高精地图，一场资本的狂欢

高精度地图对高级别自动驾驶依然重要，但可真正落地的商业化模式仍在探索中。

高级别自动驾驶，是否一定需要依赖高精地图？

与传感器和软件一样，地图是自动驾驶技术的关键组成部分。为了安全驾驶，自动驾驶汽车不仅需要知道它们在哪里，还需要知道它们周围是什么。

过去几年，在高精地图赛道，初创企业数量激增。他们做着看似相同的事情，但背后却是资本助推了风险“放大”。

去年，一家在高精地图领域有一定知名度的初创公司lvl5，在两位创始人加盟另一家初创公司以及公司三年来累计的众包数据出售给另一家地图公司而“寿终正寝”。

当时，lvl5的商业模式是，与多家汽车制造商合作，每一家都支付一笔安装系统的初始费用，然后对每辆车收取月费来维护地图。这种模式，也是许多类似初创公司的选择。

然而，在自动驾驶汽车普及之前，该行业需要克服两大挑战——能够真正落地的技术和能够赚钱的商业模式。

尤其是，现有高精地图的优势和劣势，同样突出。

一方面，高精地图的绘制需要大量的车队投入以及庞大的众包模式才能实现广覆盖和更新频率。

另一方面，商业化的高精地图仍然存在地理围栏的限制，比如凯迪拉克的Super Cruise系统目前为止只能在已经精确绘制和实现定期更新的道路上才能正常开启自动驾驶。

考虑到越来越多的汽车制造商和图商近年来押注基于高精地图的自动驾驶技术实现路径，对于是否需要高精地图的探讨似乎已经有了明确的答案。

不过，自动驾驶的魅力，却正是在于技术路线实现的多样化。

一、高精地图，可有可无？

两年前，麻省理工学院计算机科学和人工智能实验室(CSAIL)的一组研究人员开发出一种方法，可以让自动驾驶汽车在不依赖昂贵的高精地图数据库的情况下“理解”周边环境。

他们的解决方案被称为MapLite，使用来自OpenStreetMap的基础地形图，并结合GPS、激光雷达和惯性测量单元传感器。

该项目的研究人员曾表示：“这样一个仅靠车载传感器导航的系统，显示出自动驾驶汽车的潜力，它能够实际处理的道路数量超出了现有绘制的少数高精地图里程。”

目前，在公共道路上进行测试的大多数全自动驾驶汽车都需要有清晰的车道标识，或者依赖于能够告诉车辆预期结果的高精地图数据，或者两者兼备。

当然，CSAIL团队并不是唯一试图在没有预先给出的高精地图基础上实现自动驾驶的团队。

一年后，在2019年CES展上，一家名为Imagry的无人驾驶汽车软件开发商首次展示其最新版本的mapless平台。

该解决方案也同样使用了一种既不需要高精地图也不需要云连接的方法，目的是让自动驾驶汽车市场以更低的成本更快地扩展和商业化。

Imagry的平台可以识别道路、路线、车辆、障碍物和行人。通过内部开发的模拟器进行训练，该软件的Aleph Star算法使用基于物理的规划来实时补偿感知错误。

Imagry使用了一种高度智能的、基于视觉的方法，允许自动驾驶车辆在较少依赖人工干预的情况下快速扩展可行驶区域。

它的工作原理是根据深度学习的结果动态创建“迷你地图”。这种方法允许车辆了解道路的当前状态，包括最新的道路障碍、环境条件和现有的道路规则。

这家公司去年开始在亚利桑那州坦佩市中心拥挤的街道上完成了自己的试验。那里有大量的行人、骑自行车的人和其他交通工具，mapless技术表现完美，能够识别障碍物、停止标志、人行道等，同时遵守该地区的道路规则。

近日，Imagry宣布与AutonomouStuff合作，将mapless技术打包进后者的自动驾驶产品组合，在全球范围内推广。

AutonomouStuff公司负责人表示，“Imagry设计了一个不需要预先创建和不断更新高精地图的导航系统，这为自动驾驶的低成本商业化提供了新的选择。”

无独有偶，就在今年初，Facebook人工智能的一个团队创造了一种强化学习算法，让机器人在不熟悉的环境中不用地图就能找到行径路线。

该方案只需使用深度感应摄像头、GPS和惯导数据，通过算法就能让机器人在99.9%的情况下沿着一条非常接近最短路径的路线前进。

目前，Facebook的算法还不能处理室外环境，但它是朝着这个方向迈出的有希望的一步，可能会适用于城市交通领域。

在即时定位与地图构建(SLAM)、结合多源数据(传感器融合)、路径规划和运动控制的整个环境同步映射过程中，基于深度学习的端到端(e2e)解决方案被视为可能的解决方案。

二、高精地图的终极模式？

在自动驾驶领域，高精地图是汽车传感器的补充。通过使用地图数据，可以预测前方道路，远远超出车辆的传感器范围。此外，借助地图与传感器的融合，还可以实现恶劣能见度条件下的安全冗余。

但创建可靠的大规模应用的高精地图所面临的挑战，某种意义上不亚于车规级激光雷达的难度。ISO 26262定义的汽车安全完整性等级(ASIL)，但目前还不能为地图数据评估相应的安全等级。

为了确保正确的精度，制图者必须通过在四个要素方面来控制地图质量。包括，数据收集是否正确；保证质量和防止错误；如何避免数据转换过程中的任何损失以及数据安全。

最大的挑战，就是收集足够的数据来创建高精地图，并且可以“实时更新”。

同时，众包方法的优点和缺点同样明显。

成本低、可扩展意味着门槛的降低。然而，缺点是数据相对不准确，因为没有很多硬件来支持收集数据的准确性。

在实际量产方面，特斯拉就是一家典型的不依赖外部供应商常规高精地图支持的自动驾驶公司。

众所周知，高精地图可以帮助汽车提前了解周围的世界，尤其是车辆第一次在陌生的道路上行驶时，从而帮助自动驾驶系统在有限的传感器、处理器和实时条件下解决一些问题。

和激光雷达一样，马斯克认为自动驾驶需要一个实时分析系统，这个系统非常好，以至于需要从地图上得到的东西很少。

相反，过度依赖于地图，反而会减慢开发必要的非常好的系统的动力。这背后还有一种理念就是：那些使用地图的系统只会在有地图数据的地方行驶，这就是问题所在。

过去几年，图商们都在尝试通过自有车队以及众包模式实现高精地图的预先构建和更新。汽车制造商则以采购的方式来使用这些高精地图数据。

前提是，这些车辆在道路上行驶的频率极高，以至于当道路发生任何变化时，他们很快就能检测到，并将有关变化的压缩数据上传到云端更新，然后下载到驶近该地区的汽车上。

特斯拉的模式，则是基于全球各地的特斯拉车辆采集的大量数据训练深度神经网络。用高清地图补充实时感知，这些地图是由车辆实时拍摄的图像拼接而成。

特斯拉正在一步步给出自己的答案。近日，特斯拉联合子公司DeepScale提交了一项新的专利申请，名为“用增强数据训练机器模型的系统和方法”。