地图撑起高阶智驾的半边天_

文｜嗷嗷胡

有人的地方就有江湖，有江湖的地方就有误会和纷争。当一些原本只存在于从业人员群体中的技术开始向主流大众传播时，将不可避免地随着概念的模糊和营销动作的变形而产生很多误会和盲点，比如高阶智能驾驶里的无图方案。无图智驾方案的本意是不依赖高精地图，在这个概念的问世之初，这一点是明明白白、确切无疑的，但是，随着一些有意无意的传播和以讹传讹的宣传，到现在，无图的概念竟然已经等同于不使用任何来自地图的先验信息了。

正是在这种先入为主的误导下，前段时间，极越在AI DAY上宣布通过百度车道级导航地图助力极越实现“全国都能开，有图就能开”时，一些人就开始冷嘲热讽了，“高清地图换了个马甲，重新上车了。”，“友商都在搞无图，百度居然还有图，公然作弊，说明实力不咋地。”

澄清误会，正本清源，最好的方法论当然是第一性原理，而不是在二手信息和三手信息的假设前提下进行自相矛盾的分析。没错，万事万物都存在第一性原理，比如说，做产品的第一性原理是看一看能不能突破物理的极限，而不是拉清单，与竞争对手的每一项配置逐项做对比。理性争论有图和无图的第一性原理是回归高精地图的定义，分析它在高阶智驾中（曾经）发挥的作用，搞清楚为何在过去的几年中，高精地图从车企口中的小甜甜沦为了牛夫人，以及现在它又以什么样的形式服务于高阶智驾方案。

重图-高精地图的高光岁月

走的越远，就越容易忘记最初的出发点。回归概念的原始定义去咬文嚼字，把浓缩在定义中的字和词掰开了，揉碎了，从原点开始进行发散式的分析，是一种看似很笨实则可以更快捷直达问题本质的研究方法。

高精地图是有明确定义的。根据自然资源部发布的行业标准《CH/T 4026-2023 道路高精导航电子地图数据规范》，高精地图是一种“含有道路网、车道网、道路标线以及道路设施的几何、属性与关系，支持道路动态数据与自定义数据的接入，辅助道路交通工具自主智能运动与道路交通精细化管理，能够与通用导航电子地图协同应用的电子地图或数据集。”

从空间上，包含道路、车道、道路标线和道路设施，从时间上，包含静态数据和动态数据，从范围上，既包括标准数据，也可以自定义数据，三位一体，全方位覆盖。不用怀疑，高精地图包含了一辆车要实现自动驾驶所需要知道的与道路拓扑相关的所有信息，高精地图原本就是为这个而生的。换句话说，有了高精地图，无需车端感知和推理，就可以直接获取驾驶行为需要的所有和道路相关的信息，从作用上来说，高精地图就是一个感知道路信息的“传感器”。

图片来源视图：四维图新

正因为如此，在车端感知能力不是那么强大的日子里，高精地图成了车企们争相追逐的座上宾。在高精地图的帮助下，蔚来和小鹏率先实现了高速NOA功能，发力较晚的理想汽车也在2021年年底推出了全自研的高速NOA。在本土车企高速NOA的落地过程中，高精地图很好地证明了自身的价值。在车端感知能力不是那么强大、基于Transformer的BEV还未问世的年代里，采用高精地图实现对道路拓扑的推理成了被本土业界一致认可的技术路线，高精地图成了实现自动驾驶的神兵利器。为此，小鹏汽车专门在2021年收购了具备甲级地图测绘资质的图商智途科技，华为也曾经在高精地图的生产上面投入了巨大的精力，在2023年智能汽车解决方案发布会上，余承东透露已经在上海市区采集了上万公里的高精地图。

不过，当车企们卷完高速卷城区，将精力放到城市NOA之上时，大家很快意识到了高精地图的缺点-成本太高、鲜度不够。

高精地图的成本主要来自于其太过复杂的生产过程，需要通过多辆采集车针对同一路段进行数据采集，然后将多辆车采集的摄像头数据和激光雷达数据进行融合、拼接处理，接下来进行数据标注，基于深度学习进行元素识别和分类，最后通过人工验证生产出车道线、信号灯、标志牌、道路标线等高精地图图层信息。高昂的制作成本最终摊销到车企身上，每辆车每年的地图费用就高达几百块。复杂的制作过程导致的另一个连带后果是地图生产速度太慢，无法满足车企快速开城的需要。

图片来源：四维图新

轻图-来自算法和算力的降维打击

成本太高、制作太慢、鲜度不够，对于高精地图的这些固有缺点，中国本土所有电动车企心里都是门儿清，毕竟将激光雷达比喻成不需要的阑尾的马斯克早在2019年4月份就公开表示过对高精地图的不屑：“过分依赖高精地图会让自动驾驶系统变得极其脆弱，普及起来更加困难。”

但是，本土车企之所以在2022年之前都摆脱不掉对高精地图的依赖，主要的原因在于无法依靠车端实时感知实现效果可以媲美高精地图的道路拓扑网络。一方面，车端智驾芯片算力不够，英伟达当时处于量产状态的Xavier的NPU算力只有30个TOPS，另一方面，感知算法还停留在二维图片感知层面，基于传统CV（计算机视觉）+CNN（深度卷积神经网络）的算法无法提供对周边道路环境的准确感知。

也就是说，没有算法的进步和算力的提升，高精地图再贵、再慢，车企们也是要捏着鼻子用的，这一切的转折点发生在2021-2022年。从算力层面，英伟达2022年量产算力高达254TOPS的Orin芯片，相较于上一代芯片的30TOPS，几乎提升了整整一个数量级。在算法层面，特斯拉在2021年10月份的AI DAY上正式对外公开了基于Transformer的BEV感知算法，虽然由于历史的原因，Orin在硬件芯片层面并没有加入对Transformer架构的原生支持，但是，依靠强大的算子开发能力，英伟达可以很好地支持Transformer在Orin上的部署。就这样，算法、算力齐头并进，左右夹击，对高精地图形成了降维打击，于是，高精地图从小甜甜沦为牛夫人，就成了顺理成章的了。

图片来源：英伟达

车企对高精地图（以及激光雷达）前倨而后恭背后的逻辑，毫末智行CEO的说法比较公允：“高精地图与激光雷达最早之所以出现，是因为当时自动驾驶技术的摄像头感知能力较弱，并且算力性能也并不足以支撑感知算法；如今不仅摄像头像素有了大幅提升，大算力芯片也开始不断涌现，感知能力得到了大幅度提升。”

轻图的不同形式

如果说，基于高精地图的方案是给车端感知加了很多根拐杖，那么，随着车端感知能力的不断增强，（高精）地图在自动驾驶系统感知模块中的作用会一降再降。不过，正如路要一步一步走，饭要一口一口吃一样，智驾方案商不会一下子就甩掉高精地图中的所有拐杖。依据车企自动驾驶算法能力的差异、有没有采集地图的资质，抛拐杖会有各种各样的姿势，在高精地图瘦身的过程中，也会出现不同的轻地图形式。

第1种形式是针对特定的路线进行建图，比较有代表性的就是理想汽车2023年推出的通勤NOA，“简单的路线一周内可以激活，复杂一些的2-3周也可以完成训练”，对通勤路线的学习过程就是对这条特定路线建图的过程。书读百遍，其义自现，同理，一条路线开得多了，它的道路标识、车道、信号灯位置、交通灯的形式、路口的形状也就学习到手了。

第2种方式是对局部路段进行高精地图的建图，大疆车载曾经透露过这种方式，它的原理在于车端感知系统可以实现对相对简单路段道路拓扑的推理，但在一些复杂的路段，最好还是加入地图先验信息辅助车端感知。

第3种方式是百度的车道级导航地图，根据极越AI DAY发布会的说法，车道导航地图有经验图层、安全图层和实时图层，针对几乎所有路线和路段，和高精地图相比，这种轻量级地图没有那么多图层，比高精地图轻，但比普通导航地图重。它的独特优势在于覆盖度最广，可以在几乎所有路段实现对车端感知的冗余。