毫無疑問，新能源技術的崛起正在深刻改變整個汽車產(chǎn)業(yè)，而智能駕駛技術已然成為其中發(fā)展最為迅速的關鍵技術之一。

就目前各大車企所推出的大部分新車來看，在其宣傳的口徑上，智能駕駛能力的聲量尤其最大。

但現(xiàn)在有一個話題卻成為了被大家熱議的話題，智駕所用的高精地圖，該不該被拋棄呢？

什么是高精地圖？

對于一些不具備高階智駕能力的車來說，大部分都會采用手機地圖或者車載導航來進行駕駛。

但這類地圖與高精地圖則相差甚遠。

通常，手機導航地圖的主要使用者為人類，其功能為導航和搜索。相較之下，高精地圖的主要使用者為計算機，主要用于高精度定位、環(huán)境感知、規(guī)劃與決策等任務。因此，導航地圖在車內(nèi)被視為車載信息娛樂系統(tǒng)，通常配備顯示屏；而高精地圖則屬于車載安全系統(tǒng)，無須顯示屏。

 

在地圖要素和屬性方面，導航地圖主要包含簡潔的道路線條、信息點（POI）以及行政區(qū)劃邊界等；高精地圖則包含更為詳細的道路模型，涵蓋車道模型、道路部件、道路屬性以及其他定位圖層等。

就目前來說，智能駕駛分為L1-L5這五個級別。

 

在車載地圖的應用中，不同級別的智能輔助駕駛對地圖精度的需求存在顯著差異。

首先，在L1-L2級別的智能輔助駕駛中，由于這類系統(tǒng)缺乏自主規(guī)劃行駛路線的能力，因此只需米級精度的地圖即可滿足需求。

然而，隨著自動駕駛級別提升至L3，車輛本身具備了一定的線路行駛能力。在這種情況下，除了大部分區(qū)域仍需米級精度的地圖外，部分區(qū)域需要厘米級的地圖導航，從而使車載地圖成為必要之選。

最后到了L4級別以上，車輛要從一個城市抵達另一個城市，并且期間要讓車輛始終保持一個自主駕駛狀態(tài)，因此，這一地域的地圖都必須具備厘米級的高精地圖才行。

所以說，高精地圖就是鋪設在自動駕駛前面的軌道，可以讓車輛始終保持在“正軌”中行駛。

高精地圖能帶來什么？

作為高精地圖，首先要滿足車道級的自動駕駛導航，因此需要包含道路細節(jié)信息，如車道線、車道中心線、車道屬性變化等，比如能讓汽車知道哪些區(qū)域是虛線能夠變道。

此外車道模型中還需要包含道路的曲率、坡度、航向、橫坡等數(shù)學參數(shù)，好讓車輛能夠準確的轉(zhuǎn)向、制動、爬坡等。這些信息構成了車道模型。還需要包含交通標志牌、路面標志等道路部件等。

 

可以說，高精度地圖為自動駕駛系統(tǒng)提供了超越傳統(tǒng)傳感器感知范圍的能力，極大地擴展了車輛對周圍環(huán)境的認知界限。然而，自動駕駛依賴的傳感器探測距離有限，可能導致控制響應時間縮短，進而可能引發(fā)決策失誤或反應不及時。

舉個例子，比如在100公里/小時的速度下，攝像頭僅能捕捉到9秒內(nèi)的道路狀況（且需在直線道路上），這在復雜路況下可能遠遠不夠。如果車輛需要在500米外的出口匝道切換車道，而該匝道僅允許特定車道通行，那么車輛必須提前作出變道決策。9秒的時間可能不足以完成這一操作，從而增加了錯過路口的風險。

然而，借助高精度地圖提供的超視距信息，如匝道出口位置、彎道曲率和坡度等，自動駕駛系統(tǒng)能夠提前規(guī)劃變道動作并調(diào)整車速，有效避免錯過路口。

 

此外，高精度地圖還能提供感知冗余，彌補傳感器在特定情況下的不足。例如，在復雜的光照條件下，傳感器可能難以識別紅綠燈；在視野被遮擋時，可能看不見車道線；在雨天，雷達的噪聲可能會干擾其性能。在這些情況下，高精度地圖能夠提供預先設定的參考信息，增強車輛的感知能力。

高精度地圖還能提高感知效率。

通常自動駕駛系統(tǒng)通常需要通過圖像數(shù)據(jù)來識別紅綠燈，若系統(tǒng)需不斷掃描整個圖像進行分析，將耗費大量計算資源和時間。然而，借助高精度地圖的輔助，系統(tǒng)可以根據(jù)定位信息，預先確定需要關注的區(qū)域，僅對特定區(qū)域（ROI）進行圖像分析，從而快速準確地識別紅綠燈及其狀態(tài)，這種方法顯著減少計算負擔并加快識別過程。

那么，為何最近又有了擺脫高精地圖的呼聲了呢？

其中最大的原因就是——成本。

對于高精地圖來說，制作一個區(qū)域的內(nèi)容，需要進行以下幾個步驟：

1.數(shù)據(jù)采集：這是制作高精地圖的第一步，需要通過專業(yè)的采集車或設備來收集道路的詳細信息。采集車通常配備有激光雷達（LiDAR）、GPS、慣性導航系統(tǒng)（IMU）、攝像頭等傳感器，用于獲取道路的三維空間信息、車輛定位信息以及周圍環(huán)境的視覺信息。

2.數(shù)據(jù)處理與標注：收集到的原始數(shù)據(jù)需要經(jīng)過處理，包括數(shù)據(jù)清洗、濾波、配準等，以提高數(shù)據(jù)質(zhì)量。隨后，對數(shù)據(jù)進行三維矢量信息提取和點云標注，這可能涉及車道線、交通標志、信號燈等關鍵元素的識別和分類。

3.元素識別與提取：在數(shù)據(jù)處理的基礎上，進一步識別和提取道路的各種元素，如車道模型、道路部件、道路屬性等。這些元素的準確識別對于高精地圖的實用性至關重要。

 

4.人工驗證：盡管自動化處理可以大大提高效率，但在某些情況下，人工驗證仍然是必要的。專業(yè)人員會對自動化處理的結果進行檢查和修正，確保地圖的準確性和可靠性。

5.產(chǎn)品編譯：經(jīng)過上述步驟處理后的數(shù)據(jù)將被編譯成最終的高精地圖產(chǎn)品。這個產(chǎn)品通常包含靜態(tài)數(shù)據(jù)層和動態(tài)數(shù)據(jù)層，以支持自動駕駛系統(tǒng)的各種功能，如路徑規(guī)劃、定位、感知等。

6.更新與維護：高精地圖不是一次性產(chǎn)品，隨著道路環(huán)境的變化，地圖需要定期更新和維護。這可能涉及新的數(shù)據(jù)采集、處理和驗證工作。

 

然而，當高精地圖到了企業(yè)產(chǎn)品以后，需要企業(yè)用自身的車隊進行驗證行駛，之后在投放到市場。

在市場競爭中，用戶反饋的問題經(jīng)過車企傳遞至高精地圖供應商，供應商進行優(yōu)化或更新。

 

然而，此過程循環(huán)往復，無窮無盡，導致成本不斷攀升，并且由于無法跟上用戶體驗的更新速度，部分問題的解決只能通過降級方式，從而使用戶體驗逐漸惡化。

 

除此之外，政策限制也是原因。

因為，高精地圖涉及大量的地理信息和個人位置數(shù)據(jù)，這些數(shù)據(jù)在某些情況下可能觸及國家安全和個人隱私。因此，各國政府通常會對地圖數(shù)據(jù)的采集、處理、存儲和使用制定嚴格的法律法規(guī)。例如，中國的《測繪法》規(guī)定了測繪資質(zhì)的要求，并對地圖數(shù)據(jù)的發(fā)布和使用進行了限制。這些政策要求地圖服務商在合規(guī)的前提下開展業(yè)務，確保數(shù)據(jù)安全。

不僅如此，地圖測繪是一個受到嚴格監(jiān)管的領域。企業(yè)需要獲得相應的測繪資質(zhì)才能進行地圖數(shù)據(jù)的采集和制作。例如，中國要求企業(yè)在申請測繪資質(zhì)時滿足一定的技術人員數(shù)量、設備標準等要求。這些政策限制了市場參與者的數(shù)量，提高了行業(yè)門檻。

不靠高精地圖，如何實現(xiàn)智能駕駛？

事實上，對于那些告別高精度地圖的汽車制造商而言，隨著BEV大模型的成熟以及芯片算力和感知設備的提升，車輛本身已具備對路面信息的感知和判斷能力，從而實現(xiàn)更為穩(wěn)健的智能駕駛。

所謂BEV感知方案，全程Bird''s Eye View，意思就是視覺為中心的俯視圖。一般來說，國內(nèi)的大部分車企則選擇了包含視覺和雷達的多融合感知方案，但它們的共同點都是需要獲得視覺信號或者其他傳感器的數(shù)據(jù)來進行綜合運算分析，再通過系統(tǒng)的處理來規(guī)劃行車軌跡。

但是，在這個過程中，每個獨立傳感器收集到的數(shù)據(jù)往往受到特定視角的局限，經(jīng)過各自的分析運算后，融合階段會導致誤差疊加，無法拼湊出道路實際情況的準確全貌，給車輛的決策規(guī)劃帶來困難。

而BEV自動駕駛感知利用深度學習網(wǎng)絡融合采集多傳感器數(shù)據(jù)，將汽車周圍的場景轉(zhuǎn)換為俯視圖，實時重建周圍的靜態(tài)道路元素和道路拓撲結構，實現(xiàn)高精度的全向感知能力。

 

好比是一個從高處統(tǒng)觀全局的“上帝視角”，車上多個傳感器采集的數(shù)據(jù)，會輸入到一個統(tǒng)一模型進行整體分析推理生成鳥瞰圖，能有效地避免誤差疊加。

當然，光有感知還不夠，決策和處理也是關鍵。

目前一些智能駕駛在純視覺方面，除了BEV外還會配合Transformer以及使用占用網(wǎng)絡（Occupancy Network）來進行處理。

其中，Transformer將2D圖像轉(zhuǎn)為3D鳥瞰視角后，實現(xiàn)實時局部建圖和3D識別檢測，然而自動駕駛不僅僅只有感知，更重要的是如何像人類駕駛員一樣做出最優(yōu)地駕駛決策行為。自監(jiān)督認知大模型是在進行大量數(shù)據(jù)訓練后，使得模型具備自我學習能力，而非基于規(guī)則的決策規(guī)劃算法。

而占用網(wǎng)絡（Occupancy Network）則將現(xiàn)實世界看成一個3D網(wǎng)格世界，并將這個空間做了無數(shù)網(wǎng)格化的分區(qū)，分割之后，每一個小方塊叫做體素，類似于像素。只要在這個空間的體素下被占用了，都會被系統(tǒng)認為是1，賦值1，否則賦為0。最終，物體在空間里面占據(jù)了一定的體素，系統(tǒng)就會把它顯示出來，并判定它是一個障礙物。

 

這里，還要提一句激光雷達。

目前除了少數(shù)采用純視覺方案的企業(yè)外，大多數(shù)還是將整個感知設備中添加了激光雷達。

 

這是因為，攝像頭作為車載傳感器也存在一些不足，包括識別精度要求高，容易受強光、雨幕、大霧等惡劣天氣影響等，所以激光雷達的優(yōu)勢，就被體現(xiàn)在對物體識別度低導致誤差。

而在BEV大模型中，它為自動駕駛系統(tǒng)提供精確的三維空間信息，增強對周圍環(huán)境的感知能力，確保車輛在各種復雜場景下能夠安全、準確地導航和操作。簡而言之，激光雷達是自動駕駛車輛“看清”世界的關鍵傳感器。

 

最后我想說一句，之前我在參加一個車企的活動時，它們的工程師告訴我對于自動駕駛來說，高精地圖方案才是最終解。雖然，對于他的話是否準確先不下定論，但是足以驗證高精地圖在智能駕駛方面舉足輕重的角色地位。

但是，車輛畢竟是一個需要接受市場消費比擬的東西，誰的價值更加劃算才會成為消費者心中的首選，更何況一些地域還限制了高精地圖的使用，因此弱化高精地圖在所難免，而這樣會成為行業(yè)發(fā)展的全新方向。

最終，我想強調(diào)一點，曾在某汽車制造商的活動中，其工程師表示，自動駕駛技術的最佳解決方案應為高精地圖方案。

盡管對于此觀點的正確性暫不置評，但無疑，高精地圖在智能駕駛領域發(fā)揮著至關重要的作用。然而，鑒于車輛作為一種消費品，其市場競爭力取決于性價比，部分區(qū)域甚至限制了高精地圖的使用，因此高精地圖的地位勢必受到影響。這也將引領行業(yè)發(fā)展呈現(xiàn)出新的趨勢。