AI处理的是已结构化的数据。文本被分词，图像是像素网格，数据干净、静态、对延迟宽容。

Physical AI处理的是不会等待你的传感器数据。一辆以1.5m/s倒车的叉车，如果LiDAR只有2Hz的帧率，两次扫描之间移动75cm——足够错过一个走进路径的人，或者产生到VLA模型处理时已经过时的点云。

传感器输出速率与AI处理速度之间的不匹配，会产生「感知债务」。LiDAR以10Hz输出密集完整的3D视图，但板载算力只能以5Hz运行感知模型——你为用不上的性能付了钱。反过来也一样。

Physical AI要求三件事匹配：传感器采集了什么、算力能处理什么、任务需要什么。规格表很少这样呈现问题。

点云输出频率（每秒点数）是LiDAR营销中最常被讨论的参数，也是误解最多的。

30万点/秒听起来比10万点/秒好三倍。但感知质量取决于目标距离处的点密度，而不是原始吞吐量。一个把30万点散布在100m范围的传感器，在50m处产生的点云会很稀疏。一个将20万点集中在50m范围内的传感器（如M360，200kHz输出），在室内和仓储场景中会产生更密集、更有用的点云。

对Physical AI来说，有用的指标是在实际工作距离处每平方米的点数。运行中的机器人需要在5-15m范围获得货架、托盘和叉车的密集覆盖。传感器应该在你实际工作距离提供足够密度的点云，可靠地喂给感知模型。

帧率也很重要，但方式不同于多数人的假设。经典SLAM 10Hz通常足够。但VLA系统做单帧决策（「前方是否安全」），帧率需要匹配或超过决策循环频率。

Physical AI系统需要理解周围完整的3D空间，不仅仅是正前方。360°水平FOV是移动机器人的基本要求。垂直FOV才是真正的差异化所在。

大多数2D LiDAR只扫描一个水平面，上方和下方的一切都不可见。升级到70°垂直FOV的传感器（如M360的-10°到+60°），可以捕捉天花板结构、悬空障碍物和货架顶部——2D传感器完全无法提供的信息。

对基于3D场景结构推理的感知模型来说，垂直覆盖是「左侧有货架」和「左侧有货架，1.2米高度有箱子悬出边缘，如果我继续前进会撞到」之间的区别。

扫描模式也很重要。有重复扫描图案的旋转LiDAR会创建系统性盲区。非重复扫描（如M360的随机访问模式）会随时间消除这些固定盲区。

近盲区是Physical AI在人机共享环境中最关键的安全参数。

以1m/s的接近速度和500ms的反应时间，机器人在能够响应之前移动50cm。如果LiDAR盲区是50cm，人直到太近无法停下才变得可见。这不是感知问题，是安全失败。

M360的5cm盲区意味着机器人在50cm外就能检测到人或障碍物——在1m/s速度下留出500ms反应时间，足够VLA模型评估情况并指挥规避动作。

Physical AI运行在边缘计算上。Jetson Orin NX提供最高100 TOPS但功耗15-25W。Orin Nano管理40 TOPS，功耗10-15W。这些是紧张的功率预算，分配给传感器功率的每一瓦都意味着AI推理少一瓦。

一台功耗15W的3D LiDAR会消耗小平台（AMR、配送机器人，总功率100-200W）可用功率的7.5-15%。M360不到4.5W的功耗只占这个比例的三分之一，在12-32V DC总线上几乎可以忽略。

对于2026年最大的两个Physical AI部署场景——仓储AMR和人机协作——盲区和FOV是不可协商的参数。当你在电池供电平台上运行VLA模型时，功耗也变得关键。

给Physical AI团队的实用建议：停止孤立地优化单个参数。

先从算力预算出发。LiDAR应该产出匹配或略超过模型消费能力的点云。然后根据运营环境匹配FOV和盲区。最后检查功耗。

Physical AI不需要市场上最贵的LiDAR。它需要的是输出特征与感知模型需求、计算平台约束和运营环境安全要求相匹配的LiDAR。

相关阅读：

在为你的Physical AI机器人寻找LiDAR传感器？ 联系我们讨论你的应用需求。