车东西（公众号：chedongxi）
作者 | 阿超
编辑 | Juice
曾经被视为智能驾驶最佳帮手的高精地图正在被厂商们抛弃。
日前，元戎启行正式发布了不依赖高精度地图的智能驾驶解决方案，成为行业内首个宣布彻底解绑高精地图的自动驾驶玩家。
而在一周前，地平线创始人兼CEO余凯透露，地平线今年将推出不依赖于高精地图的辅助驾驶方案。
再往前看，理想汽车CEO李想在年初的内部信上表示，理想汽车的端到端的城市NOA导航辅助驾驶也将会摆脱高精地图依赖。小鹏汽车也在去年的1024上表达了类似的想法。
据车东西统计，最近一年内，已有超过8家企业明确表达了弃用高精地图的倾向。
也就是说 ，在智能驾驶发展过程中，高精地图将会成为率先被企业抛弃的产品之一。
值得注意的是，此前国内的多个自动驾驶领域的玩家都将高精地图作为非常重要的辅助工具，甚至都基于高精地图开发了高速导航辅助驾驶功能（高速NOA）。
可以说，在很长一段时间内，高精地图一直被视为实现高阶智能驾驶的必要工具之一。那为何在最近短短的一年间，众多自动驾驶玩家都选择了改弦更张呢？
主要的原因在于高精地图的发展已经无法满足日益精进的智能驾驶技术的要求了。高精地图的更新速度没有办法跟上城市NOA的落地要求，因此在今年这个城市NOA落地元年中，越来越多的企业选择放弃高精地图也是情理之中。
那么，究竟有哪些玩家宣布放弃了高精地图？高精地图又为何从香饽饽变成了烫手山芋呢？车东西经过梳理，找到了问题的答案。
一、八大玩家宣布弃用 高精地图被冷落
最近一段时间，关于弃用高精地图的言论越来越多，多个知名车企和供应商都发表了类似的意见。
3月22日，元戎启行发布DeepRoute-Driver3.0(Driver3.0)智能驾驶解决方案，该方案可适配导航地图，解绑了对高精度地图的依赖。
▲元戎启行Driver3.0路测
3月16日，地平线创始人兼CEO余凯透露，地平线今年将推出不依赖于高精地图的辅助驾驶方案，余凯表示：“这是一个完全基于计算机视觉感知的智能驾驶技术，将不依靠高精地图，即可做到实时定位，并对周围环境进行实时测绘。”
今年1月初理想汽车CEO李想也在内部全员信中表示，理想汽车的端到端城市NOA导航辅助驾驶（不依赖HDMAP，即不依赖高精地图）将会在2023年底开始落地。
▲小鹏XNet感知架构
而早在去年10月24日小鹏汽车便明确提出，2023年基于XNet深度学习算法的XNGP将不再依赖高精地图。并且此后在公开场合何小鹏多次重申这一去高精地图化的辅助驾驶方案。
在去年8月17日智行者的媒体开放日上，智行者也对外发布了一套声称不依赖高精地图的L2+自动驾驶解决方案。
同样是在去年8月，华为终端业务群CEO、华为智能汽车解决方案BU CEO余承东在谈到AITO问界M7和M5的自动驾驶时也表示：“现在自动驾驶还在使用高精地图，但未来发展不应该依赖高精地图、车路协同。”
▲毫末智行MANA（图源网络）
更早一些，去年4月，毫末智行更是发布了旗下首个自动驾驶数据智能体系MANA（雪湖）和ransforemr识别车道线的技术。毫末智行声称这一技术采取了“重感知、轻地图”的技术路线，进一步降低了对高精地图的依赖。
尽管有的厂商声称已经发布的辅助驾驶方案不依赖高精地图，有的厂商只是列出了一个去高精地图的时间线，但是仿佛大家都形成了去高精地图化的共识。
目前看，虽然不少企业都宣布了放弃高精地图，但整体而言，这些企业都在追求更高阶的智能驾驶，认为在这个过程中，高精地图将会限制其发展。
但对于更多的车企或者供应商来说，成本低廉且好用的L2仍然是刚需，对于这些企业来说，他们可能并不会过于追求更高阶的智能驾驶，因此，对于这些玩家来说，高精地图仍然是不可缺少的一环。
但从大趋势上来看，高精地图的前景确实不容乐观。
二、三大原因 高精地图遭弃用
在高速NOA阶段，高精地图以其多种优势受到众多车企的追捧，在辅助驾驶中被广泛应用。
高精地图相比传统导航地图的优势可以概括为三点，即高丰富度、高精度和高鲜度。
第一，高精地图有着更高的数据丰富度。
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。高精度地图有高架物体、防护栏、树、道路边缘类型、路边地标等大量目标数据，能够明确区分车道线类型、路边地标等细节。
第二，高精地图有着更高的精确度。
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，一般绝对精度低于1米，相对精度10~20厘米。
第三，高精地图有着更高的鲜度。
高精地图一般以季度为单位进行更新，相比传统的导航地图有着更高的新鲜度，更新的频率更高。
▲高精地图示例（图源网络）
高精地图的诸多优势，也是前两年车企在发展辅助驾驶中倚重高精地图的重要原因。大多车企的高速NOA方案都是基于高精地图实现的，高速道路标准化强、道路状况变化小等特点令基于高精地图的方案能够相对容易实现。
然而随着辅助驾驶的发展，辅助驾驶的技术重心逐渐转移到城市NOA。城市道路的复杂程度骤升，道路状况的变化也更大，如果依旧采用基于高精地图的辅助驾驶方案，这意味着车企将面临着巨大的成本提升。
再结合国家对于高精地图的监管政策，综合作用下，加速了车企对高精地图态度的转变。
企业对高精地图态度的转变原因可以总结为3点。
第一，高精地图成本高，制作周期长，不利于辅助驾驶的加速普及。
在前面也提到过，高精地图有着更高的丰富度、更高的精度和更高的鲜度，然而在这背后是巨大的成本支撑。
根据《智能网联汽车高精地图白皮书》显示，采用传统测绘车方式，分米级地图的测绘效率约为每天每车500公里道路，成本为每公里10元左右，而厘米级地图的测绘效率约为每天每车100公里道路，成本可能达每公里千元。
在企业重点普及高速NOA时，全国高速道路里程相对城市道路历程较为有限，道路更新的频率也相对更小，成本还可以接受。但当NOA开始向城市场景普及时，城市道路的里程增加带来了高精地图的前期采集工程量的大幅上升，道路复杂度的提升对高精地图的更新频率有了更高要求，由此带来了成本的骤升。
同时，高精地图后续的持续更新，意味着高精地图对于车企来说是一项长期的成本投入，长远来看，成本压力可能会更大。
第二，辅助驾驶相关硬件的加速发展，车企有了更优的方案选择。
在过去车企大多采用“多传感器融合+高精地图”的辅助驾驶方案，在高速上遇到高精地图不完善的区域，NOA功能可能就会退出了，受限于传感器的参数配置，传感器在其中主要发挥辅助作用，这可以认为是一种以高精地图为主，以整车感知为辅的技术方案。
▲理想NOA导航辅助系统（图源网络）
然而随着高算力芯片、激光雷达等配置加速上车，以及辅助驾驶数据积累和算法的不断优化，当前汽车的整体感知能力已经有了很大升级。高精地图在辅助驾驶当中的权重不断降低，车企逐步走上一条“重感知，轻地图”的技术路线。
第三，国家对高精地图的监管缩紧。
自然资源部于2022年2月、3月、8月先后分三批公布了最新的导航电子地图制作甲级测绘资质复审换证的结果，共有19个单位通过资质复审，而复审前则共有31家单位，这一数字的缩小也直观地表明当前政策缩紧的趋势。
▲自然资源部官网截图
在未通过资质复审的12家单位中，有滴滴旗下的滴图科技、小鹏于2021年2.5亿元收购的智途科技、上汽和东风投资的晶众信息科技，以及中海庭、易图通和立得空间等图商。
政策上的巨大不确定性或许是短期内促使企业对高精地图态度发生转变的重要原因。
三、重感知轻地图 算法成为核心竞争力
在过去几年车企的辅助驾驶方案高度依赖高精地图，形成了以高精地图为主的辅助驾驶方案，然而当高精地图逐步受限时，车企的辅助驾驶又该何去何从呢？
我们发现车企在逐步走上一条“重感知，轻地图”的技术路线。汽车自身的感知能力在辅助驾驶中扮演着越来越重要的角色，高精地图不再是车企的唯一重点。
目前已经公布的几家技术路线也均在“重感知，轻地图”的范畴里，例如理想汽车CEO李想在年初全员信中提到的不依赖高精地图的城市NOA导航辅助驾驶。这一方案具体来说是基于BEV感知和Transformer模型，从而实现端到端的城市NOA导航辅助驾驶。
对此技术路线李想还特别解释到，软件1.0阶段，是人类设计逻辑，人类进行编程，机器进行计算，人类使用软件。软件2.0阶段则是机器学习人类（包含感知、决策、执行、反馈的闭环），云端训练算法，机器使用算法，机器服务人类。显然李想表达的正是自家城市NOA十分重视车辆自身感知，而不是倚重高精地图。
小鹏对于不依赖高精地图的辅助驾驶方案提出的更早些，在去年10月24日，小鹏表示2023年下半年，基于XNet深度学习算法的XNGP将不再依赖高精地图，实现对于全国范围内多个城市广泛的城市道路的覆盖能力。
不论是李想所提到的软件2.0阶段，还是何小鹏所讲的XNet深度学习算法，都是基于BEV+Transformer技术架构来实现的。
这一技术架构中不得不提到BEV感知，BEV，即Bird’s Eye View（视觉为中心的鸟瞰图），是一种以视觉为中心的感知算法，也称作“上帝视角”，是一种端到端的，由神经网络将图像信息从图像空间转换到BEV空间的技术。
▲BEV感知与传统图像空间感知对比（图源网络）
与传统图像空间感知相比，BEV感知可将多个传感器采集的数据，输入到统一的空间进行处理，有效避免误差叠加。同时更易进行时序融合形成4D空间。
例如小鹏XNet可将摄像头采集的数据，进行多帧时序前融合，输出BEV下的4D动态信息（如车辆速度、运动预测等）和3D静态信息（如车道线位置等）。
BEV基础上又大致出现了三种技术路线：纯视觉BEV感知路线，即只使用摄像头，代表企业为特斯拉；BEV融合感知路线，以摄像头为主，同时有其他的传感器做辅助，代表企业为小鹏、毫末智行；车路一体BEV感知路线，代表企业为百度。
目前除特斯拉外，大多采取的是BEV融合感知路线。
▲BEV融合感知（图源网络）
与BEV相匹配的Transformer模型，是一种目前自然语言处理领域的主流模型，旨在处理序列数据，其主要优点是能够根据输入数据的内部关系来计算其特征表示。因此它非常适合处理具有明显空间结构的BEV图像数据。Transformer还具有较高的并行性，能够处理大规模的数据集。
▲Vision Transformer模型结构（图源网络）
十分通俗地来说，BEV+Transformer技术架构的智能驾驶方案以视觉感知为中心，激光雷达等摄像头之外的硬件起辅助作用，将摄像头和其他硬件采集的数据统一到一个空间进行融合，再通过Transformer模型大量处理数据。
可以简单认为BEV的功能是将数据融合到同一空间，而Transformer模型对这些数据进行处理和识别。
此方案可以让汽车通过自身的感知能力识别出原本只有高精地图才具有的信息，以此来达到代替高精地图的目的。
基于BEV+Transformer技术架构足够成熟的方案可以实现诸如车道线检测、障碍物检测、可行驶区域分割、红绿灯检测和识别、道路交通标志检测等功能。
这种方案对芯片算力、传感器硬件以及算法有着更高的要求，经过几年的发展现有的硬件已经可以适应这种方案。
这种不依赖高精地图的方案优势明显，尤其体现在成本上，前期省去了高精地图的大量成本，十分利于城市NOA的普及。
结语：高精地图将加速被车企遗弃
BEV感知提升的背后是计算机视觉技术、图像判断技术和深度学习算法的不断提升，而且可以预见BEV技术会有更加快速的迭代发展，未来也将会有更高的分辨率，能够提取更多的环境信息和细节。
与此同时，BEV感知相较高精地图展现出巨大的成本优势，目前第一梯队的造车玩家大多已明示高精地图的弃用倾向，紧随而来的便是高德等图商的收入下降，图商对高精地图的测绘和后期更新投入也会降低，进而高精地图的可用性降低，从而形成恶性循环。高精地图的未来走向已显而易见。
