企业官网建设流程全解析

在讨论激光雷达公司的未来时，已经很难避开“机器人”这三个字。过去两年，禾赛科技和速腾聚创几乎同步做了一件看起来顺理成章的事：把车载激光雷达积累的硬件能力，迁移到机器人赛道。扫地机器人、配送机器人、工业 AGV、人形机器人，甚至割草机器人，都开始出现在这两家公司的官网上。

但这件事真的赚钱吗？还是又一次“先讲故事、再等变现”的资本叙事？

这篇文章想从技术演进的视角，把这个问题拆开来看：车载激光雷达和机器人激光雷达到底是不是同一个产品，机器人市场对激光雷达的真实需求是什么，禾赛和速腾在产品和量产上各自走到了哪一步，以及从开发者实操角度来看，激光雷达进入机器人项目时要解决哪些关键问题。

1. 为什么激光雷达公司集体转向机器人

先看一个行业大背景：车载激光雷达已经打成了红海。

过去几年，禾赛和速腾凭借半固态激光雷达，在 ADAS 前装市场拿到了大量订单，但伴随交付量上升的，是整车厂一轮比一轮狠的降价要求。激光雷达的单颗价格从几千元一路下探，行业里甚至出现过“买激光雷达送汽车”的调侃。这套打法对整车厂是好事，但对硬件公司来说，毛利率压力是真实存在的。

如果只盯着车载市场，增长曲线会越来越依赖“以量换价”。这时候拿出一条第二增长曲线，就成了资本市场愿意听的逻辑。机器人正好补上了这个缺口：

• 机器人不需要过车规，供应链验证周期短，产品迭代更快；
• 机器人对传感器的体积、重量、功耗更敏感，但价格敏感度同样高；
• 人形机器人和服务机器人的市场规模正在从“概念”走向“样机量产”，传感器采购需求开始释放；
• 机器人场景没有汽车那么多法规约束，激光雷达公司可以更灵活地做产品定义。

所以，与其说禾赛和速腾“卷向机器人”是被动转型，不如说是在寻找车载之外的新增量。但这个问题真正的难点不在“做不做”，而在“能不能赚到钱”。要回答这一点，得先理解机器人需要的激光雷达，和车载激光雷达本质上是有区别的。

2. 车载激光雷达和机器人激光雷达，根本不是同一个产品

很多人第一反应是：把车载激光雷达改小一点、改便宜一点，不就能卖给机器人厂商了吗？

实际情况没那么简单。

2.1 技术指标的差异

车载激光雷达的核心指标是“看得远、看得清”，在高速公路场景下至少需要探测 150 米到 200 米外的障碍物，同时还要在强光、雨雾等复杂天气下保持稳定。机器人则不一样，服务机器人、AGV、人形机器人的工作距离通常在 0.1 米到 50 米之间，更关键的是近距离盲区要小，因为机器人要在狭窄空间里完成避障和路径规划。

下面这张对比表可以更直观地看出差异：

更重要的是，车载激光雷达的安装位置和朝向相对固定，一般在车顶或前保险杠，而机器人上雷达的安装姿势多种多样：放在底盘前面、装在机械臂末端、嵌入头部做感知。这会直接影响雷达的结构设计和点云输出方式。

2.2 产品平台的差异

禾赛和速腾都明白，不能直接把车载雷达的型号改名卖给机器人客户。禾赛在车载产品之外陆续推出了面向机器人的中距和近距激光雷达产品，强调轻量化、低功耗和小体积；速腾也专门发布了面向机器人的激光雷达产品，主打固态化、轻薄化和低成本。

这些产品在硬件层面的共同点很一致：

• 采用固体激光器或 VCSEL 方案，去掉机械旋转部件，提高寿命和可靠性；
• 通过减少扫描线数或降低测距距离来控制成本；
• 把功耗控制在几瓦甚至更低；
• 在结构上做扁平化设计，方便嵌入机器人本体。

从材料看，两家公司都已经把机器人激光雷达作为独立产品线运营，而不是车载产品的“赠品”。

3. 禾赛与速腾的机器人产品路线对比

这一节我们重点比较两家公司的产品思路。先说结论：两家都在做“机器人专用激光雷达”，但切入角度略有区别。

3.1 禾赛：从远距到近距的全场景覆盖

禾赛过去在车载市场以远距半固态雷达 AT 系列闻名，AT128 是它的标志性产品。机器人产品线上，禾赛更强调“把雷达做进机器人的结构里”，推出了一系列面向不同距离段的产品，覆盖人形机器人的感知、工业机器人的避障、低速无人车的定位等场景。

从公开信息看，禾赛的策略有两个特点：

第一，产品线延续了车载时代的“远距+近距”组合打法。机器人既需要近距离避障，也可能需要中距离目标识别，这种组合有助于客户只对接一家供应商。

第二，禾赛在智能制造和产线自动化上的积累，让它可以承接机器人客户的定制化需求。比如传感器外观、安装接口、线束定义，这些在车载市场很难做定制，但在机器人市场反而成了加分项。

3.2 速腾：固态化和成本优先

速腾聚创在车载市场同样有 MEMS 半固态雷达的成熟产品线，但机器人方向上更早提出了“全固态”和“平台化”的概念。固态激光雷达因为没有机械扫描部件，理论上更便宜、更可靠、更容易大规模制造，这正好踩中了机器人客户对成本和稳定性的需求。

速腾还推出过专门针对机器人的感知方案，把激光雷达和算法打包成模块。这个思路很重要，因为很多机器人创业公司没有能力自研感知算法，他们需要的是一个“开箱即用”的传感器解决方案，而不是一个裸的点云数据源。

3.3 两条路线的共同点与差异

这两条路线的本质差异在于“谁来帮客户解决感知问题”。禾赛更倾向于提供可靠的硬件传感器，速腾则尝试把感知算法标准化。机器人市场现在还处于早期，两条路线都有机会，但最终能赚到钱的一定是同时解决“成本”和“易用性”的那个。

4. 从开发者视角看机器人激光雷达的接入

作为技术博主，我不能只分析商业故事，还要落到开发实际。很多机器人团队拿到激光雷达后的第一个问题是：怎么把它接到我的 ROS 2 系统里，怎么拿到点云，怎么做建图和避障。

下面用一个最小流程演示：从激光雷达点云数据读取，到障碍物检测的完整链路。这里以通用 PCD 点云文件为例，方便没有硬件设备的读者直接运行验证。

4.1 环境准备

本文示例使用 Python 3.8+，依赖以下库：

pip install numpy open3d scikit-learn

如果是在真实机器人上调试，还需要安装 ROS 2 对应版本，并安装雷达厂商提供的 ROS 驱动。禾赛和速腾都提供 ROS 2 驱动包，安装后可以直接发布/scan或/points话题。

4.2 读取并可视化点云

第一步，把激光雷达输出的点云数据读进内存，并做基础的可视化。

# 文件路径：visualize_pcd.py import open3d as o3d def load_and_visualize(pcd_path: str): """ 读取 PCD 点云文件并可视化 """ pcd = o3d.io.read_point_cloud(pcd_path) if pcd.is_empty(): print(f"无法读取点云文件: {pcd_path}") return None print(f"点云点数: {len(pcd.points)}") print(f"点云是否有颜色: {pcd.has_colors()}") # 统一坐标系的点云显示 o3d.visualization.draw_geometries([pcd], window_name="LiDAR Point Cloud") return pcd if __name__ == "__main__": load_and_visualize("room_scan.pcd")

这段代码做了什么？

• 通过o3d.io.read_point_cloud读取 PCD 文件；
• 打印点云的基本信息；
• 调用可视化窗口显示点云。

对开发者来说，这一步的意义是确认激光雷达输出的数据格式是否正确，坐标是否合理。如果点云出现大量空点或异常离群点，大概率是驱动配置或雷达安装角度出了问题。

4.3 基于点云的障碍物检测

拿到点云之后，机器人需要回答一个核心问题：前方有没有障碍物，障碍物在哪里。

我们使用 RANSAC 做地面分割，再对非地面点做欧式聚类，得到不同障碍物的集合。

# 文件路径：obstacle_detection.py import numpy as np import open3d as o3d def segment_ground_and_cluster(pcd_path: str, distance_threshold: float = 0.2): """ 对点云做地面分割 + 欧式聚类，识别障碍物 """ pcd = o3d.io.read_point_cloud(pcd_path) if pcd.is_empty(): return # 1. 使用 RANSAC 拟合平面，分割地面 plane_model, inliers = pcd.segment_plane( distance_threshold=distance_threshold, ransac_n=3, num_iterations=1000 ) ground_pcd = pcd.select_by_index(inliers) obstacle_pcd = pcd.select_by_index(inliers, invert=True) print(f"地面点数: {len(ground_pcd.points)}") print(f"障碍物点数: {len(obstacle_pcd.points)}") # 2. 对非地面点做欧式聚类 labels = np.array(obstacle_pcd.cluster_dbscan(eps=0.3, min_points=10)) if len(labels) == 0: print("未检测到障碍物") return max_label = labels.max() print(f"检测到 {max_label + 1} 个障碍物聚类") # 3. 为每个聚类生成不同颜色并可视化 colors = np.zeros((len(labels), 3)) for i in range(max_label + 1): cluster_idx = np.where(labels == i)[0] colors[cluster_idx] = np.random.rand(3) obstacle_pcd.colors = o3d.utility.Vector3dVector(colors) o3d.visualization.draw_geometries([obstacle_pcd, ground_pcd]) if __name__ == "__main__": segment_ground_and_cluster("room_scan.pcd")

关键逻辑解释：

• segment_plane用 RANSAC 找到地面平面，inliers是地面点索引；
• cluster_dbscan对障碍物点做密度聚类，eps=0.3表示 0.3 米内的点属于同一障碍物；
• 最后按聚类结果给障碍物点着色，方便观察。

这个流程在 ROS 2 里可以做成节点，订阅激光雷达的/points话题，发布/obstacles话题，供规划模块使用。不要小看这一步，它是机器人避障、导航和感知的基础。

4.4 在 ROS 2 中接入激光雷达

真实机器人项目中，开发者的第一步是把雷达驱动跑起来。下面是一个 ROS 2 launch 文件的简单示例，假设使用某个 ROS 2 激光雷达驱动包。

<!-- 文件路径：src/robot_bringup/launch/lidar.launch.py --> <launch> <!-- 启动激光雷达驱动节点 --> <node pkg="lidar_driver" exec="lidar_driver_node" name="lidar_driver" output="screen"> <param name="frame_id" value="lidar_link"/> <param name="scan_topic" value="/scan"/> <param name="device_ip" value="192.168.1.10"/> <param name="port" value="2368"/> </node> <!-- 启动点云到激光扫描的转换，如果雷达只输出点云 --> <node pkg="pointcloud_to_laserscan" exec="pointcloud_to_laserscan_node" name="pcl_to_scan" output="screen"> <remap from="cloud_in" to="/points"/> <remap from="scan" to="/scan"/> </node> <!-- 启动可视化 --> <node pkg="rviz2" exec="rviz2" name="rviz2" output="screen"/> </launch>

请注意，不同激光雷达的驱动包启动参数完全不同。 在实际项目中，请以雷达厂商提供的 ROS 驱动文档为准。上面这个 launch 文件只是通用结构参考。

启动后，在终端运行：

ros2 launch robot_bringup lidar.launch.py

如果能正常订阅到/scan和/points话题，并且 rviz2 中能看到点云，就说明激光雷达已经接入 ROS 2 系统。

5. 机器人激光雷达选型时的关键技术判断

接入是第一步，选型才是更复杂的决策。很多开发者在项目初期就踩了坑，选错雷达导致后面算法反复返工。我建议从下面几个维度做判断。

5.1 测距能力，不是越远越好

机器人不需要测 200 米。 在室内环境，5 米到 30 米通常已经足够。选型时更应关注最小测距距离，因为机器人底盘前方 10 厘米到 1 米范围内的盲区，才是碰撞高发区域。如果雷达盲区太大，机器人很容易在贴近墙面或桌椅时撞上去。

5.2 点云密度和扫描频率

点云密度决定了算法能多“细”地感知环境。对避障来说，稀疏点云可能漏检细小障碍物，比如桌腿、电线；对建图来说，点云密度太低会导致地图特征不足。

扫描频率通常在 10Hz 到 20Hz。移动速度越快，需要越高的扫描频率，否则同一障碍物在两次扫描之间可能已经偏移很大距离。人形机器人由于运动模式复杂，对扫描频率和延迟的要求会更高。

5.3 体积、功耗与散热

机器人尤其是小型机器人，对雷达的体积和功耗极其敏感。 一个功耗 10W 的雷达放在电池容量只有 100Wh 的机器人上，续航会明显缩水。而且机器人内部散热条件不如汽车，高功耗雷达容易导致温漂，影响测距精度。这也是为什么禾赛和速腾的机器人产品都在宣传功耗控制。

5.4 价格与量产能力

这恰恰是“赚到钱了吗”这个问题的核心。

从公开信息看，车载激光雷达的价格已经降到千元级别，但机器人客户需要的可能是百元级别。 只有当激光雷达单颗成本降到足够低，机器人大规模普及才有可能。而反过来，只有机器人出货量足够大，激光雷达厂商才能通过规模效应摊薄成本。这个正向循环目前还在形成过程中。

5.5 纯视觉 vs 激光雷达，还是融合

这是一个绕不开的话题。很多机器人公司为了降成本，想直接用纯视觉方案替代激光雷达。我的看法是：

• 纯视觉方案价格低，但依赖光照条件，在暗光、逆光、白色墙面等场景下容易失效；
• 激光雷达是主动传感器，不依赖光照，测距更直接，但价格更高；
• 两者融合是更稳妥的路线，激光雷达负责深度信息，视觉负责语义信息。

目前人形机器人头部企业几乎都采用了多传感器融合方案，激光雷达在其中承担深度感知和定位的关键角色。对激光雷达公司来说，这意味着一台机器人可能不止装一颗雷达，而可能是两颗、三颗，这对出货量的拉动比想象中更大。

6. 从“产品策略”到“商业验证”：赚到钱了吗

回到最初的问题：禾赛、速腾卷向机器人，赚到钱了吗？

从公开披露的信息看，更稳妥的判断是：方向已经确立，但盈利拐点还没有完全坐实。 需要从以下几个层面拆解。

6.1 出货量增长是真实的

从行业公开数据看，2024 年禾赛全年激光雷达交付量已经突破 50 万台，其中 ADAS 产品占比最大。机器人相关产品在整体交付量中的占比还比较小，但增长势头明显。速腾的交付量也在快速爬坡。两家公司都把机器人业务视为新的增长引擎，这意味着机器人产品的订单量确实在增加。

但同时要看到：车载市场仍然是营收主力。机器人业务目前更多是贡献“第二增长曲线”的预期，还没有到单独撑起利润表的阶段。

6.2 毛利率是核心指标

激光雷达公司能不能赚钱，最直接的指标是毛利率。

汽车激光雷达在经历了几年价格战后，硬件毛利率并不算高。机器人雷达如果要覆盖成本，最好的状况是“价格比车载低一点，但毛利率比车载高一些”。理论上机器人雷达不强制要求车规级测试，认证成本和制造成本更低，加上数量大、迭代快，是有可能做到更高毛利的。

但实际情况是，机器人客户同样有强烈的降本诉求，激光雷达公司面临的还是同样的“以量换价”博弈。所以比较合理的判断是：想靠硬件本身赚到厚利润，短期很难；真正的利润增量可能来自软件、算法和解决方案。

6.3 软件和方案的附加价值

这就是速腾做“感知方案打包”的原因。

如果只卖硬件，激光雷达公司本质上是一个“元器件供应商”，利润上限由 BOM 成本和客户采购价决定。如果能把感知算法、标定工具、SDK、售后支持打包成方案，软件的边际成本几乎是零，利润空间就大得多。禾赛也在加强软件工具链布局，这是行业共识，只是两家节奏略有不同。

对开发者而言，这时候选择雷达就不只是看硬件参数，还要看生态：驱动是否完善，文档是否清晰，社区是否活跃。这些软件体验对项目落地效率的影响，往往比那几毫米的测距精度更关键。

6.4 风险依然存在

最大的风险有三个。

第一个是纯视觉方案的持续降本冲击。如果视觉传感器和相关算法把成本压到激光雷达无法企及的水平，机器人客户可能会在低端场景弃用激光雷达。

第二个是机器人出货量本身的不确定性。人形机器人目前还处于“样机多、量产少”的阶段，很多公司一年买几十颗雷达做原型验证，但距离大规模采购还有距离。如果机器人市场放量时间晚于预期，激光雷达公司的机器人业务增长也会受影响。

第三个是产品同质化。禾赛和速腾之外，还有大量国内激光雷达公司涌入机器人市场，如果产品没有差异化，最终又会陷入比价格的内卷。

所以，“赚到钱了吗”这个问题，现在还没有一个确定的答案。 更准确的说法是：激光雷达公司在机器人的赛道上，正在从“机会验证”向“规模变现”过渡。赢家会是那些能做到硬件降本、软件增值、量产交付三者平衡的公司。

7. 机器人激光雷达常见误区与排查方法

这里以表格方式整理几个实际项目中高频出现的问题，方便开发者直接对照排查。

8. 对机器人团队的最佳实践建议

结合前面的分析，给正在做或准备做机器人的团队几点建议。

8.1 不要用一个雷达解决所有问题

很多机器人团队希望一个雷达搞定定位、避障和识别，这是不现实的。 推荐组合是：

• 一台中远距 3D 激光雷达用于建图和定位；
• 一到两台近距补盲雷达或 2D 激光雷达用于底盘避障；
• 视觉相机用于语义识别和动态目标跟踪。

这种组合的硬件成本会高一些，但系统的可靠性和落地效率会明显提升。

8.2 先验证数据链路，再调算法

拿到雷达后，第一步不是急着跑 SLAM，而是先验证点云数据能不能稳定实时地到 ROS 2 系统里。检查顺序是：驱动节点是否启动正常 -> 话题是否有稳定输出 -> 点云坐标是否合理 -> TF 是否完整 -> 再跑建图算法。跳过数据链路直接调算法，出了问题很难定位是传感器的问题还是算法的问题。

8.3 重视外参标定

雷达在机器人上的安装角度和位置，直接决定点云能否正确映射到机器人坐标系。 每次拆装雷达之后都要重新标定，否则建图和避障效果会明显退化。建议把外参标定纳入机器人出厂测试流程，而不是等客户反馈定位不准时再排查。

8.4 建立雷达性能基线测试

在选型阶段，建议建一个标准测试清单：

• 室内光线正常环境的测距和盲区测试；
• 暗光环境和强光环境对比测试；
• 不同材质障碍物（黑色吸光材质、玻璃、金属）的检测成功率；
• 运动状态下的点云畸变测试；
• 长时间运行后的温漂测试。

只有通过这些基线测试，才能判断一款雷达是否适合你的机器人场景。

8.5 关注厂商的生态和长期供货能力

从商业角度看，选择禾赛、速腾这类头部厂商，优势不只是产品本身，还有长期供货稳定性和软件持续更新。机器人产品一旦量产，传感器供应链不能掉链子。建议在选型阶段就与厂商确认产品生命周期、备件供应和驱动更新计划。

9. 结论与后续关注方向

禾赛和速腾卷向机器人，反映了激光雷达产业从车载到泛机器人场景的必然延伸。这件事能不能赚钱，取决于三个关键变量：机器人市场真实出货量的兑现速度、激光雷达单颗成本的下降斜率、以及软件方案能否真正形成溢价。

从技术层面，我能给出的判断是清晰的：机器人激光雷达的硬件技术路线已经基本跑通，差异化的竞争点正在从“测距有多远”转向“成本有多低、体验有多顺”。从开发者角度，这意味着选型逻辑也要跟着变，不要再执着于车载时代的参数军备竞赛，而要把功耗、体积、盲区、点云质量、驱动生态这些和机器人落地直接相关的指标放在第一位。

接下来值得继续关注的方向有三个：

第一，人形机器人量产的时间表。人形机器人如果真能迈过万台级量产门槛，对激光雷达的需求将不是线性增长，而是数量级的跨越。

第二，激光雷达和纯视觉方案的博弈结果。在高端机器人场景，激光雷达+视觉融合大概率还是主流；但在低端消费机器人，纯视觉方案会持续施压。

第三，激光雷达公司的商业模式变化。谁能从“卖硬件”过渡到“硬件+软件+服务”，谁就有希望在机器人市场赚到真正的钱。

这篇文章不打算给出一个“是或否”的简单答案，因为行业还在变化中。但有一点是确定的：机器人激光雷达已经不是一个实验室概念，而是正在进入量产工程化阶段。对所有做机器人的开发者来说，理解这个趋势，提前建立传感器选型和数据链路能力，会在下一轮竞争中占据主动。