毫無疑問，新能源技術的崛起正在深刻改變整個汽車產業，而智能駕駛技術已然成為其中發展最為迅速的關鍵技術之一。
就目前各大車企所推出的大部分新車來看，在其宣傳的口徑上，智能駕駛能力的聲量尤其最大。
但現在有一個話題卻成為了被大家熱議的話題，智駕所用的高精地圖，該不該被拋棄呢？
什么是高精地圖？
對于一些不具備高階智駕能力的車來說，大部分都會采用手機地圖或者車載導航來進行駕駛。
但這類地圖與高精地圖則相差甚遠。
通常，手機導航地圖的主要使用者為人類，其功能為導航和搜索。相較之下，高精地圖的主要使用者為計算機，主要用于高精度定位、環境感知、規劃與決策等任務。因此，導航地圖在車內被視為車載信息娛樂系統，通常配備顯示屏；而高精地圖則屬于車載安全系統，無須顯示屏。
在地圖要素和屬性方面，導航地圖主要包含簡潔的道路線條、信息點（POI）以及行政區劃邊界等；高精地圖則包含更為詳細的道路模型，涵蓋車道模型、道路部件、道路屬性以及其他定位圖層等。
就目前來說，智能駕駛分為L1-L5這五個級別。
在車載地圖的應用中，不同級別的智能輔助駕駛對地圖精度的需求存在顯著差異。
首先，在L1-L2級別的智能輔助駕駛中，由于這類系統缺乏自主規劃行駛路線的能力，因此只需米級精度的地圖即可滿足需求。
然而，隨著自動駕駛級別提升至L3，車輛本身具備了一定的線路行駛能力。在這種情況下，除了大部分區域仍需米級精度的地圖外，部分區域需要厘米級的地圖導航，從而使車載地圖成為必要之選。
最后到了L4級別以上，車輛要從一個城市抵達另一個城市，并且期間要讓車輛始終保持一個自主駕駛狀態，因此，這一地域的地圖都必須具備厘米級的高精地圖才行。
所以說，高精地圖就是鋪設在自動駕駛前面的軌道，可以讓車輛始終保持在“正軌”中行駛。
高精地圖能帶來什么？
作為高精地圖，首先要滿足車道級的自動駕駛導航，因此需要包含道路細節信息，如車道線、車道中心線、車道屬性變化等，比如能讓汽車知道哪些區域是虛線能夠變道。
此外車道模型中還需要包含道路的曲率、坡度、航向、橫坡等數學參數，好讓車輛能夠準確的轉向、制動、爬坡等。這些信息構成了車道模型。還需要包含交通標志牌、路面標志等道路部件等。
可以說，高精度地圖為自動駕駛系統提供了超越傳統傳感器感知范圍的能力，極大地擴展了車輛對周圍環境的認知界限。然而，自動駕駛依賴的傳感器探測距離有限，可能導致控制響應時間縮短，進而可能引發決策失誤或反應不及時。
舉個例子，比如在100公里/小時的速度下，攝像頭僅能捕捉到9秒內的道路狀況（且需在直線道路上），這在復雜路況下可能遠遠不夠。如果車輛需要在500米外的出口匝道切換車道，而該匝道僅允許特定車道通行，那么車輛必須提前作出變道決策。9秒的時間可能不足以完成這一操作，從而增加了錯過路口的風險。
然而，借助高精度地圖提供的超視距信息，如匝道出口位置、彎道曲率和坡度等，自動駕駛系統能夠提前規劃變道動作并調整車速，有效避免錯過路口。
此外，高精度地圖還能提供感知冗余，彌補傳感器在特定情況下的不足。例如，在復雜的光照條件下，傳感器可能難以識別紅綠燈；在視野被遮擋時，可能看不見車道線；在雨天，雷達的噪聲可能會干擾其性能。在這些情況下，高精度地圖能夠提供預先設定的參考信息，增強車輛的感知能力。
高精度地圖還能提高感知效率。
通常自動駕駛系統通常需要通過圖像數據來識別紅綠燈，若系統需不斷掃描整個圖像進行分析，將耗費大量計算資源和時間。然而，借助高精度地圖的輔助，系統可以根據定位信息，預先確定需要關注的區域，僅對特定區域（ROI）進行圖像分析，從而快速準確地識別紅綠燈及其狀態，這種方法顯著減少計算負擔并加快識別過程。
那么，為何最近又有了擺脫高精地圖的呼聲了呢？
其中最大的原因就是——成本。
對于高精地圖來說，制作一個區域的內容，需要進行以下幾個步驟：
1.數據采集：這是制作高精地圖的第一步，需要通過專業的采集車或設備來收集道路的詳細信息。采集車通常配備有激光雷達（LiDAR）、GPS、慣性導航系統（IMU）、攝像頭等傳感器，用于獲取道路的三維空間信息、車輛定位信息以及周圍環境的視覺信息。
2.數據處理與標注：收集到的原始數據需要經過處理，包括數據清洗、濾波、配準等，以提高數據質量。隨后，對數據進行三維矢量信息提取和點云標注，這可能涉及車道線、交通標志、信號燈等關鍵元素的識別和分類。
3.元素識別與提取：在數據處理的基礎上，進一步識別和提取道路的各種元素，如車道模型、道路部件、道路屬性等。這些元素的準確識別對于高精地圖的實用性至關重要。
4.人工驗證：盡管自動化處理可以大大提高效率，但在某些情況下，人工驗證仍然是必要的。專業人員會對自動化處理的結果進行檢查和修正，確保地圖的準確性和可靠性。
5.產品編譯：經過上述步驟處理后的數據將被編譯成最終的高精地圖產品。這個產品通常包含靜態數據層和動態數據層，以支持自動駕駛系統的各種功能，如路徑規劃、定位、感知等。
6.更新與維護：高精地圖不是一次性產品，隨著道路環境的變化，地圖需要定期更新和維護。這可能涉及新的數據采集、處理和驗證工作。
然而，當高精地圖到了企業產品以后，需要企業用自身的車隊進行驗證行駛，之后在投放到市場。
在市場競爭中，用戶反饋的問題經過車企傳遞至高精地圖供應商，供應商進行優化或更新。
然而，此過程循環往復，無窮無盡，導致成本不斷攀升，并且由于無法跟上用戶體驗的更新速度，部分問題的解決只能通過降級方式，從而使用戶體驗逐漸惡化。
除此之外，政策限制也是原因。
因為，高精地圖涉及大量的地理信息和個人位置數據，這些數據在某些情況下可能觸及國家安全和個人隱私。因此，各國政府通常會對地圖數據的采集、處理、存儲和使用制定嚴格的法律法規。例如，中國的《測繪法》規定了測繪資質的要求，并對地圖數據的發布和使用進行了限制。這些政策要求地圖服務商在合規的前提下開展業務，確保數據安全。
不僅如此，地圖測繪是一個受到嚴格監管的領域。企業需要獲得相應的測繪資質才能進行地圖數據的采集和制作。例如，中國要求企業在申請測繪資質時滿足一定的技術人員數量、設備標準等要求。這些政策限制了市場參與者的數量，提高了行業門檻。
不靠高精地圖，如何實現智能駕駛？
事實上，對于那些告別高精度地圖的汽車制造商而言，隨著BEV大模型的成熟以及芯片算力和感知設備的提升，車輛本身已具備對路面信息的感知和判斷能力，從而實現更為穩健的智能駕駛。
所謂BEV感知方案，全程Bird''s Eye View，意思就是視覺為中心的俯視圖。一般來說，國內的大部分車企則選擇了包含視覺和雷達的多融合感知方案，但它們的共同點都是需要獲得視覺信號或者其他傳感器的數據來進行綜合運算分析，再通過系統的處理來規劃行車軌跡。
但是，在這個過程中，每個獨立傳感器收集到的數據往往受到特定視角的局限，經過各自的分析運算后，融合階段會導致誤差疊加，無法拼湊出道路實際情況的準確全貌，給車輛的決策規劃帶來困難。
而BEV自動駕駛感知利用深度學習網絡融合采集多傳感器數據，將汽車周圍的場景轉換為俯視圖，實時重建周圍的靜態道路元素和道路拓撲結構，實現高精度的全向感知能力。
好比是一個從高處統觀全局的“上帝視角”，車上多個傳感器采集的數據，會輸入到一個統一模型進行整體分析推理生成鳥瞰圖，能有效地避免誤差疊加。
當然，光有感知還不夠，決策和處理也是關鍵。
目前一些智能駕駛在純視覺方面，除了BEV外還會配合Transformer以及使用占用網絡（Occupancy Network）來進行處理。
其中，Transformer將2D圖像轉為3D鳥瞰視角后，實現實時局部建圖和3D識別檢測，然而自動駕駛不僅僅只有感知，更重要的是如何像人類駕駛員一樣做出最優地駕駛決策行為。自監督認知大模型是在進行大量數據訓練后，使得模型具備自我學習能力，而非基于規則的決策規劃算法。
而占用網絡（Occupancy Network）則將現實世界看成一個3D網格世界，并將這個空間做了無數網格化的分區，分割之后，每一個小方塊叫做體素，類似于像素。只要在這個空間的體素下被占用了，都會被系統認為是1，賦值1，否則賦為0。最終，物體在空間里面占據了一定的體素，系統就會把它顯示出來，并判定它是一個障礙物。
這里，還要提一句激光雷達。
目前除了少數采用純視覺方案的企業外，大多數還是將整個感知設備中添加了激光雷達。
這是因為，攝像頭作為車載傳感器也存在一些不足，包括識別精度要求高，容易受強光、雨幕、大霧等惡劣天氣影響等，所以激光雷達的優勢，就被體現在對物體識別度低導致誤差。
而在BEV大模型中，它為自動駕駛系統提供精確的三維空間信息，增強對周圍環境的感知能力，確保車輛在各種復雜場景下能夠安全、準確地導航和操作。簡而言之，激光雷達是自動駕駛車輛“看清”世界的關鍵傳感器。
最后我想說一句，之前我在參加一個車企的活動時，它們的工程師告訴我對于自動駕駛來說，高精地圖方案才是最終解。雖然，對于他的話是否準確先不下定論，但是足以驗證高精地圖在智能駕駛方面舉足輕重的角色地位。
但是，車輛畢竟是一個需要接受市場消費比擬的東西，誰的價值更加劃算才會成為消費者心中的首選，更何況一些地域還限制了高精地圖的使用，因此弱化高精地圖在所難免，而這樣會成為行業發展的全新方向。
最終，我想強調一點，曾在某汽車制造商的活動中，其工程師表示，自動駕駛技術的最佳解決方案應為高精地圖方案。
盡管對于此觀點的正確性暫不置評，但無疑，高精地圖在智能駕駛領域發揮著至關重要的作用。然而，鑒于車輛作為一種消費品，其市場競爭力取決于性價比，部分區域甚至限制了高精地圖的使用，因此高精地圖的地位勢必受到影響。這也將引領行業發展呈現出新的趨勢。