※ 引述《ykjiang (York)》之銘言：
: 從最基本的原理來說，光達跟雷達就是用來測距，理論上只有一維的資訊
: 三維的部分是經過一些設計、運算後得到的
: 反而鏡頭得到的一開始就是二維資訊，然後可以經過運算得到三維的資訊，
這邊看完，我的感想只有“供三小？”
雷達與光達在原理上是利用掃描的方式，取得距離與向量，本質上資料的維度就是大於二維了。
是什麼時候變一維的？如果要這麼瞎扯，那鏡頭裡的CMOS一次也只能讀一個cell的資料，
一樣得要逐個掃描才能得到二維影像（這個就是所謂的果凍效應的成因），
照你的說法，鏡頭不也一樣是一維的？
: 特斯拉更進一步從中取得四維資訊（多的那維是時間軌跡預測）
這邊也不知道在供三小
在半個世紀前，雷達後處理技術就已經發展出利用比對前後時間目標的變化，預測目標未來位置，
並且持續追蹤的技術。甚至還有類似合成孔徑雷達（SAR）那種利用時間與位移積分，
利用二維掃描形成3維雷達影像的技術。
而利用都卜勒濾波技術，甚至不需要比對前後時間的資料，就能直接得到目標的速度，
在半個世紀前，雷達就能直接利用都卜勒測速，外插推估目標的未來位置。
但也沒人講雷達是四維資料的探測器。
而特斯拉的前鏡頭並沒有構成立體視覺，就算加上時間預測，也只能構成2.5D，
（三個定焦鏡只能利用影像模糊的程度大致判斷距離）,這也是特斯拉自動駕駛在視覺深度一直為人所詬病的地方。
: 以目前的技術：
: 距離方面，光達的精度比較高
: 平面部分，鏡頭的精度較高，然後鏡頭還可以判斷顏色這個重要資訊
: 以自動駕駛而言，兩者的精度都超過人眼了
: 所以關鍵還是在 AI 等其他方面
無腦特粉才會覺得只靠鏡頭和AI就行
真的在搞自動駕駛的，在研究的是怎麼做多感測器的融合。
https://global.kyocera.com/ces/img/sensing-technology/sec11_img03.jpg
像是直接將光達和攝影機做成同一個感測器，就是其中一個方向。
: ※ 引述《airforce1101 (我不宅)》之銘言：
: : 影像、雷達、光達不太一樣，我把影像與雷達、光達拆成兩類好了，影像對於訊號處理來
: : 說屬於二維陣列，但是雷達與光達可以帶回三維的目標資訊，雷達就是低頻段的光，因頻
: : 率特性不同，所以適用場景不同，光達的脈衝時間很短，所以較於雷達相比，對於相同目
: : 標，可以帶回更高精度的資訊。
: : 光達的領域上有關延展性目標，可以參考K. Granstrom, M. Baum, and S. Reuter 所著
: : 的這篇文章 Extended object tracking: Introduction, overview, and application.
: : 在AI輔助下，或許環境良好下影像能做到光達能大多數能做的事，但某些判斷影像與光達
: : 先天上的差距還是存在。
: : 其實也好奇，傳感器與影像間的關聯是否讓AI找出並學習其特徵向量，有待高手解答了。