從“有圖”到“無圖”再到“輕圖”，自動駕駛地圖為何這么折騰？

[首發于智駕最前沿微信公眾號]在手機導航還未出現的年代，很多人出行主要依靠紙質地圖，有人希望地圖可以描述得很詳細，這樣可以獲得更多的交通信息；而有人覺得靠眼睛看路牌，再問問路人會更加方便；還有一些人習慣看一些簡圖或者保留關鍵信息的手繪地圖，這樣可以更加清晰明了地獲取關鍵信息。

將這些習慣類比到自動駕駛汽車，恰好可以對應到自動駕駛行業不可不提的地圖技術，在自動駕駛技術誕生初期，高精度地圖的使用非常火熱，但隨著技術的發展，很多企業開始追求無圖的方案，直到現在，又有一些企業開始推出“輕圖”的技術，為何自動駕駛地圖發展會如此折騰？

為什么早期自動駕駛都要“有圖”？

高精度地圖（我們常說的“有圖”）的核心價值在于它把道路上車道的精確位置、車道之間的連接關系、固定的交通標志、路緣線、停車線等等靜態信息提前告訴了車子。這些信息可以讓車輛定位和路徑規劃的難度大幅度降低。舉個簡單的類比，如果你去一個陌生城市開車，有一張詳細的導航圖你就知道哪條是車道、哪條不能拐、哪兒是禁止停車的路段，開起來要省心得多。對于自動駕駛汽車來說也是一樣，把環境的一部分“固定”下來，機器只要去處理動態的那一部分（行人、其他車輛、臨時障礙），系統的整體復雜度和驗證難度都會下降。高精度地圖還能在夜間或惡劣光照下彌補攝像頭的不足，定位精度也能達到車道級別，這對某些需要高可靠性的場景非常重要。

但是想要提前把“世界”畫好其實有很多問題需要解決。地圖不是一次性做完的，也很難保持最新狀態，道路施工、臨時標志、路面變更都會讓地圖信息過期，這就要求高精度地圖可以隨時更新。此外，做一張覆蓋城市乃至國家級的高精度地圖，成本會非常高，要用激光雷達、車隊采集、大量后處理和人工校驗。如果真的能做“畫”完高精度地圖，其數據量也是非常大的，實時把它同步到每輛車需要帶寬和云端支持。正是出于這個原因，很多企業在自動駕駛落地時，會思考一個問題，那就是在所有場景里都用這種“厚圖”是否劃算？

無圖思路的技術細節，靠“看”和“學”來替代地圖？

面對高精度地圖的高成本，一部分企業選擇盡量少用或不用地圖，依靠車載傳感器和大規模數據訓練來讓車輛“自己看清楚世界”。這條路的技術就對包括強大的攝像頭感知、穩健的多傳感器融合、以及海量的場景數據用于模型訓練等方面提出了要求。簡單來說，無圖方案把問題交給感知和學習，讓攝像頭、雷達實時感知車道線、信號燈、行人等；讓神經網絡基于歷史數據學會在各種復雜情況下做出正確判斷。

為了讓無圖方案更可靠，需要做一些工作來增強模型的穩健性和可用性。比如用仿真和數據增強來擴充訓練數據，針對罕見場景做專項收集；通過多模態融合（把攝像頭、毫米波雷達、IMU等信息融合）來彌補單一傳感器的短板；再輔以在線學習和車隊數據回傳，讓系統不斷迭代。無圖的優勢是部署快、覆蓋范圍廣，不需要事先把每條路都畫好，特別適合希望迅速擴展服務的公司。

無圖看起來比較適合自動駕駛技術大面積落地，但是對某些邊緣場景（比如路標被遮擋、標線模糊、復雜交叉口）對模型的泛化能力要求極高；端到端學習的“黑盒”特性也讓故障回溯和監管審查變得困難。這就要求在技術落地前必須用大量測試、冗余設計和安全邊界來彌補這些不足，這在實踐中并不容易。

輕圖的技術實現，只保留“關鍵骨架”？

輕圖（也叫稀疏地圖）試圖在“有圖”和“無圖”之間找到平衡。它不追求把每一塊路面、每個路樁都詳細刻錄，而是只保存對車輛決策最關鍵且變化慢的信息。輕圖通常包含車道中心線的拓撲關系、重要路口的連接信息、某些固定的交通規則點位和少量地標性特征。相比全密度點云，輕圖的數據量小得多，更新頻率也可以更低。

生成輕圖的流程也比較工程化，先用車隊的LiDAR、攝像頭、IMU等設備采集路測數據，再用視覺里程計或SLAM算法做初步配準，接著用自動化工具提取車道線與拓撲，最后加少量人工校驗。為了降低維護成本，輕圖常常配合在線變化檢測機制，即行駛車輛上報與地圖不一致的區域，云端自動比對后決定是否需要人工復核或差分更新。這樣既保留了地圖對定位與規劃的結構性支持，又把大部分更新工作交給自動化流程完成，成本更可控。

輕圖通常作為結構化先驗供自動駕駛汽車定位和規劃使用，實時感知負責檢測動態目標和可變信息。比如在匝道并線時，輕圖提供車道連接關系，規劃模塊據此生成安全的軌跡，而攝像頭與雷達負責實時監測周圍車輛并進行避讓。這種分工讓自動駕駛系統在保持一定魯棒性的同時，避免了高精度地圖帶來的沉重運維負擔。

地圖方案應該如何選？

地圖方案并不沒有最優選擇，很大程度上會取決于業務場景與商業模型。如果產品是限定區域內運行（如廠區、園區、封閉高速），投入高精度地圖并結合多傳感器冗余往往是最穩妥的路徑，因為這些場景能用較少的路段覆蓋就實現高可用性和可驗證性。但如果產品希望快速鋪開到城市乃至全國，輕圖或無圖能夠顯著降低前期投入和擴張阻力。

未來自動駕駛地圖可能朝著“分層與融合”而不是某一路線的方向發展。地圖會做分層處理，靜態且穩定的要素放到地圖里，變動頻繁的要素交給實時感知；地圖制作與更新也會越來越自動化，利用變更檢測、車隊數據差分和云端差分更新來降低人工成本。同時，無圖路線在感知、模型驗證以及可解釋性方面的研究會繼續推進，讓二者的邊界或將越來越模糊。

最后的話

地圖不是“靈丹妙藥”，也不是“多余負擔”。把地圖看成系統里的一個模塊，與感知、定位、規劃和驗證體系一起設計，才能在成本、可靠性和擴張速度之間找到合適的平衡。選擇哪種地圖策略，很大程度上取決于你要解決的場景、愿意承擔的成本以及你對擴張速度與安全邊界的偏好。短期內我們會繼續看到各種路線并行，這不僅是技術多樣性的必然，更是行業逐步成熟前必須經歷的復雜博弈。