為什么自動駕駛方案不再強調地圖了？

[首發于智駕最前沿微信公眾號]不知道大家是否發現，現在很多車企在宣傳自動駕駛方案時，很少會再強調或提及高精度地圖，甚至很少會再提地圖相關的內容，為啥曾經被自動駕駛行業高度依賴的技術，現在卻越來越邊緣化？

如何從救命稻草到發展阻礙？

自動駕駛技術大規模普及的早期，高精度地圖被行業公認為全自動駕駛實現的必經之路。這種地圖與我們日常手機導航使用的普通地圖有著天壤之別。普通地圖的誤差通常在幾米到十幾米之間，主要用于指引人類司機在大致的道路網絡中尋找方向。

而高精度地圖的精度則達到了厘米級，它詳細記錄了車道線的位置、路緣石的高度、交通標志的準確坐標，甚至連電線桿、下水道口和道路的坡度、曲率等極其細微的信息都包含在內。

在那個車載傳感器和計算平臺尚不成熟的年代，高精度地圖充當了智駕系統的安全底座，讓車輛能夠擁有上帝視角，提前預判幾百米外的路況，極大地減輕了感知算法的壓力。

而隨著智駕功能從相對簡單的高速公路向錯綜復雜的城市道路推進，高精度地圖的局限性開始集中爆發。

圖片源自：網絡

首當其沖的問題是“鮮度”，也就是地圖更新的實時性。城市里的道路每天都在發生變化，修路、改道、臨時交通管制或是路標的重新粉刷，對人類司機來說可能只需要一秒鐘的觀察就能適應，但對于高度依賴地圖的自動駕駛系統來說，任何微小的變動如果未能在地圖上同步更新，都會導致系統出現嚴重的邏輯沖突。

目前，國內圖商制作高精度地圖主要依賴帶有激光雷達和專業測繪設備的昂貴采集車，這種采集方式導致大多數城市的高精度地圖只能做到每三個月更新一次，而理想狀態下的智駕系統需要的是小時級甚至分鐘級的實時更新。

成本和資質也是車企難以逾越的高山。制作一張覆蓋全國城市的高精度地圖需要耗費數以百億計的資金投入，而這些成本最終都會轉嫁給車企和消費者。目前車企使用地圖需要支付高昂的訂單費和每輛車每年的許可費，這種模式極大地限制了智駕功能的規模化推廣。

更關鍵的是，國家對測繪資質的審批正在不斷收緊，只有擁有導航電子地圖制作甲級測繪資質的單位才能進行高精度數據的采集和處理。近年來，通過資質復審的企業數量顯著減少，這讓許多想要自建地圖數據的車企面臨合規性風險，也讓整個行業在擴展新城市時不得不排隊等待圖商的進度。

擺脫地圖后用何技術？

為了擺脫對預制地圖的過度依賴，自動駕駛行業開始擁抱“重感知”的技術方向。所謂重感知，就是讓汽車不再按照寫好的“劇本”開車，而是像人一樣具備實時觀察和理解世界的能力。

在這一過程中，鳥瞰圖感知技術（BEV技術）起到了決定性的作用。在傳統的智駕方案中，系統只能處理每個攝像頭傳回的獨立平面圖像，就像在看幾張互不相關的照片，很難拼湊出完整的空間感。而BEV技術則能將車輛周圍多個攝像頭的圖像信息，通過大模型的計算，實時融合進一個統一的三維俯視坐標系中。

通過這種方式，車輛在行駛過程中實際上是在大腦里實時“畫圖”。它不僅能看到眼前的障礙物，還能通過這種鳥瞰視角識別出車道線的拓撲關系，即哪條線通往哪個方向，路口是如何連接的。

這種實時生成的“活地圖”雖然在絕對精度上可能稍遜于預制的高精度地圖，但它最大的優勢在于絕對真實。因為它捕捉的是當下的實況，所以哪怕道路正在施工，系統也能立即感知到并做出反應。這種能力的提升，讓智駕系統從“按圖索驥”進化到了“見機行事”。

圖片源自：網絡

為了解決那些地圖里根本無法預測的特殊障礙物問題，如灑落在路上的紙箱、形態怪異的施工圍欄或是不按常理出牌的各種物體，占用網絡技術也應運而生。這項技術不再糾結于識別物體“是什么”，而是關注空間是否被“占用”。

它將車輛周圍的空間劃分為無數個極其細微的三維小立方體，就像積木世界一樣，系統只需要判斷每個小立方體是空的還是實心的。

通過這種基于物理幾何連續性的判斷，汽車建立起了對物理世界最基礎的把握，只要那個地方有東西，我就不能撞上去。這種處理方式完美彌補了預制地圖無法記錄動態變化的短板，讓車輛在面對各種突發狀況時具備了極強的生存能力。

在感知能力變強的同時，行業并沒有激進地完全拋棄所有地圖，而是轉向了一種更理性的“輕地圖”方案。

所謂的輕地圖，實際上是對傳統地圖進行了大刀闊斧的瘦身，只保留了道路的連通性、超視距的交通預測信息等最核心的導航要素。它不再追求厘米級的靜態要素刻畫，而是將原本由地圖負責的精細工作交給車輛自身的感知系統。

這種方案不僅大幅降低了制圖成本，更重要的是它讓智駕系統具備了更好的適應性，只要有基礎的導航地圖，車輛就能在全國各地的城市甚至鄉間小道上開啟智駕，徹底解決了“開城”速度慢的問題。

端到端大模型如何讓汽車具備類人的駕駛直覺？

當感知系統解決了“看”的問題后，如何“開”就成了自動駕駛進化的下一個關鍵。過去，自動駕駛的駕駛邏輯是由一行行寫出來的規則代碼組成的。這種模式被稱為規則驅動，其本質是大量的“如果……那么……”邏輯。

但在復雜的城市交通中，人類司機的行為是非常微妙且具有直覺性的。代碼很難窮盡所有的交通場景，在狹窄路口如何禮貌地博弈？在沒有紅綠燈的交叉路口如何尋找空檔？都是經常會遇到的問題。這種機械的邏輯會導致智駕車輛在復雜環境下顯得畏手畏腳，甚至因為觸發了某個安全規則而僵在原地。

目前端到端智駕模型非常火熱，它旨在打破感知、預測、決策和控制之間的隔閡。簡單來說，它就像訓練一個大型人工智能一樣，直接把海量的高質量人類駕駛數據喂給神經網絡。系統通過學習幾千萬甚至上億公里的老司機駕駛錄像，自己去領悟在什么樣的情況下應該打多少度方向盤、踩多深剎車。

在這個過程中，系統不再需要去死記硬背地圖上的每一條線，而是建立起了一種類似于人類司機的駕駛直覺。只要給它一個導航目標，它就能根據實時的視覺輸入做出最合理的動作反應。

圖片源自：網絡

這種端到端架構的出現，讓自動駕駛從“寫代碼”變成了“教本領”。它不僅極大地縮短了系統的響應延遲，更讓汽車具備了處理未知場景的能力。

當遇到一個從未見過的奇葩路口時，傳統的規則系統可能會因為找不到匹配的代碼而罷工，但端到端模型可以通過在大規模數據中積累的通用理解，像人一樣通過邏輯推理和模仿來平穩通過。

為了讓這種直覺更加可靠，還引入了視覺語言模型作為車輛的“慢思考”系統，讓汽車能夠理解如交警的手勢、寫在牌子上的臨時交通指示，甚至是感知周圍行人的意圖等復雜的交通語義。

這種類人化的技術路徑，不僅讓駕駛過程變得更加平順和自然，更從根本上解決了對高精度地圖的依賴。對于一個真正聰明的智駕系統來說，地圖的作用應該僅僅是一個大致的指路牌，而不需要是一份精確到分毫的操作說明書。

隨著端到端技術的日趨成熟，自動駕駛系統正在從“依賴地圖的機器”轉變為“具備思考能力的司機”。這種進化不僅提升了系統的天花板，也讓智駕技術在不同地域、不同文化背景下的快速落地成為了可能。

最后的話

自動駕駛的“無圖化”趨勢是技術發展的必然規律。隨著算力的爆炸式增長和算法的不斷精進，汽車對環境的理解將越來越接近甚至超越人類。地圖將逐漸邊緣化，回歸到最本質的導航工具屬性。這不僅會讓智駕功能的成本大幅下降，讓十萬級別的普通家用車也能享受到高階智駕帶來的安全與便利，更將加速全自動駕駛時代的到來。