沉淀补课了，激光雷达的必要性又增加一条重要的作用。

对于感知来说，不管用什么算法，OCC、Transformer都是一种信息压缩，会有信息损失。

传统的3DGS（3D Gaussian splatting）3D高斯泼溅，对于这个压缩来说，是一个信息解压缩比较折中的方案。

但是，对算力要求比较大，得用服务器跑，这对于智驾来说算力是完全追不上的，即便现在有上千T的算力也不够。

特斯拉确实是最早做的，直接用大模型输出高斯，路径大概是这样的：8目纯视觉图像 → HydraNet视觉主干 → BEV特征场 → 生成式高斯头一步出高斯分布 → 嵌入世界模型特征流 → 预测规划

理想在北京车展展示的Street Gaussians（浙大+理想）是一套车端的离线优化式高斯泼溅，这里头激光雷达有很强的作用。

传递路径大概是：激光雷达点云做初始化→给每个高斯绑定可靠三维坐标→视觉做颜色与精细优化→分层静态背景+动态物体→半小时云端建好场景→车端再轻量化推理渲染

理想通过激光雷达提供了几何先验信息省了很多事儿，可以直接建立一个初始化的高斯骨架，然后通过视觉迭代去优化深度、颜色等信息。

特斯拉则是土办法，几何和外观一起算，压力很大，延迟也有，这种生成式的方案，我查了一下，单帧前馈推理有200～240ms的时延。

当然，落地效果，有待验证。大v聊车 北京·首都机场T2航站楼