高級別自動駕駛，是否一定需要依賴高精地圖？

與傳感器和軟件一樣，地圖是自動駕駛技術的關鍵組成部分。為了安全駕駛，自動駕駛汽車不僅需要知道它們在哪里，還需要知道它們周圍是什么。

過去幾年，在高精地圖賽道，初創企業數量激增。他們做著看似相同的事情，但背后卻是資本助推了風險“放大”。

去年，一家在高精地圖領域有一定知名度的初創公司lvl5，在兩位創始人加盟另一家初創公司以及公司三年來累計的眾包數據出售給另一家地圖公司而“壽終正寢”。

當時，lvl5的商業模式是，與多家汽車制造商合作，每一家都支付一筆安裝系統的初始費用，然后對每輛車收取月費來維護地圖。這種模式，也是許多類似初創公司的選擇。

然而，在自動駕駛汽車普及之前，該行業需要克服兩大挑戰——能夠真正落地的技術和能夠賺錢的商業模式。

尤其是，現有高精地圖的優勢和劣勢，同樣突出。

一方面，高精地圖的繪制需要大量的車隊投入以及龐大的眾包模式才能實現廣覆蓋和更新頻率。

另一方面，商業化的高精地圖仍然存在地理圍欄的限制，比如凱迪拉克的Super Cruise系統目前為止只能在已經精確繪制和實現定期更新的道路上才能正常開啟自動駕駛。

考慮到越來越多的汽車制造商和圖商近年來押注基于高精地圖的自動駕駛技術實現路徑，對于是否需要高精地圖的探討似乎已經有了明確的答案。

不過，自動駕駛的魅力，卻正是在于技術路線實現的多樣化。

一、高精地圖，可有可無？

兩年前，麻省理工學院計算機科學和人工智能實驗室(CSAIL)的一組研究人員開發出一種方法，可以讓自動駕駛汽車在不依賴昂貴的高精地圖數據庫的情況下“理解”周邊環境。

他們的解決方案被稱為MapLite，使用來自OpenStreetMap的基礎地形圖，并結合GPS、激光雷達和慣性測量單元傳感器。

該項目的研究人員曾表示：“這樣一個僅靠車載傳感器導航的系統，顯示出自動駕駛汽車的潛力，它能夠實際處理的道路數量超出了現有繪制的少數高精地圖里程。”

目前，在公共道路上進行測試的大多數全自動駕駛汽車都需要有清晰的車道標識，或者依賴于能夠告訴車輛預期結果的高精地圖數據，或者兩者兼備。

當然，CSAIL團隊并不是唯一試圖在沒有預先給出的高精地圖基礎上實現自動駕駛的團隊。

一年后，在2019年CES展上，一家名為Imagry的無人駕駛汽車軟件開發商首次展示其最新版本的mapless平臺。

該解決方案也同樣使用了一種既不需要高精地圖也不需要云連接的方法，目的是讓自動駕駛汽車市場以更低的成本更快地擴展和商業化。

Imagry的平臺可以識別道路、路線、車輛、障礙物和行人。通過內部開發的模擬器進行訓練，該軟件的Aleph Star算法使用基于物理的規劃來實時補償感知錯誤。

Imagry使用了一種高度智能的、基于視覺的方法，允許自動駕駛車輛在較少依賴人工干預的情況下快速擴展可行駛區域。

它的工作原理是根據深度學習的結果動態創建“迷你地圖”。這種方法允許車輛了解道路的當前狀態，包括最新的道路障礙、環境條件和現有的道路規則。

這家公司去年開始在亞利桑那州坦佩市中心擁擠的街道上完成了自己的試驗。那里有大量的行人、騎自行車的人和其他交通工具，mapless技術表現完美，能夠識別障礙物、停止標志、人行道等，同時遵守該地區的道路規則。

近日，Imagry宣布與AutonomouStuFF合作，將mapless技術打包進后者的自動駕駛產品組合，在全球范圍內推廣。

AutonomouStuff公司負責人表示，“Imagry設計了一個不需要預先創建和不斷更新高精地圖的導航系統，這為自動駕駛的低成本商業化提供了新的選擇。”

無獨有偶，就在今年初，Facebook人工智能的一個團隊創造了一種強化學習算法，讓機器人在不熟悉的環境中不用地圖就能找到行徑路線。

該方案只需使用深度感應攝像頭、GPS和慣導數據，通過算法就能讓機器人在99.9%的情況下沿著一條非常接近最短路徑的路線前進。

目前，Facebook的算法還不能處理室外環境，但它是朝著這個方向邁出的有希望的一步，可能會適用于城市交通領域。

在即時定位與地圖構建(SLAM)、結合多源數據(傳感器融合)、路徑規劃和運動控制的整個環境同步映射過程中，基于深度學習的端到端(e2e)解決方案被視為可能的解決方案。

二、高精地圖的終極模式？

在自動駕駛領域，高精地圖是汽車傳感器的補充。通過使用地圖數據，可以預測前方道路，遠遠超出車輛的傳感器范圍。此外，借助地圖與傳感器的融合，還可以實現惡劣能見度條件下的安全冗余。

但創建可靠的大規模應用的高精地圖所面臨的挑戰，某種意義上不亞于車規級激光雷達的難度。ISO 26262定義的汽車安全完整性等級(ASIL)，但目前還不能為地圖數據評估相應的安全等級。

為了確保正確的精度，制圖者必須通過在四個要素方面來控制地圖質量。包括，數據收集是否正確；保證質量和防止錯誤；如何避免數據轉換過程中的任何損失以及數據安全。

最大的挑戰，就是收集足夠的數據來創建高精地圖，并且可以“實時更新”。

同時，眾包方法的優點和缺點同樣明顯。

成本低、可擴展意味著門檻的降低。然而，缺點是數據相對不準確，因為沒有很多硬件來支持收集數據的準確性。

在實際量產方面，特斯拉就是一家典型的不依賴外部供應商常規高精地圖支持的自動駕駛公司。

眾所周知，高精地圖可以幫助汽車提前了解周圍的世界，尤其是車輛第一次在陌生的道路上行駛時，從而幫助自動駕駛系統在有限的傳感器、處理器和實時條件下解決一些問題。

和激光雷達一樣，馬斯克認為自動駕駛需要一個實時分析系統，這個系統非常好，以至于需要從地圖上得到的東西很少。

相反，過度依賴于地圖，反而會減慢開發必要的非常好的系統的動力。這背后還有一種理念就是：那些使用地圖的系統只會在有地圖數據的地方行駛，這就是問題所在。

過去幾年，圖商們都在嘗試通過自有車隊以及眾包模式實現高精地圖的預先構建和更新。汽車制造商則以采購的方式來使用這些高精地圖數據。

前提是，這些車輛在道路上行駛的頻率極高，以至于當道路發生任何變化時，他們很快就能檢測到，并將有關變化的壓縮數據上傳到云端更新，然后下載到駛近該地區的汽車上。

特斯拉的模式，則是基于全球各地的特斯拉車輛采集的大量數據訓練深度神經網絡。用高清地圖補充實時感知，這些地圖是由車輛實時拍攝的圖像拼接而成。

特斯拉正在一步步給出自己的答案。近日，特斯拉聯合子公司DeepScale提交了一項新的專利申請，名為“用增強數據訓練機器模型的系統和方法”。

該方法旨在改進Autopilot軟件使用其8個攝像頭識別環境的方式，也被稱為“3D標簽”。一個形象的比喻就是：人類的眼睛通常處理數據片段并將其發送給大腦，然后大腦將所有信息整合在一起，這樣人類就能看到整個畫面。

而特斯拉將能夠處理來自所有8個攝像頭的信息，并將它們拼接在一起，形成一個真正的360度圖像。有了360度視圖，就可以完整的實時繪制地圖。

因為對于高精地圖來說，如果實時更新的速度做不到的，它的可用性和規模性就會受到一定的限制。

而強車端智能會減少對高精地圖及定位的需求（比如人類駕駛員，用普通GPS和地圖就可以準確到達目的地）。

對于汽車制造商來說，為了滿足高精地圖的應用，增加的額外成本還包括差分服務費，以及高精度地圖服務費等。

一些行業人士表示，更合理的本地化高清地圖引擎是解決方案之一，通過特定工具并結合自帶傳感器來幫助汽車制造商自主、快速、可靠、經濟地進行地圖繪制、更新和本地化映射。

未來可能會誕生一種基礎平臺公司：可以協同做高精度的靜態地圖，也可以建立一種機制，將各家企業脫敏的實時動態數據融為一體，形成自動駕駛高精度動態基礎地圖。

在此基礎上，企業再進行差異化競爭。

比如，特斯拉就是使用谷歌、百度等第三方圖商來滿足大部分的基礎地圖需求，并在這個基礎上增加了自己的本地地圖數據、特性和功能。

另一種可行的方式，則是基于低軌衛星拍攝。

此前，豐田和它的合作伙伴Maxar展示了一顆衛星可以拍攝包括道路上的車輛、陰影和其他物體在內的高分辨率照片，然后創建可用的高清地圖。

這可能會改變游戲規則。

相比較目前通過眾包等方式來實現地圖更新不同，衛星可以快速地拍攝照片，然后進行分析并更新地圖數據，意味著其有能力支撐高精地圖的海量數據采集、分析和應用。

2020年初，吉利控股集團就宣布全面布局商業衛星領域，其目的之一就是打造更精準的地圖和導航系統，為高級別自動駕駛汽車提供定位服務。

這意味著，大多數的高精地圖公司必須要找到自己的核心競爭力。