“因为我们需要考虑怎么把东西卖出去，所以首先会考虑价格相对较低的方案。”这是图森未来CTO侯晓迪想法。在他看来，激光雷达还没有量产，价格贵，目前无法产生足够多的价值，但图森并不排除在降价之后选择使用激光雷达。
不过，正如高文院士所说，激光雷达降成本那么难，究竟何时价格能降到符合量产要求、能被大多数企业所接受，目前谁也不知道。而另一方面，随着自动驾驶领域各家企业争相推进其产品量产进程，留给这些企业的时间并不多了，与其都在激光雷达一项技术上“死磕”，不如转而寻找其他更可行、在短期内有可能落地的技术。
视觉导航虽美 仍有诸多难题待解
视觉感知作为一条走低成本和借助大数据就能够解决问题的技术路线，虽然相较于激光雷达，有诸多优势，更易于推动自动驾驶汽车商业化。但这条路线本身，目前也面临一些技术难题。
“要想凭借视觉感知把导航问题处理好，AI决策的算法很关键。”高文院士表示。“以视觉测距为例，当视觉摄像头输入一些环境图像后，通过相关的计算，我们就可以反向推演出车子距离房子、行人、信号灯的距离。所以这里一定要测距的算法足够好，才能测的准、定位准确。”
然而在实际工况中，使用视觉测距常常会出现位置漂移的现象。因为视觉测距是依靠摄像头获取不同的环境图像，然后与原有的地图做比对，并通过相关算法，计算出距离。在此过程中，如果数据处理速度跟不上，或者算法不够好，就会发生漂移，与实际结果产生一定的差距。这就需要有专门的算法去解决漂移的问题，比如通过特征匹配，提取一些关于“特征”的数据，来比较差别，从而检测是否存在漂移，以及位置漂移的程度，然后反向纠正。除此以外还可以通过全局优化的思路，也可以帮助车辆进行精准定位。
另外一个问题是，视觉导航对光照的要求比较高，不像激光雷达不需要光照，就可以检测障碍离车的距离。视觉导航由于是依靠摄像头来采集环境信息，而摄像头本身不发光，因此光线不好的时候，需要用辅助光来照明，就像人眼在夜里也需要开灯才能看清周围的环境一样。
从这一点上来讲，今后的视觉导航系统还必须解决光线不好条件下的导航问题。此外，还有天气、拥堵以及各种突发状况，也会在一定程度上影响视觉导航的正常发挥。去年5月发生的特斯拉撞到白色大货车就是最好的例子，据特斯拉对此次事故的解释，两车相撞时特斯拉是逆光行驶，强烈的光线对特斯拉搭载的摄像头造成了干挠，而大货车的白色车身在遇到强光时，也无法为摄像头所辨认，才酿成了此次事故。由此可见，视觉导航虽然听起来很美，具体实施起来也是任重道远。
