在ADAS传感器（Sensor）解决方案的取舍考量中、摄像头（Camera）、激光雷达（Lidar）、雷达（Radar）三者常常会被用来做比较。● 论成本，Camera派和Radar派吐槽Lidar实在太贵不适于量产。● 论局限，Radar派和Lidar派诟病Camera容易受到照明因素的影响。● 论分类，Camera派和Lidar派嘲笑Radar分不清摩托车和自行车。综合多种因素，各路专家进行总结，整理出类似于下表这样的表格对比优劣决定技术路线进行取舍——
以上表格虽然不是行业标准，但也覆盖了传感器（sensor）技术路线选择的主要考量的10个重要因素——● 速度跟踪（velocity tracking）
● 高度跟踪（height tracking）
● 距离跟踪（distance tracking）
● 目标分类（classification）
结合10项因素，可得到三种方案的雷达图如下，可谓是各有所长但还是无法确定何种方案更为适合，因而在实际工作中需要建立一定的评估机制。加上实际过程中考量的权重，例如在可接受范围内对成本的考量一般比对分辨率这一因素的权重会更高，根据如上表格的评价进行评分（0-1000分），各因素的评分值乘以相应权重再相加，整理分值结果如下。由于是个人主观评分缺少一定的专业性，在实际工作中应根据现实情况调整模型和评分。
虽然三者各擅胜场，但综合当下的因素看来，摄像头（Camera）方案的分值最高为690，超过雷达（Radar）的640和激光雷达（Lidar）的590，从这个角度也印证了为何特斯拉选择纯视觉路线的自动驾驶方案。
而另一方面，这三条路线评分也随着技术发展发生着动态的变化，例如在特斯拉视觉方案的FSD随着软件技术的加持便可能将环境局限的影响降至最低，而在特斯拉眼中看为昂贵的激光雷达（Lidar）经过华为的入局便可能将成本大大降低。那么在雷达(Radar)这条路线上，有哪些技术手段又能将其加分呢，答案便是机器学习（Machine Learning），以雷达分值较低的目标分类(classification)和高度跟踪(height tracking)这两个维度为例，机器学习便能帮助雷达在这两个方面加分。以下为《人工智能/机器学习从雷达获得最多》一文的个人节选翻译：from-radar分类是车辆识别物体是什么，并更好地预测其行为的方式，这对基于ADAS的所有级别的决策和自动驾驶至关重要。例如，自行车和摩托车有相似的形状和大小，但操作非常不同。要让一辆车对它们做出适当的反应，它必须能够将它们区分开来。分类一直是计算和电力密集型的基于视觉系统的领域。然而，基于视觉的系统包括不必要的信息，如物体的颜色或是否有文字写在上面。在这些系统中，必须丢弃多余的数据，以便ADAS得出相关结论。相比之下，雷达可以更直接地帮助得出这些结论，而且它的性能在恶劣的天气条件下(如雪、雾和大雨)更优越，而且不受照明问题(如黑暗或阳光直射)的影响。Aptiv的先进机器学习技术能够以雷达为中心，更高效地判断物体是其他车辆、行人、自行车还是其他易受伤害的道路使用者，从而对这些物体可能的行为做出更好的结论。该技术为优化现有硬件提供了巨大的机会，同时利用雷达的现有优势，如在杂乱环境中工作的能力，看到周围的障碍，并利用低水平雷达效果来提高高度估计。
如果目标分类(classification)和高度跟踪(height tracking)这两个维度的分值能提高到8分，那么雷达路线的能力值将大幅提升——
这是人工智能（AI）/机器学习（ML）介入之前，雷达路线的能力雷达图：
这是人工智能（AI）/机器学习（ML）介入之后，雷达路线的能力雷达图：
再重新计算分值如下：
这样看来，“雷达+AI”的路线便以700分领先成为最优选了，在其他技术路线止步不前的前提下。
