众包高精地图对自动驾驶发展有何影响

自动驾驶的未来在哪里？

这是一个极为广阔的问题，按照技术演进的规划，自动驾驶从 L0 一直到 L5 分为 6 层，每一层都有不同的实现时间预期和技术演进路线。其中 L3-L5 被认为是真正意义上的自动驾驶能力，L1-L2 只能算是自动驾驶辅助。

从落地实现的角度看，市面上相当多的 L2 级自动驾驶辅助已经实现量产交付；L3 级自动驾驶预期能在未来的 1-3 年内逐渐实现量产交付；L4 和 L5，目前能看到的多为 Demo，谈量产为时尚早。

从 L2 到 L3 最大的跨越在于地图数据的融合，而不只是计算机视觉等感知层面、系统决策能力、硬件算力的提升。如何把地图数据与 ADAS 完美融合，这同样是一个极为广阔的问题，广阔到几乎可以决定自动驾驶行业的未来。

与我们日常认知下的导航用地图（SD Map）不同，自动驾驶所需要的地图完全不是可视化的产物，而是各种图层与数据的堆砌；在具体的定义和命名上，每一个自动驾驶公司和地图供应商都有不同的想法，不过最终落地时基本都不会脱离高精地图的范畴。

所以，何为高精地图？

抽丝剥茧，首先定义高精度，通常来说地图数据绝对精度低于 1m、相对精度在 10-20cm 之间方可满足 L3 级自动驾驶的应用；如果是 L4 甚至是 L5 级别的自动驾驶功能，则需要更高精度的地图数据，比如厘米级。

高精基础地图数据只是构建 HD-Map 的地基，亭台楼阁需要更多的道路和环境要素，以及多个维度的图层来搭建。

道路包括但不限于车道中心车道方向、道路中心、车道连接线、停车线、应急线路、截面关系、虚拟连接线、公路边界、限速信息、符号意义、坡度、曲率；另一方面，道路周边的环境信息同样至关重要，简单理解就是在什么位置，有什么样的标志性事物，是颗树，还是个龙门架，你得给我标记出来。

车道线互联

静态数据就够了吗？并不。

从高精地图的搭建和采集来看，除了静态维度，大量来自数据收集车辆的驾驶经验数据和实时环境动态数据可以进一步丰富高精地图的信息维度。因为一个好的的自动驾驶算法应该和优秀的人类驾驶员有着一样表现，而这需要人工智能算法和地图经验数据的共同加持。

这些多个维度的数据叠加起来形成一个服务于自动驾驶算法的三维虚拟世界，换而言之，普通导航地图是给人看的，高精地图是服务于机器的。

虚拟世界的建立

车顶上装一堆传感器的地图测绘车相信大部分人都在街上遇到过，比如笔者最常见到的是百度与高德的测绘车，在提升传感器精度（包括视觉摄像头与激光雷达）之后，就可以服务于高精地图的采集，这也是传统图商的惯用方法。

专用地图采集车的优点是数据维度丰富，位置信息等重要数据精确度高。缺点？缺点是更新慢和成本昂贵。

与传统图商形成明显差异的是以自动驾驶开发者进入地图行业的公司，他们的建图方法多依赖于众包建图，通过基础的视觉图像和一套分布于边缘和云端的算法来合成出可用的高精地图，图像来着哪里？可以是从 ADAS 系统中截取，也可以一套额外的小巧硬件。

缺点在哪里？车端的定位硬件性能迥异，视觉图像嵌入位置信息时极有可能产生米级甚至几十米的偏差，如何在这种情况下提高数据的可用性是核心竞争力。

而对于成熟的自动驾驶开发者来说，一个明显优势是搭载在量产车型上的视觉传感器基数，以 Mobileye 为例，他们已经量产装车可用于地图数据收集的 ADAS 数量以百万级，有足够的规模效应来克服单次数据收集的数据离散问题，如果难以理解，回忆一下你在大学时高数课上的正态分布，差不多就是那么回事。

众包收集的信息（未离散收拢的情况）

传感器基数/装车数量足够庞大、算法足够优秀的情况下，视觉众包地图采集方案一样可以产出一张优秀的高精地图，一个行业内的基础数据是一个车道需要 10 次采集就能实现建图数据的收集。

装车数量还涉及到一个非常关键的属性：地图更新速度。这么多车子天天在路上收集地图数据，更新速度的瓶颈就不再是数据采集，而是后端的数据处理了，处理的有多快，地图更新周期就有多短。

众包地图的车端硬件成本在目前越来越多车辆标配 L2 级自动驾驶辅助的情况下变得微不足道，因为可以复用 ADAS 相关的感知、算力硬件和车联网能力。主要难点和成本在于一个足够效率的车端边缘算法和云端生产线的建设，好的边缘算法可以保证数据上传成本可控；云端能力的建设则对于任何一家在汽车新四化时代有野心的汽车行业巨头来说都是必须具备的，放弃即意味着被淘汰。

所以视觉众包建图从采集流程来看是显而易见的低成本和极高的更新效率。

众包收集的密度

数据与感知的前端融合

笔者有一个对于目前汽车工业体系来说颇为激进的看法，更高级别的自动驾驶辅助功能如 L3，应当与地图能力同属于一个开发体系之下，形成数据闭环与能力互通。

为什么？

首次从地图数据的应用说起，以 L3 功能为例，海量的地图数据在自动驾驶系统运行过程中是作为基础数据与实时感知结果进行比对的，实现高精度视觉定位，在此能力背景下方能实现安全的自主变道和变换高速等功能。实时数据建图和既有高精地图的融合过程即为 SLAM，如果展开细讲，那么又是一篇长文，这里先不赘述了。

所以如果地图数据的视觉收集过程与自动驾驶视觉感知在算法上有趋同性，那么在前端就可以实现高效率的数据融合，提高视觉定位精度。

但为什么说是激进的看法？因为对于现行汽车工业体系来说，每一个部分找一个供应商来解决问题是惯常做法，这就很容易出现地图数据和自动驾驶能力来自不同的供应商，两者之间的结构性数据的衔接极易成为瓶颈。

实际上把地图数据收集与自动驾驶能力框定在同一个开发体系之下在行业内已经有现成案例，比如 Mobileye、特斯拉，甚至交付量刚刚过万的理想汽车。

除了前端融合所产生的高精度定位结果，高精地图里包含的丰富信息还可以进一步优化自动驾驶辅助的表现，比如跨线桥衔接处的坡度异常数据可以帮助自动驾驶系统实现预防性的降速，避免车辆颠簸带来的不适性；或者在接近高速/高架的小曲率路段时参照驾驶经验数据以更稳健的速度来通过。

这些基于数据能力的细化场景优化带来的是整体驾驶体验和安全性的提升，一个可参考的逻辑是人类老司机的最重要技能就是对路面与道路环境的熟悉程度，一套配备实时更新、数据丰富的高精地图的自动驾驶算法显然与「老司机」具备一样的能力逻辑。

闭环

说到这里，关于地图生产与使用的闭环已经初步成形:

众包地图数据收集> 高精地图对自动驾驶辅助的加持> 更好的用户体验> 更多的销售数量> 更多的众包地图数据

这条闭环上包含了丰富的用户运营维度与变现能力，当然如何调动用户更多的积极性和实现地图数据的进一步变现，这些同样是广阔的问题，就不在此进行探讨了，交给行业先行者们去寻求最佳的答案吧。