高精地图对自动驾驶的影响

前阵子一龙在autonomous day发布自家的芯片，还毫不留情地怼了激光雷达，当然自然就会连带着高精地图。

HW 3芯片本身很牛不容置疑，可能今后麻烦的就是最终在上海贴片（广达电脑），美国本土产的车会面临高额的关税问题。

另外，至于camera first还是LiDAR first的两种自动驾驶路线，两种利弊说的够多了。前两天ars technica的Timothy B.Lee对ap的一篇分析可以参考下。

ap虽胜在庞大数据量，但由于边缘计算的带宽，反馈到数据中心的数据量仍旧是被指定的特殊场景数据，也就是说他们仍然要面对没法穷尽的edge cases。

ap算法中的NN主要还是用于物体识别，然后在另外的Layer与感知/路径规划相结合，还不算是真正的fleet Learning。接下来的一年多时间，特斯拉真的是很多事情要做的。

说回高精地图，严格的说它应该和激光雷达区分来看，两者没有必然联系。我们来看看高精地图在自动驾驶系统的各项主要任务中的影响。

首先我们先看下各项任务的准确定义。

感知：系统根据传感器融合和既定的高精地图数据的输入，感知所有移动和静止的物体，了解周围的环境。

预测：系统预测周围环境中每个车辆或人等物体的行为和轨迹，例如它们的速度、方向和移动路径。

定位：系统借助各种车载传感器、GPS和高精地图数据估算和确定车辆在3D空间中的当前姿态（位置和方向）。

规划：系统为其下一步动作制定自身运动和轨迹的计划，试图根据上一步骤的输出找到最安全和有效的路径。

控制：系统通过控制转向、加速和制动系统来执行其计划。

高精地图可以通过提供一组综合的先验信息来支持自动驾驶车辆的“大脑”，这些信息可以增强自动驾驶系统的计算能力，特别是在感知、预测和定位过程中。借助于高精地图提供的静止物体的3D几何和语义信息，感知和预测系统可以更多地关注动态物体。这有助于节省处理能力并允许自动驾驶系统更快、更准确地执行任务。

在定位过程中，通过不断地将实际环境的感知与相应的高精地图进行比较，自动驾驶系统可以比仅依赖于GPS数据时更精确地估算位置。此外，地图数据本身对于路线规划非常有用。

高精地图作为一种虚拟传感器，没有检测范围上的限制，可以提供冗余，补充物理传感器的弱点。目前用于自动驾驶车辆的车载传感器（激光雷达、雷达和摄像头）的检测能力仅限于100-250m距离内的物体，并且受天气条件、其他车辆的阻碍及其他因素变化的影响。另外，高精地图不受外部因素的影响，也不受因物理损坏带来的风险影响。

由于上述这些优势，高精地图有助于提高自动驾驶车辆的“安全性”，而这也是自动驾驶技术的最终目的。

因此，高精地图在行业内变得至关重要，它将加速全自动车辆的发展。对于L3以上的自动驾驶级别尤其如此，其中高精地图被认为是必须具备的功能。值得注意的是，这些还可以辅助具有L1-L2级ADAS和一些安全功能，例如ACC、TSR、高速公路驾驶辅助等。

此外，对于从L2到L3的过渡期，可以使用高精地图作为替代方案，直到激光雷达在价格上更加实惠，可以广泛应用。凯迪拉克CT6的SuperCruise是高精地图在量产车型中的首次应用。SuperCruise是一款hands-free的高速公路驾驶系统，是由美国的Ushr提供的高精地图数据支持。SuperCruise没有使用昂贵的激光雷达，而是将车载传感器数据与预先构建的高精地图中的地图数据相结合，可在美国和加拿大限定区域的高速公路上运行。

即便如此，高精地图也有一个关键的缺点：它需要大量的资源和努力来扩展地图覆盖范围，而且还需要不断更新。但是，随着越来越多汽车的智能网联化，这可以随着时间的推移被克服。理论上，道路上的每辆车都可以通过传感器和网络通信成为测绘车队的一部分，并将数据发送到云端。

from A to B