[首發于智駕最前沿微信公眾號]在智能駕駛領域，最近一兩年討論熱度比較高的一個話題莫過于“去高精地圖”。曾幾何時，高精度地圖被視為自動駕駛的“拐杖”，仿佛沒有了那份精確到厘米級的靜態數據包，車輛就成了在黑暗中摸索的盲人。但隨著特斯拉全量推送其基于端到端架構的智駕軟件，以及國內如華為、小鵬、理想等一眾頭部玩家打出“全國都能開、有路就能開”的口號，行業風向發生了劇烈的扭轉。一時間，高精地圖似乎從行業的寵兒變成了累贅。大眾關心的問題也隨之而來，既然大家都在喊“無圖”，那么自動駕駛真的不需要地圖了嗎？如果不需要地圖，車又是靠什么在復雜的城市道路穿梭的？

無圖中的“圖”是指什么？

想要知道這些問題，我們首先得搞清楚所謂的“無圖”究竟在“去”什么。在自動駕駛中，車企和供應商口中的“圖”，特指的是高精度地圖（HD Map）。這種地圖與我們手機里常用的高德、百度導航地圖（SD Map）完全是兩個維度的產物。

導航地圖是給人類看的，它的誤差可以在米級范圍內，它只要能夠告訴人類前方該左轉還是直行、大致的路名和建筑位置是什么就足夠了。高精度地圖是給機器看的，它包含了道路的精細幾何形狀、車道線的類型、路緣石的高度、紅綠燈的精確三維坐標，甚至連道路的坡度和橫向傾角都會記錄。

在單車感知能力尚不成熟的階段，高精地圖就像是一份提前發給車輛的“標準答案”，車輛通過傳感器掃描周圍環境并與高精度地圖進行匹配，就能實現極其精準的定位和規控。

高精地圖為何“神話”破滅？

早期的智能駕駛研發其實形成了一個共識，那就是感知能力不夠，地圖來湊。這種模式在高速公路等結構化程度高、變化少的場景下表現非常優秀。然而，一旦進入錯綜復雜的城市道路，高精地圖的弊端就開始像滾雪球一樣越來越大。

高精度地圖帶來的最直接的痛點就是“鮮度”問題。城市道路出現修路、改道、臨時施工、封路、標線重漆等幾乎是家常便飯。而高精地圖由于制作難度大、采集流程繁瑣，其更新周期通常是以季度甚至半年為單位的。當現實世界的道路情況已經發生了劇烈變化，而高精度地圖還停留在幾個月前的狀態時，依賴高精度地圖的智駕系統就會出現各種不適，甚至導致安全風險。

圖片源自：網絡

制作高精度地圖的成本也很高，傳統的采集方式需要動用配備激光雷達、慣性導航和高精度定位系統的測繪車，分米級地圖的測繪成本約為每公里十元左右，而更精密、包含更多語義信息的厘米級地圖，其測繪成本可能達到每公里數千元。若想讓高精度地圖覆蓋全國數百萬公里的城市道路，并且還要維持高頻率的維護更新，這背后的資金投入將是一個天文數字。對于追求利潤和規模化的車企來說，這無疑是一項難以承受的長期負擔，尤其是在價格戰日益激烈的當下，降低硬件成本和軟件服務費才是生存的關鍵。

此外，政策監管和測繪資質也導致高精度地圖難以普及。道路數據采集涉及國家安全和敏感地理信息，受到法律的嚴格限制，只有少數具備導航電子地圖制作甲級資質的企業（如圖商巨頭百度、高德、四維圖新等）才能合法進行高精度測繪。車企如果想自己搞，門檻極高；如果買圖商的，又會面臨數據閉環不通、審圖周期長等問題。華為余承東就曾坦言，單單采集上海9000公里的高精地圖就耗費了一年時間，結果還沒覆蓋完，之前的路段信息就已經過時了。這種采集永遠跑不過變化的“挫敗感”，迫使智駕研發轉型，既然人類開車靠的是眼睛和大腦的實時觀察與推理，不需要一份精確到厘米的地圖，那機器為什么不可以？

實時感知技術的發展

為了扔掉那根昂貴且不靈活的“拐杖”，智能駕駛系統必須在感知能力上實現跨越式的升級。目前的“無圖”技術路線，核心其實是讓車輛具備在行駛過程中實時生成地圖的能力。這就像是一個記憶力超強且反應極快的老司機，他雖然沒走過這條路，但他能通過眼睛看清路面的標線、指示牌和周圍的車輛，并在腦海里迅速勾勒出一條安全可行的路線。在技術架構上，這依賴于BEV（Bird's Eye View，鳥瞰圖）感知網絡、Transformer架構以及近期大火的Occupancy Network（占用網絡）。

特斯拉作為這一領域的先行者，其FSD（全自動駕駛）系統在硬件上徹底放棄了激光雷達，轉而采用純視覺方案。它通過分布在車身周圍的8個攝像頭捕捉圖像，利用BEV技術將這些來自不同視角、帶有透視畸變的2D圖像實時轉化成一個統一的3D虛擬空間。在這個環節中，算法不再是孤立地識別某一個物體，而是對整個環境進行全局建模。

圖片源自：網絡

更進階的Occupancy Network則可以將周圍空間劃分成一個個微小的三維像素塊（Voxels），它不會糾結于某個障礙物到底是什么，而是直接判斷這些像素塊是否被占用、被什么性質的物體占用。這種方式完美解決了“異形障礙物”識別難的問題，即便是一個形狀怪異的翻斗車或者是路邊倒下的施工擋板，只要它占用了空間，系統就能感知到并進行避讓。

國內很多廠商雖然在硬件上保留了激光雷達作為安全冗余，但在軟件架構上也全面轉向了“重感知”的邏輯。華為ADS 3.0引入了GOD（通用障礙物檢測）感知網絡，實現了對全景信息的3D理解，其感知的深度和廣度已經能覆蓋相當于2.5個足球場的面積。同時，RCR（道路拓撲推理）網絡則負責在沒有高精地圖的情況下，像人腦一樣“推理”出道路的連接關系。在面對一個模糊不清、甚至沒有劃線的復雜路口時，RCR能結合路口的形狀、紅綠燈的指示以及周圍車流的動向，推斷出前方哪幾條路徑是通往目標方向的。這種基于神經網絡的推理能力，讓車輛不再機械地遵循地圖里的坐標點，而是具備了理解交通邏輯的能力。

實時地圖生成的另一個關鍵技術是MapTR（Map TRansformer）。傳統的感知方案是先識別零碎的車道線、路標，再在后處理中費力地拼湊出地圖。而MapTR則直接對地圖元素進行結構化建模，它將車道線、路緣石等地圖要素看作是有序的點集，通過一種端到端的方式直接預測出整個道路拓撲結構。這種方式極大地提高了地圖生成的實時性和準確度，使得系統能夠以極高的幀率刷新周圍的道路結構，從而支持更為流暢的決策和路徑規劃。覺非科技等國內供應商在此基礎上進一步優化，增加了車道中心線的表達和方向學習能力，讓系統能分清對向車道和同向車道，尤其是在分叉路口頻發的復雜場景下，這種實時拓撲構建能力表現得比靜態地圖更加穩定、可靠。

無圖并非真的沒圖

聊到這里，就可以回答我們一開始的問題了，現階段所謂的“無圖”，實際上是“去掉高精地圖”，而不是“什么地圖都不要”。如果真的把車上的網絡斷掉，讓系統在一個完全未知的黑盒環境里行駛，它的性能一定會大打折扣。這是因為，無論感知系統多么強大，它依然受限于傳感器的物理探測距離和視線遮擋。像是攝像頭就看不見兩公里外的立交橋走向，也看不見被大貨車擋住的紅綠燈。為了填補這些感知真空，車企普遍采用了一種折中方案，即“輕地圖”或“標準精度地圖”（SD Map）。

輕地圖（LD Map）可以看作是高精地圖的精簡版或降級版。它去掉了那些極易變動的、對精度要求變態高的厘米級坐標，只保留了基本的道路拓撲關系、車道級連通性、限速信息和紅綠燈位置。這種地圖的精度通常在米級，但它的生產成本比高精地圖低了80%到95%，且更新頻率能做到周級甚至天級。更重要的是，輕地圖可以基于“眾源更新”模式更新，成千上萬輛行駛在路上的量產車，就像是一個個移動的探測器，當它們發現現實路況與地圖不符時，會將這些差異實時上傳至云端，通過大模型自動標注生成新的圖層再下發。這種由真實車流匯聚而成的“鮮活地圖”，比靠幾輛測繪車采集的死地圖要強大得多。

各類型地圖不同維度對比

即便是在“真無圖”的華為ADS3.0系統中，導航地圖依然扮演著不可或缺的角色。它提供了宏觀的路徑規劃，告訴系統該在哪一站下高速、該在哪個路口調頭。如果沒有這張“全局底圖”，自動駕駛系統就像是沒帶手機導航就跑進陌生城市的老外，雖然能躲開眼前的坑洼，卻難以到達目的地。

現階段，地圖對于自動駕駛來說，不再是感知的主導，而是作為一種特殊的“傳感器先驗信息”存在。它可以為車輛提供了一個超出視距的預期，讓系統知道前面可能會有隧道、會有復雜的環島，從而提前調整感知策略和加減速預案。

為什么“無圖化”成為必然？

“無圖化”之所以成為必然，本質上是在商業規律和技術中間進行的選擇。從商業邏輯看，要實現自動駕駛的規模化，就必須擺脫昂貴的人工采集成本。自動駕駛行業普遍認為，一旦無圖方案能在安全性上對齊有圖方案，企業就絕無可能再回到高精地圖的老路上去，因為那是違反商業規律的。低成本的純視覺或輕地圖方案，能夠顯著拉低智能汽車的售價，讓15萬甚至10萬級的車型也具備高階智駕能力，這才是推動產業爆發的關鍵。

圖片源自：網絡

但無論自動駕駛技術如何發展，在安全性這塊“壓艙石”面前，行業依然要保持敬畏之心。對于L3級及以上的自動駕駛，乘客的生命安全容不得半分試錯。高精地圖在某些極端天氣或傳感器受限的場景下，依然被視為一份重要的“保險”。有人擔心，如果過度依賴實時感知，當車輛在暴雨、濃霧或光線劇烈變化的隧道口行駛時，感知算法的精度一旦波動，是否會引發災難性的后果？為了應對這些邊緣場景，自動駕駛行業也正在探索更加復雜的“端到端”大模型。通過模仿數億英里的真實駕駛數據，讓車輛像人類一樣形成一種“駕駛直覺”，不僅僅是看圖說話，還能理解物理規則和博弈邏輯。

在我們可以預見的未來，自動駕駛并不會徹底和地圖絕交。相反，地圖會變得更加“無感”和“隱形”。它可能不再表現為一個獨立的軟件包，而是深度融入到云端的數據閉環中。車端負責實時建模和決策，云端負責提供宏觀引導和長效記憶。這種“強感知、輕地圖、重算力”的三角結構，將逐步取代過去那種笨重的、依賴昂貴采集車的模式。

最后的話

雖然自動駕駛不再需要那張被框死在厘米精度里、更新緩慢且昂貴的高精度地圖，但它永遠需要一張能夠指引方向、提供宏觀預判的“活地圖”。這場從有圖到無圖的遷徙，并不是技術的倒退，而是智能體從“死記硬背”向“舉一反三”的一次跨越式進化。

審核編輯 黃宇