本文轉自高工智能汽車，高工智能汽車原作者；億歐汽車轉載，供行業參考。
高水平的自動駕駛壹定依賴於高精度地圖嗎？
像傳感器和軟件壹樣，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自己在哪裏，還需要知道周圍有什麽。
過去幾年，高精地圖賽道上的初創企業數量激增。他們看似做著同樣的事情，但背後是資本助推了風險“放大”。
去年，在高精地圖領域有壹定知名度的創業公司lvl5，在兩位創始人加入另壹家創業公司，並將公司三年來積累的眾包數據出售給另壹家地圖公司後死亡。
當時lvl5的商業模式是與多家汽車廠商合作，每家廠商支付壹筆安裝系統的初裝費，然後對每輛車每月收取壹筆維護地圖的費用。這種模式也是很多類似創業公司的選擇。
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。
尤其是現有的高精地圖的優缺點同樣突出。
壹方面，高精地圖的繪制需要大量的車隊投入和龐大的眾包模式，才能實現覆蓋面廣、更新頻率高。
另壹方面，商業高精地圖仍然受到地理圍欄的限制。比如凱迪拉克的超級巡航系統，只能在已經精確繪制並定期更新的道路上正常開啟自動駕駛。
考慮到近年來越來越多的汽車廠商和圖文經銷商押註於基於高精地圖的自動駕駛技術之路，關於是否需要高精地圖的討論似乎有了明確的答案。
然而，自動駕駛的魅力在於技術路線的多樣化。
兩年前，麻省理工學院計算機科學和人工智能實驗室(CSAIL)的壹組研究人員開發了壹種方法，可以讓自動駕駛汽車在不依賴昂貴的高精度地圖數據庫的情況下“理解”周圍環境。
他們的解決方案名為MapLite，使用OpenStreetMap的基本地形圖，並結合了GPS，激光雷達和慣性測量單元傳感器。
這個項目的研究人員曾說:“這樣壹個僅依靠車輛傳感器導航的系統顯示了自動駕駛汽車的潛力，它實際可以處理的道路數量超過了目前繪制的少數高精度地圖的裏程數。”
目前，大多數在公共道路上測試的自動駕駛汽車需要有清晰的車道標記，或者依賴於能夠說出車輛預期結果的高精度地圖數據，或者兩者兼而有之。
當然，CSAIL團隊並不是唯壹壹個試圖在沒有事先給出高精度地圖的情況下實現自動駕駛的團隊。
壹年後，在2019的CES展會上，壹家名為Imagry的無人駕駛汽車軟件開發商首次展示了其最新版本的無地圖平臺。
該解決方案還使用了壹種既不需要高精度地圖也不需要雲連接的方法，目的是以更低的成本讓自動駕駛汽車市場更快地擴大和商業化。
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的訓練，軟件的Aleph Star算法使用基於物理的規劃來實時補償感知誤差。
Imagry使用了壹種高度智能的基於視覺的方法，允許自動駕駛車輛快速擴大可駕駛區域，而不依賴於人的幹預。
它的工作原理是根據深度學習的結果動態創建“迷妳地圖”。這種方法可以讓車輛知道道路的當前狀態，包括最新的道路障礙物、環境條件和現有的道路規則。
去年，該公司開始在亞利桑那州坦佩市中心擁擠的街道上完成自己的實驗。有大量的行人、騎自行車的人和其他交通工具。無地圖技術非常完善，它可以識別障礙物、停車標誌、人行道等。，同時遵守這個地區的交通規則。
近日，Imagry宣布與AutonomouStuff合作，將無地圖技術打包到後者的自動駕駛產品組合中，並在全球範圍內推廣。
AutonomouStuff的負責人表示，“Imagry設計了壹個不需要提前創建和更新高精度地圖的導航系統，為自動駕駛的低成本商業化提供了新的選擇。”
無獨有偶，就在今年年初，臉書人工智能的壹個團隊創造了壹種強化學習算法，允許機器人在陌生的環境中找到沒有地圖的路線。
該方案只需要使用深度傳感攝像頭、GPS和慣性導航數據，通過算法，機器人在99.9%的情況下可以沿著非常接近最短路徑的路線移動。
目前，臉書的算法無法處理戶外環境，但它是這個方向上很有希望的壹步，可能會應用於城市交通。
基於深度學習的端到端(e2e)解決方案，在實時定位與地圖構建(SLAM)、多源數據(傳感器融合)、路徑規劃、運動控制的同時地圖繪制全過程中，被視為壹種可能的解決方案。
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，可以預測前方的道路，遠遠超出車輛的傳感器範圍。此外，通過地圖和傳感器的融合，可以在惡劣的能見度條件下實現安全冗余。
然而，創建高精度地圖的可靠和大規模應用的挑戰在某種意義上與汽車級激光雷達壹樣困難。ISO 26262定義的汽車安全完整性等級(ASIL)，但目前無法針對地圖數據評估相應的安全等級。
為了保證正確的精度，制圖員必須通過四個要素來控制地圖質量。包括數據收集是否正確；保證質量，防止失誤；如何避免數據轉換過程中的任何損失和數據安全。
最大的挑戰是收集足夠的數據來創建高精度的地圖，這些地圖可以“實時更新”。
同時，眾包方式的優缺點也同樣明顯。
低成本和可擴展性意味著更低的門檻。但缺點是數據相對不準確，因為沒有太多硬件支持數據采集的準確性。
在實際量產方面，特斯拉是典型的不依賴外部供應商常規高精度地圖支持的自動駕駛公司。
眾所周知，高精度地圖可以幫助汽車提前了解周圍的世界，尤其是當它們第壹次行駛在陌生的道路上時，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壹些問題。
和激光雷達壹樣，馬斯克認為自動駕駛需要壹個實時分析系統，這個系統太好了，從地圖上可以得到的東西非常少。
相反，過度依賴地圖會減緩開發必要且非常好的系統的動力。這背後還有壹個想法: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。
在過去的幾年裏，制圖員壹直在嘗試通過自己的車隊和眾包模式來預構建和更新高精度地圖。汽車廠商通過購買的方式使用這些高精度地圖數據。
前提是這些車輛在道路上行駛如此頻繁，以至於當道路有任何變化時，它們都可以快速檢測到，並將有關變化的壓縮數據上傳到雲端進行更新，然後下載到接近該區域的汽車上。
特斯拉的模型是基於特斯拉汽車在全球收集的大量數據來訓練深度神經網絡。實時感知輔以高清地圖，由車輛實時拍攝的圖像拼接而成。
特斯拉正在壹步步給出他的答案。最近，特斯拉的聯合子公司DeepScale提交了壹項新的專利申請，名稱為“用增強數據訓練機器模型的系統和方法”。
這種方法旨在改善自動駕駛軟件使用其八個攝像頭來識別環境的方式，也稱為“3D標簽”。壹個形象的比喻是，人類的眼睛通常會對數據片段進行處理，並發送到大腦，然後大腦將所有的信息整合在壹起，這樣人類就能看到全貌。
特斯拉將能夠處理來自所有八個攝像頭的信息，並將它們拼接在壹起，形成壹個真正的360度圖像。有了360度的視角，就可以畫出完整的實時地圖。
因為對於高精地圖來說，如果不能達到實時更新的速度，其可用性和規模都會受到壹定的限制。
強大的車輛智能將減少對高精度地圖和定位的需求(例如，人類駕駛員可以使用普通的GPS和地圖準確到達目的地)。
對於汽車廠商來說，為了滿足高精地圖的應用，額外的成本包括差異化服務費和高精地圖服務費。
有業內人士表示，更合理的本地化高清地圖引擎是解決方案之壹，通過特定的工具和自帶的傳感器，幫助汽車廠商自主、快速、可靠、經濟地繪制、更新和本地化地圖。
未來可能會誕生壹家基礎平臺公司:可以合作制作高精度靜態地圖，也可以建立壹種機制，整合各企業脫敏的實時動態數據，形成自動駕駛高精度動態基礎地圖。
在此基礎上，企業會進行差異化競爭。
比如特斯拉利用谷歌、百度等第三方地圖廠商滿足大部分基礎地圖需求，並在此基礎上增加自己的本地地圖數據、特色和功能。
另壹種可行的方式是基於低軌道衛星拍攝。
此前，豐田及其合作夥伴Maxar演示了壹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，然後創建可用的高清地圖。
這可能會改變遊戲規則。
與目前眾包更新地圖的方式相比，衛星可以快速拍照，然後分析更新地圖數據，這意味著它已經具備了支持高精地圖海量數據采集、分析和應用的能力。
2020年初，吉利控股集團宣布全面布局商業衛星領域，其目的之壹是創造更精確的地圖和導航系統，為高級自動駕駛汽車提供定位服務。
這意味著大部分高精測繪公司必須找到自己的核心競爭力。