高精度地图概述

先来看一段视频：

1、基本问题：什么是高精度地图？   

1.1 什么是高精度地图

高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。

高精度地图将大量的行车辅助信息存储为结构化数据，这些信息可以分为两类。第一类是道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息。第二类是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节，还包括高架物体、防护栏、数目、道路边缘类型、路边地标等基础设施信息。

以上这些信息都有地理编码，导航系统可以准确定位地形、物体和道路轮廓，从而引导车辆行驶。其中最重要的是对路网精确的三维表征（厘米级精度），比如路面的几何结构、道路标示线的位置、周边道路环境的点云模型等。有了这些高精度的三维表征，自动驾驶系统可以通过比对车载的GPS、IMU、LiDAR或摄像头的数据精确确认自己当前的位置。另外，高精度地图中包含有丰富的语义信息，比如交通信号灯的位置和类型、道路标示线的类型、以及哪些路面是可以行使等。

资料整理

高精度地图与传统地图的区别。与一般电子导航地图相比，高精度地图不同之处在于：

（1）精度：一般电子地图精度在米级别，商用GPS精度为5米。高精度地图的精度在厘米级别（Google、Here等高精度地图精度在10-20厘米级别）。

（2）数据维度：传统电子地图数据只记录道路级别的数据：道路形状、坡度、曲率、铺设、方向等。高精度地图（精确度厘米级别）：不仅增加了车道属性相关（车道线类型、车道宽度等）数据，更有诸如高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据。高精度地图能够明确区分车道线类型、路边地标等细节。

（3）作用&功能：传统地图起的是辅助驾驶的导航功能，本质上与传统经验化的纸质地图是类似的。而高精度地图通过“高精度 高动态 多维度”数据，起的是为自动驾驶提供自变量和目标函数的功能。高精地图相比传统地图有更高的重要性。

（4）使用对象：普通的导航电子地图是面向驾驶员，供驾驶员使用的地图数据，而高精度地图是面向机器的供自动驾驶汽车使用的地图数据。

（5）数据的实时性：高精度地图对数据的实时性要求更高。根据博世在2007年提出的定义，无人驾驶时代所需的局部动态地图（Local Dynamic Map）根据更新频率划分可将所有数据划分为四类：永久静态数据（更新频率约为1个月），半永久静态数据（频率为1小时），半动态数据（频率为1分钟），动态数据（频率为1秒）。传统导航地图可能只需要前两者，而高精地图为了应对各类突发状况，保证自动驾驶的安全实现需要更多的半动态数据以及动态数据，这大大提升了对数据实时性的要求。

高精度地图=高鲜度 高精度 高丰富度。不论是动态化，还是精度和丰富度，最终目的都是为了保证自动驾驶的安全与高效率。动态化保证了自动驾驶能够及时地应对突发状况，选择最优的路径行驶。高精度确保了机器自动行驶的可行性，保证了自动驾驶的顺利实现。高丰富度与机器的更多逻辑规则相结合，进一步提升了自动驾驶的安全性。

1.2 高精度地图作用

作为无人驾驶的记忆系统，我们认为未来的高精度地图将具备三大功能。（1）地图匹配。由于存在各种定位误差，电子地图坐标上的移动车辆与周围地物并不能保持正确的位置关系。利用高精度地图匹配则可以将车辆位置精准的定位在车道上，从而提高车辆定位的精度。（2）辅助环境感知。对传感器无法探测的部分进行补充，进行实时状况的监测及外部信息的反馈 ：传感器作为无人驾驶的眼睛，有其局限所在，如易受恶劣天气的影响，此时可以使用高精度地图来获取当前位置精准的交通状况。（3）路径规划。对于提前规划好的最优路径，由于实时更新的交通信息，最优路径可能也在随时会发生变化。此时高精度地图在云计算的辅助下，能有效地为无人车提供最新的路况，帮助无人车重新制定最优路径。

功能1：地图匹配。高精度地图在地图匹配上更多的依靠其先验信息。传统地图的匹配依赖于GPS定位，定位准确性取决于GPS的精度、信号强弱以及定位传感器的误差。高精地图相对于传统地图有着更多维度的数据，比如道路形状、坡度、曲率、航向、横坡角等。通过更高维数的数据结合高效率的匹配算法，高精度地图能够实现更高尺度的定位与匹配。

功能2：辅助环境感知。原理：（1）通过对高精度地图模型的提取，可以将车辆位置周边的道路、交通、基础设施等对象及对象之间的关系提取出来，这可以提高车辆对周围环境的鉴别能力。（2）一般的地图会过滤掉车辆、行人等活动障碍物，如果无人驾驶车载行驶过程中发现了当前高精度地图中没有的物体，这些物体大概率是车辆、行人和障碍物。

高精度地图可以看做是无人驾驶的传感器，相比传统硬件传感器（雷达、激光雷达或摄像头），在检测静态物体方面，高精度地图具有的优势包括：

• 所有方向都可以实现无限广的范围。
  

• 不受环境、障碍或者干扰的影响。

• 可以“检测”所有的静态及半静态的物体。

• 不占用过多的处理能力。

• 已存有检测到的物体的逻辑，包括复杂的关系。

功能3：路径规划。高精度地图的规划能力下沉到了道路和车道级别。传统的导航地图的路径规划功能往往基于最短路算法，结合路况为驾驶员给出最快捷/短的路径。但高精地图的路径规划是为机器服务的。机器无法完成联想、解读等步骤，给出的路径规划必须是机器能够理解的。在这种意义上，传统的特征地图难以胜任，相对来说高精度矢量地图才能够完成这一点。矢量地图是在特征地图的基础之上进一步抽象、处理和标注，抽出路网信息、道路属性信息、道路几何信息以及标识物等抽象信息的地图。它的容量要小于特征地图，并能够通过路网信息完成点到点的精确路径规划，这是高精度地图使能的一大路径。

1.3 导航地图&ADAS地图&无人驾驶地图

导航地图、ADAS地图和AD所需要的地图各不相同。（1）对于导航地图而言，街道名称是比较重要的信息，但对于ADAS和AD地图确并非如此。（2）道路曲率对于ADAS应用至关重要，对于自动驾驶也是必需的，但导航地图并不需要道路曲率数据。（3）道路的几何特征对于导航、ADAS和AD地图都是适用的。（4）不同地图级别和地图精度的背后是不同级别的智能驾驶以及不同级别的精度需求。

不同级别的高精度地图，在精度和信息量上也有差别。例如，在安全环境下使用的基础ADAS地图只需要精度达到米量级，而HAD级别高精度地图的精度则能达到厘米量级。在数据量方面，基础ADAS地图只记录高精道路级别的数据（道路形状、坡度、曲率、铺设、方向等），HAD级别地图不仅增加了车道属性相关（车道线类型、车道宽度等）数据，更有诸如高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据。

1.4 高精度地图的数据特征类型

与传统电子地图相似，高精度地图的数据结构也是分层的。

数据类型1：二维网格数据。高精度地图的底层是一个基于红外线雷达传感器建立的精密二维网格。这个二维网格的精度保证在5×5厘米左右。网格中存储的数据包括：可以行使的路面、路面障碍物、路面在激光雷达下的反光强度等都别存储于相应的网格中。无人驾驶汽车可以通过对其传感器搜集到的数据及其内存中的高精度二维网格进行比对，从而确定车辆在路面的具体位置。

数据类型2：路面语义信息。在二维网格参照系的基础上，高精度地图还包括路面的语义信息，比如道路标识线的位置和特征信息，车道特征。这些路面语义信息可以发挥环境辅助感知作用。由于传感器在恶劣天气、障碍物、以及其他车辆的遮挡不能可靠地分析出车道信息时，高精地图中的车道信息特征可以辅助队车道信息进行更准确地判断，理解相邻车道之间是否可以安全并道。

数据类型3：交通标识信息等。高精度地图还包括道路标识牌、交通信息号等相对于二维网格的位置。其作用包括：（1）提前提示自动驾驶汽车在某些特定的位置检测相应的交通标示牌或者交通信息灯，提高检测速度。（2）在自动驾驶汽车在没有成功检测出交通标示牌或者信号灯的情况下，确保行车的安全。

1.5 地图数据模型

大多数汽车厂商与其供应商都会使用专有的地图数据模型，但基本都会受地理数据文件（GDF）规范的影响。GDF规模首次于1988年10月作为CEN（欧洲标准委员会）标准发布。GDF第5版于2011年发布，目标是将数字地图广泛用于车辆导航系统应用、行人导航、ADAS、公路维护系统、公路运输信息记忆远程信息处理。

GDF地图数据模型使用以下三种实体。

（1）要素（或物体）：点、线、面（简单要素）或点线面的不同组合（复杂要素）。

（2）要素之间的关系：如子级、父级。

（3）属性：要素或者关系的属性。

地图数据模型本质上比较复杂。地图公司Here的关系数据库模式拥有GDF的部分元素，由180个表格组成，单一路段要素超过200个属性。自动驾驶所需的地图数据结构没有如此复杂，相应模式较为简单。

第一，交换数据模型和物理数据模型。GDF数据模型和格式主要为交换格式，描述地图提供商传送数字地图的形式。车内程序直接使用GDF会非常复杂且低效。为了满足汽车在数据库大小与访问性能方面的要求，导航或者ADAS系统的机构都设计开发了自有的数据模型以及数据在媒体上的存储格式：物理数据模型（PDM）和物理存储格式（PSF）。基于这些不同的模式与格式，地图供应商提供的数据需要通过地图数据汇编转换为特定的物理存储格式。

物理存储格式标准化。2009年大型汽车制造商以及Tier1供应商建立了导航数据标准（NDS），设计了通用导航地图数据模型与格式。2012年首批使用NDS的系统上市。这相当于对物理存储格式进行了标准化。自此，地图数据供应商可以向主机厂客户端传送数据，而不需要有一级导航提供商进行高价的数据编译。NDS将地图数据组织成独立的构架模块。NDS第一版仅支持与导航相关的构建模块，目前已经支持与ADAS相关度的数据构建模块，并将其扩展为支持自动驾驶的内容。

第二，数据模型的时效性图层。数字地图模型需要考虑数据、关系与属性的时效特征。不同领域的数据过时的速率不同，并且需要专门的技术来收集和分发。比如，道路的几何形状很少会发生变化，不需要进行实时或者经常更新。而交通信息需要实时收集和分发。

第三，精确性。数据精度是高精度地图的重要指标。其包括三种不同的精度类型。

（1）几何精度。包括两种：

绝对几何精度。用于测量对象绝对位置与地图中标识的相同对象的位置之间的误差。导航地图的几何精度小于10米，ADAS地图的几何精度小于1米，自动驾驶地图的几何精度小于20厘米。

相对几何精度。用于测量地图中附近物体之间的相对位置误差。自动驾驶地图在100米的距离中的相对位置误差要小于20厘米。

（2）关系精度。指的是地图中捕获对象之间关系的精确程度。

（3）属性值精度。该精度会根据特定应用程序的使用和属性以及程度而异。

2、进阶问题：高精度地图采集

2.1高精度地图采集原理

高精地图有着与传统地图不同的采集原理和数据存储结构。传统地图多依靠拓扑结构和传统数据库存储，将各类现实中的元素作为地图中的对象堆砌于地图上，而将道路存储为路径。在高精地图时代，为了提升存储效率和机器的可读性，地图在存储时被分为了矢量和对象层。

以某一厂商高精度地图为例。该高精度地图基于的是国际通用的OpenDrive规范，并做了一定的修改。一个opendrive节点背后，是一个header节点、road节点与junction节点，每个类型的节点背后还有各自的细分。而道路线、道路连接处、道路对象都从属于road节点下。Junction节点下，有着较为复杂的数据处理方式：通过connection road将不同的两条道路连接起来，从而实现路口的数据呈现。介于路口的类型种类复杂，junction也常常需要多种连接逻辑。Opendrive为高精地图提供了矢量式的存储方式，相比传统的堆叠式容量更省，在未来的云同步方面拥有优势。

数据采集：实地采集 处理 后续更新。（1）实地采集：高精地图制作的第一步，往往通过采集车的实地采集完成。采集的核心设备为激光雷达，通过激光的反射形成环境点云从而完成对环境各对象的识别。（2）处理：包括人工处理、深度学习的感知算法（图像识别）等。一般来说，采集的设备越精密，采集的数据越完整，所需要算法去降低的不确定性就越低。而采集的数据越不完整，就越需要算法去弥补数据的缺陷；当然也会有更大的误差。（3）后续更新：主要针对道路的修改和突发路况。这一方面有较多的处理方式，比如众包、与政府的实时路况处理部门合作等。

新思路：众包 深度学习。面对高精度地图市场，重资产的传统实地采集模式对于一些初创企业是较难承受的。此时部分初创企业就选择通过众包的方式，利用相对成本较低的普通车载摄像头和相机来采集道路情况，随后再通过深度学习和图像识别算法使之转变为结构化数据。这方面最为成功的企业是Mobileye，而国内的代表有极奥科技等。

众包除了成本较低外，在实时性上也有较大的优势，未来势必会成为高精地图采集体系中的一员。目前，已有通用、日产、丰田、上汽等车厂采用了众包的高精地图采集方式；同时四维图新也于2018年宣布和Mobileye就高精地图的实时众包采集展开合作。

2.2 高精度地图采集设备

高精地图采集所需要的设备包括以下几种。

LiDAR（激光雷达）。激光雷达首先通过向目标物体发生一束激光，然后根据接受-反射的时间间隔确定目标物体的实际距离。根据距离及激光发射的角度，通过简单的几何变换可以计算出物体的位置信息。汽车周围环境的结构化存储通过环境点云实现。

激光雷达通过测量光脉冲的飞行时间来判断距离，在测量过程中激光雷达要产生汽车周围的环境点云，这一过程要通过采样完成。一种典型的采样方式是在单个发射器和接收器上在短时间内发射较多的激光脉冲，如在1秒内发射万级到十万级的激光脉冲。脉冲发射后，接触到需要被策略的物体并反射回接收器上。每次反射和接受都可以获得一个点的具体地理坐标。但发射和反射这一行为进行的足够多时，便可以形成环境点云，从而将汽车周围的环境量化。

Camera（摄像头）。通过车载摄像头，可以捕捉到路面机器周围交通环境的静态信息，通过对图片中关键交通标志、路面周围关键信息的提取，来完成对地图的初步绘制。车载摄像头是高精度地图的信息采集的关键设备，其主要是通过图像识别和处理的原理来进行。

IMU（惯性测量单元，陀螺仪）。用于测量物体三轴姿态角(或角速率)以及加速度的装置。一般情况下，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。

GPS（全球定位系统）。GPS接收机的任务就是确定四颗或者更多卫星的位置，并计算出它与每颗卫星之间的距离，然后利用这些信息使用三维空间的三边测量法推算出自己的位置。要使用距离信息进行定位，接收机还必须知道卫星的确切位置。GPS接收机存储有星历，其作用是高速接收机每颗卫星在各个时刻的位置。在大城市中由于高大建筑物的阻拦，GPS多路径发射问题比较明显，这样得到的GPS定位信息容易产生从几十厘米到几米的误差，因此到靠GPS并不能实现精准定位。

轮测距器。通过轮测距器可以推算无人车的位置。在汽车的前轮通常安装了轮测距器，会分别记录左轮与右轮的总转数。通过分析每个时间段左右轮的转数，我们可以推算出车辆向前行驶的距离，以及向左右转了多少度。

高精度地图采集车。高精度地图采集车的装备较为复杂，包括了我们以上提到的多种传感器，来进行道路和静态交通环境数据的采集。下面我们分别介绍ADAS高精度地图采集车和HAD高精度地图采集车的配置情况。以下内容只是一般采集车的配置情况，不同图商的具体设备配置情况可能略有差别。

ADAS地图采集车。ADAS 级别高精度地图精度大约在 50cm 级别。车顶安装有 6 个 CCD 摄像头。其中5 个摄像头以圆形环绕，顶部一个单独的摄像头，每个像素都是 500 万，总计 3000 万像素。车内副驾驶的位置有用于采集数据的显示屏，机箱在后备箱位置，用于储存和处理数据。

HAD高精度地图采集车。HAD 及以上高精度地图精度大约在 10cm 级别。顶部则是通过装配 2 个激光雷达（位于后方）和 4 个摄像头（两前两后）的方式来满足所需要的 10cm 级别精度。两种方案搭配，能够完成标牌、障碍物、车道线等道路信息的三维模型搭建。

另外，我们看到百度的高精度地图采集车的传感器配置情况为：（1）最顶部的32线激光雷达、三个360°全景摄像头、一个前置的工业摄像头、一个包含IMU（惯性测量单元，是测量物体三轴姿态角(或角速率)以及加速度的装置）和GPS装置的组合式导航系统以及一个GPS天线。（2）从具体分工来看，激光雷达负责采集点云数据，摄像头负责采集图片，天线负责接受卫星定位信号，导航系统负责采集GPS轨迹。

2.3 高精度地图采集过程

高精度地图采集过程包括：采集、自动融合识别、人工验证发布环节。

采集。高精度地图采集员驾驶采集车以60-80km/H的速度行驶，每天至少采集150公里的高精度地图数据。在车内的副驾驶位置，放有负责控制采集设备的电脑系统，用于让采集员实时监控采集情况。在采集过程中，采集员不仅要不断确认采集设备是否工作正常，而且需要根据天气和环境情况来选择不同的摄像头参数。

自动融合、识别。这一环节是把不同传感器采集的数据进行融合，即把GPS、点云、图像等数据叠加在一起，进行道路标线、路沿、路牌、交通标志等道路元素的识别。对于在同一条道路上下行双向采集带来的重复数据，也会在这一环节进行自动整合和删除。

人工验证、发布。这一环节由人工完成。自动化处理的数据还不能达到百分百的准确，需要人工在进行最后一步的确认和完善。目前每位员工每天修正的数据量在30-50公里左右。对于修正后的数据，需要上传到云端，最终形成的高精度地图也通过云平台进行分发。

2.4 关于矢量地图和特征地图

矢量地图：普适性。所谓矢量，就是既有大小，又有方向的量。在这里更强调方向，矢，就是箭，箭头一般用来指示方向。矢量地图使用直线和曲线来描述图形，这些图形的元素由点、线、矩形、多边形、圆和弧线等。这些可以通过数学公式计算获得。因此，矢量图形文件体积一般较小。矢量图形的优点是无论放大、缩小或旋转等不会失真，其缺点是难以表现色彩层次丰富的逼真图像效果。具体到导航电子地图应用，矢量数据具有数据结构紧凑，冗余度低，表达精度高，图形显示质量好，有利于网络和检索分析等优点。传统的电子导航地图一般都是适量地图（包括车载地图和手机端导航地图）。

特征地图：路面信息刻画准确。从矢量地图的原理可以看出，矢量地图对地图原数据信息就行了大量的简化和信息抽取，带来的结果是对道路信息的刻画较为简单。特征地图是对地图原数据进行特征值提取特岛的地图数据，先比而言，其对路面信息刻画的更加真实，其体积和文件大小也相对较大。我们可以理解为，地图原数据的高信息量和矢量地图小体积量的中和，特征地图的产生主要来自于高精度定位的驱动。

高精度地图：矢量地图和特征地图的结合。如果高精度地图在自动驾驶中达到理想的应用效果，矢量地图和特征地图的结合或将是重要的选择。通俗来讲，将车载传感器采集到的地图原数据经过提取可以得到特征值，形成特征地图。在次基础上，进一步对其进行抽象、处理和标注，就得到矢量地图，主要包括路网信息、道路属性信息、道路几何信息，以及路上主要标识的抽象信息。在利用特征匹配定位是，特征地图匹配效果更好。相比而言，矢量地图体量更小，普适性更好一些，但经过多层的信息简化之后，道路信息的几何特征信息会有所丢失。因此，在应用矢量地图进行高精度地位时，其预处理的难度要大于特征地图。而单纯的特征地图也难以满足自动驾驶的需求，比如矢量地图，由于包含了大量的路网信息，可以做到点到点的路径规划；而特征地图难以完成。因此，我们认为，高精度地图作用的发挥，或将借助适量地图和特征地图的结合。

总结：高精度地图在采集原理、采集设备、以及制作流程方面，都与传统电子地图有着显著的差异。从中我们可以看出：（1）高精度地图采集成本更高，这种成本高不仅体现在采集设备的单价贵、数量多，而且在后期制作方面也需要投入一定的人力成本。（2）高精度地图的采集和制作过程中，不断将AI技术应用其中。（3）高精度地图对实时性要求更高，决定了将高精度地图的采集、制作、分发等多个环节就行流程化、自动化和产品化，或将是未来各家图商不断更新、迭代、完善的重点。（4）我们认为，各家图商在采集设备和采集方式方面并不存在较大差异，但在地图数据处理平台、制作引擎以及编译能力方面可能存在一定的不同。

3、深度探讨：高精度地图商业模式  

由于高精度地图的制作流程、成本、分发方式、以及呈现的形态等，与传统电子导航地图有较大的区别。这就决定了高精度地图在商业模式方面，与传统电子地图的不同。我们接下来从与商业模式相关的几个关键变量进行分析，来探讨高精度地图的商业模式。

3.1高精度地图成本分析

高精度地图成本分析。通过以上内容我们可以看到，高精度地图的主要成本分为两个部分：一个是采集成本（车辆、设备、人员成本等），一个是编译制作成本。

编译制作成本：主要是人力成本。编译制作过程需要高精度地图制作企业投入相当多的人力。编译制作过程的“内业”人员的主要任务有地图绘制、校正地图信息、更新 POI 信息、更新互联网用户报错等。在其高德昌平数据生产基地的1500名员工中，有约1000名员工负责内业，而只有500名员工负责实地采集的外业。

采集成本：主要是设备成本。采集成本中主要是采集车的设备成本。一辆高精度地图采集车需要配置的设备包括：激光雷达、摄像头、陀螺仪、GPS接收机、数据存储和计算设备等。下面我们通过高德和百度的高精度地图采集车的配置情况来大概了解下一辆高精度地图采集车的成本体量。

高德高精度地图采集车的配置包括：2 个激光雷达和 4 个摄像头，1个陀螺仪和1个GPS接收机等。如果2个激光雷达是Velodyne的32线产品，单台价格为2万美元（折合人民币大概12.5万人民币），两台价格成本为25万人民币。

百度高精度地图采集车成本。其设备包括1个32线激光雷达、3个360°全景摄像头、1个前置的工业摄像头、1个包含IMU和GPS装置的组合式导航系统以及一个GPS天线。

3.2 高精度地图商业模式分析

高精度地图。在产品形态和服务方式上，高精度地图与传统电子地图有较大差别，这也就使得高精度地图的商业模式也有较大的不同。高精度地图更多的将借助云平台进行更新和分发，从收费模式上也将改变原有电子地图以License收费的模式。

对其商业模式进行分析，我们主要从几个关键变量出发进行分析。

服务方式：云服务形式。由于高精度地图对数据更新的实时性提出很高的要求，这就决定了高精度地图需要借助云平台来实现。因此，从高精度的产品形态和服务方式角度，通过云服务平台对实时更新的高精度地图数据进行实时分发是一种可行的方式。实时更新和实时同步是高精度地图在应用过程中绕不开的两大问题。没有实时更新，地图就会出现记忆偏差，甚至因为不能反映实时情况而引发危险。没有实时同步，地图的使用者就可能得不到最新的数据。为了解决这两点，云平台是高精地图所不可或缺的。除此之外，云平台还能通过实时收集各车的行驶数据来扩充道路情况信息的收集手段，增强收集数据密度而降低收集成本。

云平台目前面临的难点有两个：（1）实时更新、数据同步的困难。（2）云平台计算能力的有限性，包括但不限于数据收集、运算、交互、分发等。因此，自动驾驶更需要从云 端的角度推进。不仅要强化云中心的计算能力，还要强化云与端之间的联系以及端本身的计算和收集能力。

价格：从数据维度来看，高精度地图在传统电子地图道路数据基础上加载了更多的路面语义信息和交通环境静态信息，数据维度是前者的几倍。从数据量大小来看，传统电子地图的精确度到米，而高精度地图精确到厘米，精确度提升两个单位量级，约几十倍。从单品价格来看，我们认为，高精度地图的单价大概是传统电子地图的5-10倍。

收费模式：高精地图的传统收费模式主要有年费制和按服务收费两种收费模式。（1）年费制：类似于传统的“卖数据赚License费”，即按照时间单位进行收费。收费标准或将在5000-10000/车不等。相对而言，这种收费方式较为稳定。（2）按服务收费：即按照使用数据量收费。这种收费模式的定价往往由双方谈判决定。（3）“免费”：图商向客户免费提供现有产品，但客户需向图商免费提供收集数据的模式。地图的价格即为客户收集数据的价值。这可能是未来收费模式发展的大方向，但对图商和客户合作的紧密性和信任度有了更高的要求。

5、深度探讨2：高精度地图是否自动驾驶必需？  

5.1理解传感器性能的边界

车载传感器的性能边界。自动驾驶核心环节包括感知、决策和控制等。其中感知是通过传感器对周边交通环境数据进行收集和处理。但从目前传感器的性能来看，每一种传感器都有其使用的环境条件和性能的边界。包括：测量范围以及在不同环境下表现出来的感知缺陷。

传感器性能边界1：检测范围受限。传感器对周围环境检测的有其固定的范围。例如，长距毫米波雷达探测距离为1-280m，红外线传感器探测距离为0.2-120m，视觉摄像头探测距离为0-80m，中短距毫米波雷达探测距离为0.2-120m，短句毫米波雷达探测距离为0.2-30m，激光雷达探测距离为80-150m。下图为Tesla的传感器配置及传感器感知范围，扇形角度表示传感器的视场角，扇形半径表示传感器的最大检测距离。

传感器性能边界2：感知缺陷。每一种传感器都有其适用的环境条件。比如激光传感器检测效果稳定，但在面对大范围的尘土时，其检测效果大幅降低；再比如高分辨率摄像机能检测图像中的物体，窄视场的摄像机可以检测很远的距离。但是面对暴雨、大雪等恶劣天气，其很难检测到正确的车道线/障碍物/马路牙子等信息。

传感器性能边界3：先验信息缺失。先验信息是指某些可以提前采集且短时间内不会改变的信息。仅仅依靠传感器的信息是很难感知车辆现在是处在高速公路上，还是处在普通城市道路上的；无限速牌的路段，车速最高可以开多快;前方道路的曲率；所处路段的GPS信号强弱，这些都是传感器遇到检测盲区，无法实时捕获的信息。而这些信息是客观存在，不会随外部事物的变化而变化，因此可以提前采集，并作为先验信息传给无人车做决策。图为高精度地图可以为无人车提供的某些先验信息。包括道路曲率、航向、坡度和横坡角。

高精度地图就像自动驾驶汽车的记忆，离开了记忆，无论眼睛和思考速度有多么发达，还是无法对事件有全局把控。一辆能调用高精度地图数据的自动驾驶汽车，能够对所处的环境进行精准预判，提前选择合适的行驶策略，而把对环境的监测重点放在应对突发情况上。在提升车辆安全性的情况下，还有助于降低车载传感器和控制系统的成本。

2.1高精地图与传感器的互补

高精度地图：最稳定的传感器。高精度地图是最稳定的传感器，也是视觉范围最大的传感器。高精度地图可以提供其他传感器很多抽象的信息。同时，对于一般的传感器而言，尽量较少的提供冗余数据（主要是考虑到芯片的处理数据速度）；而高精度地图可以提供冗余，第一，当某些传感器数据缺失时，可以利用地图数据进行推算。第二，高精度地图可以用于相互校验，当同一个数据有多个数据来源时，可以校验其他传感器数据的可信度，提高整个系统的准确度。

高精度地图：更好的辅助自动驾驶。通过以上可以看出，高精度地图本身就是一种传感器。其在自动驾驶中的作用在于，如何更好的辅助定位、感知和控制规划。我们可以通过一个应用场景来理解高精度地图中的作用。比如在高速公路下匝道时，一般会通过摄像机来探测车道线的变化，以保证车辆在车道内行驶。在车道弯曲比较大时，摄像机反馈的记过不是很理想，这就需要利用地图的先验数据，根据车辆的姿态来拟合计算车道线的数据。

高精度地图：提升感知算法效率。高精度地图可以提升自动驾驶车载传感器对周围信息的感知算法效率和准确率。（1）传感器通过感知传回加工处理的数据量较大，对芯片处理性能提出较高要求，因此在感知算法时，尽量减少冗余信息。（2）高精度地图的存在，可以利用其去掉地图中固有的标志物信息，让有限的计算资源集中在道路上可能对自动驾驶带来影响的动态物体。

高精度地图：静态对象识别。高精度地图对静态物体的标识可以部分程度上弥补传感器面对静态物体失灵的情况。在2018年3月23日加州发生的特斯拉Model X致死案中，特斯拉的Autopilot没有检测到混凝土分隔物，并撞击上了路边的混凝土分隔物已经冲撞衰减设施，最终导致了车辆起火和驾驶员死亡。倘若有包含完整道路对象的高精地图的话，车辆在自动驾驶的路径规划阶段就不会有撞上路边混凝土的可能性，从而也能避免类似的事故。

在特斯拉的Autopilot套件中，“匝道入口”与“匝道出口”两项功能是其一直承诺但又很长时间没有实现的。Autopilot虽然在高速公路上表现稳定，但却在匝道口处表现不佳，甚至出现过多次事故。在目前L3水平的自动驾驶中，如果没有高精地图的车道线信息，无法解决匝道口行驶的问题。但倘若后续高精地图的配备和云同步功能足够完善的话，自动驾驶算法结合高精地图对匝道的识别是能够较好地解决这一问题。高精地图能够弥补传感器检测范围受限和先验信息缺失的缺陷，并能够部分程度上弥补传感器的感知缺陷，在标识静态对象的同时解放传感器去专注于动态对象。

全篇总结

1、IT技术的变革，会使得IT产品的使用对象发生变化，高精度地图就是如此。在自动驾驶出现之前，传统的电子导航地图的使用对象是车主（人），而在自动驾驶环境下，高精度地图的使用对象是自动驾驶系统（车）。使用对象的改变，使得产品设计、迭代周期、呈现方式都会发生变化。

2、数据实时的重要性。信息技术的不断更新，我们会发现我们对数据实时性的要求越来越高。特别是当读取数据的主体发生变化时，比如从人切换到机器，数据的实时性要求会更高。对于高精度地图更是如此，只有实时更新的数据才能够确保机器处理的是最新的道路信息，也就是说，在机器对数据处理链条中，确保Input的数据是正确的，Output的处理结果才能更加有效。

3、对于某些IT业务，其性质就决定了门槛。在分析某些业务时，我们很直观的第一反应就是分析竞争格局，是不是有门槛。而有些IT业务，其业务的性质可能就决定了其门槛。比如对于云服务的IaaS业务，这个业务某种程度来说，是一个重资产的业务，只有IT巨头才有能力来做大做强这个业务。对于高精度地图而言，我们认为也是如此。其本身就是需要大量的研发投入，不只是在采集车辆的固定成本方面，对后期的处理也是不小的一笔费用。更不用于说产品出来之后，要不断与Tier1 和前装车厂相应的产品不断测试和适配，对于一般的小企业或者跨界企业而言，想进入非常难。因此，我们认为，高精度地图最终也就只有两三家厂商有实力对其进行持续投入和研发。

4、数据冗余不一定都是坏事。在一般的IT系统中，我们都希望IT系统处理的信息越精简越好，因为在现有有限的计算能力或者计算速度下，输入的信息越精简，处理所需要的时间越短，结果的呈现也就越实时。对于智能驾驶而言，其计算资源更加有限，对于车辆产生的实时信息，我们希望尽量减少冗余。但减少冗余所付出的代价是，处理结果不一定与现实环境相匹配。因此，在有些时候，冗余的数据和信息并非坏事，而是在某些特定的约束条件下（比如计算能力约束），我们不希望其出现。在自动驾驶领域，高精度地图可以在不占用计算资源的情况下，其“冗余”信息可以对外部环境进行真实刻画。

—文章转自网络

本文仅限行业学习交流之用，版权、著作权归原载平台及作者所有，如有侵权，请联系删除。

- END -