這是一個(gè)極為廣闊的問題，按照技術(shù)演進(jìn)的規(guī)劃，自動(dòng)駕駛從 L0 一直到 L5 分為 6 層，每一層都有不同的實(shí)現(xiàn)時(shí)間預(yù)期和技術(shù)演進(jìn)路線。其中 L3-L5 被認(rèn)為是真正意義上的自動(dòng)駕駛能力，L1-L2 只能算是自動(dòng)駕駛輔助。
從落地實(shí)現(xiàn)的角度看，市面上相當(dāng)多的 L2 級(jí)自動(dòng)駕駛輔助已經(jīng)實(shí)現(xiàn)量產(chǎn)交付;L3 級(jí)自動(dòng)駕駛預(yù)期能在未來的 1-3 年內(nèi)逐漸實(shí)現(xiàn)量產(chǎn)交付;L4 和 L5，目前能看到的多為 Demo，談量產(chǎn)為時(shí)尚早。
從 L2 到 L3 最大的跨越在于地圖數(shù)據(jù)的融合，而不只是計(jì)算機(jī)視覺等感知層面、系統(tǒng)決策能力、硬件算力的提升。如何把地圖數(shù)據(jù)與 ADAS 完美融合，這同樣是一個(gè)極為廣闊的問題，廣闊到幾乎可以決定自動(dòng)駕駛行業(yè)的未來。
與我們?nèi)粘ＵJ(rèn)知下的導(dǎo)航用地圖(SD Map)不同，自動(dòng)駕駛所需要的地圖完全不是可視化的產(chǎn)物，而是各種圖層與數(shù)據(jù)的堆砌;在具體的定義和命名上，每一個(gè)自動(dòng)駕駛公司和地圖供應(yīng)商都有不同的想法，不過最終落地時(shí)基本都不會(huì)脫離高精地圖的范疇。
所以，何為高精地圖?
抽絲剝繭，首先定義高精度，通常來說地圖數(shù)據(jù)絕對(duì)精度低于 1m、相對(duì)精度在 10-20cm 之間方可滿足 L3 級(jí)自動(dòng)駕駛的應(yīng)用;如果是 L4 甚至是 L5 級(jí)別的自動(dòng)駕駛功能，則需要更高精度的地圖數(shù)據(jù)，比如厘米級(jí)。
高精基礎(chǔ)地圖數(shù)據(jù)只是構(gòu)建 HD-Map 的地基，亭臺(tái)樓閣需要更多的道路和環(huán)境要素，以及多個(gè)維度的圖層來搭建。
道路包括但不限于車道中心車道方向、道路中心、車道連接線、停車線、應(yīng)急線路、截面關(guān)系、虛擬連接線、公路邊界、限速信息、符號(hào)意義、坡度、曲率;另一方面，道路周邊的環(huán)境信息同樣至關(guān)重要，簡(jiǎn)單理解就是在什么位置，有什么樣的標(biāo)志性事物，是顆樹，還是個(gè)龍門架，你得給我標(biāo)記出來。
靜態(tài)數(shù)據(jù)就夠了嗎?并不。
從高精地圖的搭建和采集來看，除了靜態(tài)維度，大量來自數(shù)據(jù)收集車輛的駕駛經(jīng)驗(yàn)數(shù)據(jù)和實(shí)時(shí)環(huán)境動(dòng)態(tài)數(shù)據(jù)可以進(jìn)一步豐富高精地圖的信息維度。因?yàn)橐粋€(gè)好的的自動(dòng)駕駛算法應(yīng)該和優(yōu)秀的人類駕駛員有著一樣表現(xiàn)，而這需要人工智能算法和地圖經(jīng)驗(yàn)數(shù)據(jù)的共同加持。
這些多個(gè)維度的數(shù)據(jù)疊加起來形成一個(gè)服務(wù)于自動(dòng)駕駛算法的三維虛擬世界，換而言之，普通導(dǎo)航地圖是給人看的，高精地圖是服務(wù)于機(jī)器的。
虛擬世界的建立
車頂上裝一堆傳感器的地圖測(cè)繪車相信大部分人都在街上遇到過，比如筆者最常見到的是百度與高德的測(cè)繪車，在提升傳感器精度(包括視覺攝像頭與激光雷達(dá))之后，就可以服務(wù)于高精地圖的采集，這也是傳統(tǒng)圖商的慣用方法。
專用地圖采集車的優(yōu)點(diǎn)是數(shù)據(jù)維度豐富，位置信息等重要數(shù)據(jù)精確度高。缺點(diǎn)?缺點(diǎn)是更新慢和成本昂貴。
與傳統(tǒng)圖商形成明顯差異的是以自動(dòng)駕駛開發(fā)者進(jìn)入地圖行業(yè)的公司，他們的建圖方法多依賴于眾包建圖，通過基礎(chǔ)的視覺圖像和一套分布于邊緣和云端的算法來合成出可用的高精地圖，圖像來著哪里?可以是從 ADAS 系統(tǒng)中截取，也可以一套額外的小巧硬件。
缺點(diǎn)在哪里?車端的定位硬件性能迥異，視覺圖像嵌入位置信息時(shí)極有可能產(chǎn)生米級(jí)甚至幾十米的偏差，如何在這種情況下提高數(shù)據(jù)的可用性是核心競(jìng)爭(zhēng)力。
而對(duì)于成熟的自動(dòng)駕駛開發(fā)者來說，一個(gè)明顯優(yōu)勢(shì)是搭載在量產(chǎn)車型上的視覺傳感器基數(shù)，以 Mobileye 為例，他們已經(jīng)量產(chǎn)裝車可用于地圖數(shù)據(jù)收集的 ADAS 數(shù)量以百萬級(jí)，有足夠的規(guī)模效應(yīng)來克服單次數(shù)據(jù)收集的數(shù)據(jù)離散問題，如果難以理解，回憶一下你在大學(xué)時(shí)高數(shù)課上的正態(tài)分布，差不多就是那么回事。
眾包收集的信息(未離散收攏的情況)
傳感器基數(shù)/裝車數(shù)量足夠龐大、算法足夠優(yōu)秀的情況下，視覺眾包地圖采集方案一樣可以產(chǎn)出一張優(yōu)秀的高精地圖，一個(gè)行業(yè)內(nèi)的基礎(chǔ)數(shù)據(jù)是一個(gè)車道需要 10 次采集就能實(shí)現(xiàn)建圖數(shù)據(jù)的收集。
裝車數(shù)量還涉及到一個(gè)非常關(guān)鍵的屬性：地圖更新速度。這么多車子天天在路上收集地圖數(shù)據(jù)，更新速度的瓶頸就不再是數(shù)據(jù)采集，而是后端的數(shù)據(jù)處理了，處理的有多快，地圖更新周期就有多短。
眾包地圖的車端硬件成本在目前越來越多車輛標(biāo)配 L2 級(jí)自動(dòng)駕駛輔助的情況下變得微不足道，因?yàn)榭梢詮?fù)用 ADAS 相關(guān)的感知、算力硬件和車聯(lián)網(wǎng)能力。主要難點(diǎn)和成本在于一個(gè)足夠效率的車端邊緣算法和云端生產(chǎn)線的建設(shè)，好的邊緣算法可以保證數(shù)據(jù)上傳成本可控;云端能力的建設(shè)則對(duì)于任何一家在汽車新四化時(shí)代有野心的汽車行業(yè)巨頭來說都是必須具備的，放棄即意味著被淘汰。
所以視覺眾包建圖從采集流程來看是顯而易見的低成本和極高的更新效率。
(眾包收集的密度)
數(shù)據(jù)與感知的前端融合
筆者有一個(gè)對(duì)于目前汽車工業(yè)體系來說頗為激進(jìn)的看法，更高級(jí)別的自動(dòng)駕駛輔助功能如 L3，應(yīng)當(dāng)與地圖能力同屬于一個(gè)開發(fā)體系之下，形成數(shù)據(jù)閉環(huán)與能力互通。
為什么?
首次從地圖數(shù)據(jù)的應(yīng)用說起，以 L3 功能為例，海量的地圖數(shù)據(jù)在自動(dòng)駕駛系統(tǒng)運(yùn)行過程中是作為基礎(chǔ)數(shù)據(jù)與實(shí)時(shí)感知結(jié)果進(jìn)行比對(duì)的，實(shí)現(xiàn)高精度視覺定位，在此能力背景下方能實(shí)現(xiàn)安全的自主變道和變換高速等功能。實(shí)時(shí)數(shù)據(jù)建圖和既有高精地圖的融合過程即為 SLAM，如果展開細(xì)講，那么又是一篇長(zhǎng)文，這里先不贅述了。
所以如果地圖數(shù)據(jù)的視覺收集過程與自動(dòng)駕駛視覺感知在算法上有趨同性，那么在前端就可以實(shí)現(xiàn)高效率的數(shù)據(jù)融合，提高視覺定位精度。
但為什么說是激進(jìn)的看法?因?yàn)閷?duì)于現(xiàn)行汽車工業(yè)體系來說，每一個(gè)部分找一個(gè)供應(yīng)商來解決問題是慣常做法，這就很容易出現(xiàn)地圖數(shù)據(jù)和自動(dòng)駕駛能力來自不同的供應(yīng)商，兩者之間的結(jié)構(gòu)性數(shù)據(jù)的銜接極易成為瓶頸。
實(shí)際上把地圖數(shù)據(jù)收集與自動(dòng)駕駛能力框定在同一個(gè)開發(fā)體系之下在行業(yè)內(nèi)已經(jīng)有現(xiàn)成案例，比如 Mobileye、特斯拉，甚至交付量剛剛過萬的理想汽車。
除了前端融合所產(chǎn)生的高精度定位結(jié)果，高精地圖里包含的豐富信息還可以進(jìn)一步優(yōu)化自動(dòng)駕駛輔助的表現(xiàn)，比如跨線橋銜接處的坡度異常數(shù)據(jù)可以幫助自動(dòng)駕駛系統(tǒng)實(shí)現(xiàn)預(yù)防性的降速，避免車輛顛簸帶來的不適性;或者在接近高速/高架的小曲率路段時(shí)參照駕駛經(jīng)驗(yàn)數(shù)據(jù)以更穩(wěn)健的速度來通過。
這些基于數(shù)據(jù)能力的細(xì)化場(chǎng)景優(yōu)化帶來的是整體駕駛體驗(yàn)和安全性的提升，一個(gè)可參考的邏輯是人類老司機(jī)的最重要技能就是對(duì)路面與道路環(huán)境的熟悉程度，一套配備實(shí)時(shí)更新、數(shù)據(jù)豐富的高精地圖的自動(dòng)駕駛算法顯然與「老司機(jī)」具備一樣的能力邏輯。
閉環(huán)
說到這里，關(guān)于地圖生產(chǎn)與使用的閉環(huán)已經(jīng)初步成形:
眾包地圖數(shù)據(jù)收集> 高精地圖對(duì)自動(dòng)駕駛輔助的加持> 更好的用戶體驗(yàn)> 更多的銷售數(shù)量> 更多的眾包地圖數(shù)據(jù)
這條閉環(huán)上包含了豐富的用戶運(yùn)營維度與變現(xiàn)能力，當(dāng)然如何調(diào)動(dòng)用戶更多的積極性和實(shí)現(xiàn)地圖數(shù)據(jù)的進(jìn)一步變現(xiàn)，這些同樣是廣闊的問題，就不在此進(jìn)行探討了，交給行業(yè)先行者們?nèi)で笞罴训拇鸢赴伞?/p>
眾包高精地圖對(duì)自動(dòng)駕駛發(fā)展的影響，首發(fā)于GeekCar。
