【編者按】高精度地圖對高級別自動駕駛依然重要，但可真正落地的商業化模式仍在探索中。
本文轉自高工智慧汽車，原作者高工智慧汽車；經億歐汽車整理轉載，供行業內人士參考。
高級別自動駕駛，是否一定需要依賴高精地圖？
與感測器和軟體一樣，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裡，還需要知道它們周圍是什麼。
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，但背後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資料出售給另一家地圖公司而“壽終正寢”。
當時，lvl5的商業模式是，與多家汽車製造商合作，每一家都支付一筆安裝系統的初始費用，然後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，高精地圖的繪製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製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製造商和圖商近年來押注基於高精地圖的自動駕駛技術實現路徑，對於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，卻正是在於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慧實驗室(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資料庫的情況下“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，並結合GPS、鐳射雷達和慣性測量單元感測器。
該項目的研究人員曾表示：“這樣一個僅靠車載感測器導航的系統，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製的少數高精地圖裡程。”
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，或者依賴於能夠告訴車輛預期結果的高精地圖資料，或者兩者兼備。
當然，CSAIL團隊並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。
一年後，在2019年CES展上，一家名為Imagry的無人駕駛汽車軟體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雲連線的方法，目的是讓自動駕駛汽車市場以更低的成本更快地擴充套件和商業化。
Imagry的平臺可以識別道路、路線、車輛、障礙物和行人。透過內部開發的模擬器進行訓練，該軟體的Aleph Star演算法使用基於物理的規劃來實時補償感知錯誤。
Imagry使用了一種高度智慧的、基於視覺的方法，允許自動駕駛車輛在較少依賴人工干預的情況下快速擴充套件可行駛區域。
它的工作原理是根據深度學習的結果動態建立“迷你地圖”。這種方法允許車輛瞭解道路的當前狀態，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。那裡有大量的行人、騎腳踏車的人和其他交通工具，mapless技術表現完美，能夠識別障礙物、停止標誌、人行道等，同時遵守該地區的道路規則。
近日，Imagry宣佈與AutonomouStuff合作，將mapless技術打包進後者的自動駕駛產品組合，在全球範圍內推廣。
AutonomouStuff公司負責人表示，“Imagry設計了一個不需要預先建立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人工智慧的一個團隊創造了一種強化學習演算法，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和慣導資料，透過演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的演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，可能會適用於城市交通領域。
在即時定位與地圖構建(SLAM)、結合多源資料(感測器融合)、路徑規劃和運動控制的整個環境同步對映過程中，基於深度學習的端到端(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，高精地圖是汽車感測器的補充。透過使用地圖資料，可以預測前方道路，遠遠超出車輛的感測器範圍。此外，藉助地圖與感測器的融合，還可以實現惡劣能見度條件下的安全冗餘。
但建立可靠的大規模應用的高精地圖所面臨的挑戰，某種意義上不亞於車規級鐳射雷達的難度。ISO 26262定義的汽車安全完整性等級(ASIL)，但目前還不能為地圖資料評估相應的安全等級。
為了確保正確的精度，製圖者必須透過在四個要素方面來控制地圖質量。包括，資料收集是否正確；保證質量和防止錯誤；如何避免資料轉換過程中的任何損失以及資料安全。
最大的挑戰，就是收集足夠的資料來建立高精地圖，並且可以“實時更新”。
同時，眾包方法的優點和缺點同樣明顯。
成本低、可擴充套件意味著門檻的降低。然而，缺點是資料相對不準確，因為沒有很多硬體來支援收集資料的準確性。
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援的自動駕駛公司。
眾所周知，高精地圖可以幫助汽車提前瞭解周圍的世界，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感測器、處理器和實時條件下解決一些問題。
和鐳射雷達一樣，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，以至於需要從地圖上得到的東西很少。
相反，過度依賴於地圖，反而會減慢開發必要的非常好的系統的動力。這背後還有一種理念就是：那些使用地圖的系統只會在有地圖資料的地方行駛，這就是問題所在。
過去幾年，圖商們都在嘗試透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。汽車製造商則以採購的方式來使用這些高精地圖資料。
前提是，這些車輛在道路上行駛的頻率極高，以至於當道路發生任何變化時，他們很快就能檢測到，並將有關變化的壓縮資料上傳到雲端更新，然後下載到駛近該地區的汽車上。
特斯拉的模式，則是基於全球各地的特斯拉車輛採集的大量資料訓練深度神經網路。用高畫質地圖補充實時感知，這些地圖是由車輛實時拍攝的影象拼接而成。
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“用增強資料訓練機器模型的系統和方法”。
該方法旨在改進Autopilot軟體使用其8個攝像頭識別環境的方式，也被稱為“3D標籤”。一個形象的比喻就是：人類的眼睛通常處理資料片段並將其傳送給大腦，然後大腦將所有資訊整合在一起，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個攝像頭的資訊，並將它們拼接在一起，形成一個真正的360度影象。有了360度檢視，就可以完整的實時繪製地圖。
因為對於高精地圖來說，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。
而強車端智慧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）。
對於汽車製造商來說，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，更合理的本地化高畫質地圖引擎是解決方案之一，透過特定工具並結合自帶感測器來幫助汽車製造商自主、快速、可靠、經濟地進行地圖繪製、更新和本地化對映。
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資料融為一體，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，並在這個基礎上增加了自己的本地地圖資料、特性和功能。
另一種可行的方式，則是基於低軌衛星拍攝。
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解析度照片，然後建立可用的高畫質地圖。
這可能會改變遊戲規則。
相比較目前透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，然後進行分析並更新地圖資料，意味著其有能力支撐高精地圖的海量資料採集、分析和應用。
2020年初，吉利控股集團就宣佈全面佈局商業衛星領域，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。