這是一個極為廣闊的問題，按照技術演進的規劃，自動駕駛從 L0 一直到 L5 分為 6 層，每一層都有不同的實現時間預期和技術演進路線。其中 L3-L5 被認為是真正意義上的自動駕駛能力，L1-L2 只能算是自動駕駛輔助。

　　從落地實現的角度看，市面上相當多的 L2 級自動駕駛輔助已經實現量產交付;L3 級自動駕駛預期能在未來的 1-3 年內逐漸實現量產交付;L4 和 L5，目前能看到的多為 Demo，談量產為時尚早。

　　從 L2 到 L3 最大的跨越在于地圖數據的融合，而不只是計算機視覺等感知層面、系統決策能力、硬件算力的提升。如何把地圖數據與 ADAS 完美融合，這同樣是一個極為廣闊的問題，廣闊到幾乎可以決定自動駕駛行業的未來。

　　與我們日常認知下的導航用地圖(SD Map)不同，自動駕駛所需要的地圖完全不是可視化的產物，而是各種圖層與數據的堆砌;在具體的定義和命名上，每一個自動駕駛公司和地圖供應商都有不同的想法，不過最終落地時基本都不會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，通常來說地圖數據絕對精度低于 1m、相對精度在 10-20cm 之間方可滿足 L3 級自動駕駛的應用;如果是 L4 甚至是 L5 級別的自動駕駛功能，則需要更高精度的地圖數據，比如厘米級。

　　高精基礎地圖數據只是構建 HD-Map 的地基，亭臺樓閣需要更多的道路和環境要素，以及多個維度的圖層來搭建。

　　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、應急線路、截面關系、虛擬連接線、公路邊界、限速信息、符號意義、坡度、曲率;另一方面，道路周邊的環境信息同樣至關重要，簡單理解就是在什么位置，有什么樣的標志性事物，是顆樹，還是個龍門架，你得給我標記出來。

　　靜態數據就夠了嗎?并不。

　　從高精地圖的搭建和采集來看，除了靜態維度，大量來自數據收集車輛的駕駛經驗數據和實時環境動態數據可以進一步豐富高精地圖的信息維度。因為一個好的的自動駕駛算法應該和優秀的人類駕駛員有著一樣表現，而這需要人工智能算法和地圖經驗數據的共同加持。

　　這些多個維度的數據疊加起來形成一個服務于自動駕駛算法的三維虛擬世界，換而言之，普通導航地圖是給人看的，高精地圖是服務于機器的。

　　虛擬世界的建立

　　車頂上裝一堆傳感器的地圖測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繪車，在提升傳感器精度(包括視覺攝像頭與激光雷達)之后，就可以服務于高精地圖的采集，這也是傳統圖商的慣用方法。

　　專用地圖采集車的優點是數據維度豐富，位置信息等重要數據精確度高。缺點?缺點是更新慢和成本昂貴。

　　與傳統圖商形成明顯差異的是以自動駕駛開發者進入地圖行業的公司，他們的建圖方法多依賴于眾包建圖，通過基礎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 系統中截取，也可以一套額外的小巧硬件。

　　缺點在哪里?車端的定位硬件性能迥異，視覺圖像嵌入位置信息時極有可能產生米級甚至幾十米的偏差，如何在這種情況下提高數據的可用性是核心競爭力。

　　而對于成熟的自動駕駛開發者來說，一個明顯優勢是搭載在量產車型上的視覺傳感器基數，以 Mobileye 為例，他們已經量產裝車可用于地圖數據收集的 ADAS 數量以百萬級，有足夠的規模效應來克服單次數據收集的數據離散問題，如果難以理解，回憶一下你在大學時高數課上的正態分布，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/裝車數量足夠龐大、算法足夠優秀的情況下，視覺眾包地圖采集方案一樣可以產出一張優秀的高精地圖，一個行業內的基礎數據是一個車道需要 10 次采集就能實現建圖數據的收集。

　　裝車數量還涉及到一個非常關鍵的屬性：地圖更新速度。這么多車子天天在路上收集地圖數據，更新速度的瓶頸就不再是數據采集，而是后端的數據處理了，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配 L2 級自動駕駛輔助的情況下變得微不足道，因為可以復用 ADAS 相關的感知、算力硬件和車聯網能力。主要難點和成本在于一個足夠效率的車端邊緣算法和云端生產線的建設，好的邊緣算法可以保證數據上傳成本可控;云端能力的建設則對于任何一家在汽車新四化時代有野心的汽車行業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)

　　數據與感知的前端融合

　　筆者有一個對于目前汽車工業體系來說頗為激進的看法，更高級別的自動駕駛輔助功能如 L3，應當與地圖能力同屬于一個開發體系之下，形成數據閉環與能力互通。

　　為什么?

　　首次從地圖數據的應用說起，以 L3 功能為例，海量的地圖數據在自動駕駛系統運行過程中是作為基礎數據與實時感知結果進行比對的，實現高精度視覺定位，在此能力背景下方能實現安全的自主變道和變換高速等功能。實時數據建圖和既有高精地圖的融合過程即為 SLAM，如果展開細講，那么又是一篇長文，這里先不贅述了。

　　所以如果地圖數據的視覺收集過程與自動駕駛視覺感知在算法上有趨同性，那么在前端就可以實現高效率的數據融合，提高視覺定位精度。

　　但為什么說是激進的看法?因為對于現行汽車工業體系來說，每一個部分找一個供應商來解決問題是慣常做法，這就很容易出現地圖數據和自動駕駛能力來自不同的供應商，兩者之間的結構性數據的銜接極易成為瓶頸。

　　實際上把地圖數據收集與自動駕駛能力框定在同一個開發體系之下在行業內已經有現成案例，比如 Mobileye、特斯拉，甚至交付量剛剛過萬的理想汽車。

　　除了前端融合所產生的高精度定位結果，高精地圖里包含的豐富信息還可以進一步優化自動駕駛輔助的表現，比如跨線橋銜接處的坡度異常數據可以幫助自動駕駛系統實現預防性的降速，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參照駕駛經驗數據以更穩健的速度來通過。

　　這些基于數據能力的細化場景優化帶來的是整體駕駛體驗和安全性的提升，一個可參考的邏輯是人類老司機的最重要技能就是對路面與道路環境的熟悉程度，一套配備實時更新、數據豐富的高精地圖的自動駕駛算法顯然與「老司機」具備一樣的能力邏輯。

　　閉環

　　說到這里，關于地圖生產與使用的閉環已經初步成形:

　　眾包地圖數據收集> 高精地圖對自動駕駛輔助的加持> 更好的用戶體驗> 更多的銷售數量> 更多的眾包地圖數據

　　這條閉環上包含了豐富的用戶運營維度與變現能力，當然如何調動用戶更多的積極性和實現地圖數據的進一步變現，這些同樣是廣闊的問題，就不在此進行探討了，交給行業先行者們去尋求最佳的答案吧。

　　眾包高精地圖對自動駕駛發展的影響，首發于GeekCar。