高精地图，一场资本的狂欢

高精度舆图对高级别自动驾驶依然重要，但可真正落地的贸易化模式仍在试探中。

高级别自动驾驶，是否必然必要依靠高精舆图？

与传感器和软件一样，舆图是自动驾驶技能的要害构成部门。为了安详驾驶，自动驾驶汽车不只必要知道它们在那边，还必要知道它们周围是什么。

已往几年，在高精舆图赛道，初创企业数目激增。他们做着看似沟通的工作，但背后却是成本助推了风险“放大”。

客岁，一家在高精舆图规模有必然知名度的初创公司lvl5，在两位首创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舆图公司而“寿终正寝”。

其时，lvl5的贸易模式是，与多家汽车制造商相助，每一家都付出一笔安装体系的初始用度，然后对每辆车收取月费来维护舆图。这种模式，也是很多相同初创公司的选择。

然而，在自动驾驶汽车遍及之前，该行业必要降服两大挑衅——可以或许真正落地的技能和可以或许赚钱的贸易模式。

尤其是，现有高精舆图的上风和劣势，同样突出。

一方面，高精舆图的绘制必要大量的车队投入以及复杂的众包模式才气实现广包围和更新频率。

另一方面，贸易化的高精舆图如故存在地理围栏的限定，好比凯迪拉克的Super Cruise体系今朝为止只能在已经准确绘制和实现按期更新的阶梯上才气正常开启自动驾驶。

思量到越来越多的汽车制造商和图商连年来押注基于高精舆图的自动驾驶技能实现路径，对付是否必要高精舆图的切磋好像已经有了明晰的谜底。

不外，自动驾驶的魅力，却正是在于技能蹊径实现的多样化。

一、高精舆图，无关紧要？

两年前，麻省理工学院计较机科学和人工智能尝试室(CSAIL)的一组研究职员开拓出一种要领，可以让自动驾驶汽车在不依靠昂贵的高精舆图数据库的环境下“领略”周边情形。

他们的办理方案被称为MapLite，行使来自OpenStreetMap的基内地形图，并团结GPS、激光雷达和惯性丈量单位传感器。

该项目标研究职员曾暗示：“这样一个仅靠车载传感器导航的体系，表现出自动驾驶汽车的潜力，它可以或许现实处理赏罚的阶梯数目超出了现有绘制的少数高精舆图里程。”

今朝，在民众阶梯长举办测试的大大都全自动驾驶汽车都必要有清楚的车道标识，可能依靠于可以或许汇报车辆预期功效的高精舆图数据，可能两者兼备。

虽然，CSAIL团队并不是独一试图在没有预先给出的高精舆图基本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拓商初次展示其最新版本的mapless平台。

该办理方案也同样行使了一种既不必要高精舆图也不必要云毗连的要领，目标是让自动驾驶汽车市场以更低的本钱更快地扩展和贸易化。

Imagry的平台可以辨认阶梯、蹊径、车辆、障碍物和行人。通过内部开拓的模仿器举办实习，该软件的Aleph Star算法行使基于物理的筹划来及时赔偿感知错误。

Imagry行使了一种高度智能的、基于视觉的要领，应承自动驾驶车辆在较少依靠人工过问的环境下快速扩展可行驶地区。

它的事变道理是按照深度进修的功效动态建设“迷你舆图”。这种要领应承车辆相识阶梯的当前状态，包罗最新的阶梯障碍、情形前提和现有的阶梯法则。

这家公司客岁开始在亚利桑那州坦佩市中心拥挤的街道上完成了本身的试验。哪里有大量的行人、骑自行车的人和其他交通器材，mapless技能示意美满，可以或许辨认障碍物、遏制符号、人行道等，同时遵守该地域的阶梯法则。

克日，Imagry公布与AutonomouStuff相助，将mapless技能打包进后者的自动驾驶产物组合，在环球范畴内推广。

AutonomouStuff公司认真人暗示，“Imagry计划了一个不必要预先建设和不绝更新高精舆图的导航体系，这为自动驾驶的低本钱贸易化提供了新的选择。”

无独占偶，就在本年头，Facebook人工智能的一个团队缔造了一种强化进修算法，让呆板人在不认识的情形中不消舆图就能找到行径蹊径。

该方案只需行使深度感到摄像头、GPS和惯导数据，通过算法就能让呆板人在99.9%的环境下沿着一条很是靠近最短路径的蹊径提高。

今朝，Facebook的算法还不能处理赏罚室外情形，但它是朝着这个偏向迈出的有但愿的一步，也许汇合用于都市交通规模。

在即时定位与舆图构建(SLAM)、团结多源数据(传感器融合)、路径筹划和行为节制的整个情形同步映射进程中，基于深度进修的端到端(e2e)办理方案被视为也许的办理方案。

二、高精舆图的终极模式？

在自动驾驶规模，高精舆图是汽车传感器的增补。通过行使舆图数据，可以猜测前线阶梯，远远超出车辆的传感器范畴。另外，借助舆图与传感器的融合，还可以实现恶劣能见度前提下的安详冗余。

但建设靠得住的大局限应用的高精舆图所面对的挑衅，某种意义上不亚于车规级激光雷达的难度。ISO 26262界说的汽车安详完备性品级(ASIL)，但今朝还不能为舆图数据评估响应的安详品级。

为了确保正确的精度，制图者必需通过在四个要素方面来节制舆图质量。包罗，数据网络是否正确；担保质量和防备错误；怎样停止数据转换进程中的任何丧失以及数据安详。

最大的挑衅，就是网络足够的数据来建设高精舆图，而且可以“及时更新”。

同时，众包要领的利益和弱点同样明明。

本钱低、可扩展意味着门槛的低落。然而，弱点是数据相对禁绝确，由于没有许多硬件来支持网络数据的精确性。

在现实量产方面，特斯拉就是一家典范的不依靠外部供给商通例高精舆图支持的自动驾驶公司。

众所周知，高精舆图可以辅佐汽车提前相识周围的天下，尤其是车辆第一次在生疏的阶梯上行驶时，从而辅佐自动驾驶体系在有限的传感器、处理赏罚器和及时前提下办理一些题目。

和激光雷达一样，马斯克以为自动驾驶必要一个及时说明体系，这个体系很是好，以至于必要从舆图上获得的对象很少。

相反，太过依靠于舆图，反而会减慢开拓须要的很是好的体系的动力。这背后尚有一种理念就是：那些行使舆图的体系只会在有舆图数据的处所行驶，这就是题目地址。

已往几年，图商们都在实行通过自有车队以及众包模式实现高精舆图的预先构建和更新。汽车制造商则以采购的方法来行使这些高精舆图数据。

条件是，这些车辆在阶梯上行驶的频率极高，以至于当阶梯产生任何变革时，他们很快就能检测到，并将有关变革的压缩数据上传到云端更新，然后下载到驶近该地域的汽车上。

特斯拉的模式，则是基于环球各地的特斯拉车辆收罗的大量数据实习深度神经收集。用高清舆图增补及时感知，这些舆图是由车辆及时拍摄的图像拼接而成。

特斯拉正在一步步给出本身的谜底。克日，特斯拉连系子公司DeepScale提交了一项新的专利申请，名为“用加强数据实习呆板模子的体系和要领”。