高階智能駕駛“重高精地圖”的方案，由于高精地圖信息審核管理等約束而無法快速迭代推向用戶，同時也受智能駕駛硬件以及開發成本的壓力，所以飽受詬病。

另外在當前大家都喊“卷”出海的背景下“重高精地圖”的方案也是弊端多多，高精地圖作為地區以及國家安全核心數據，是有嚴格的數據安全法規約束。“重高精地圖”的方案，如果沒有高精地圖那么無法提供高階智能駕駛，就無法在海外當地形成智能化的差異化；即使當地支持高精地圖，但是各種適應性開發和適配也增加開發成本和時間進度，極大拉高了門檻。 ? 最后在海外，如果沒有高階智能駕駛，面對特斯拉海外智能駕駛方案也是無還手之力，而且特斯拉的價格殺手讓國內一眾難以找到定位。如果這樣，國內智能電動車出海，只有靠一張座艙智能化的牌外加靠國人內卷出來的便宜了。

所以，智能駕駛“無圖方案”是智能駕駛的必走之路，應該讓高精地圖變成高階智能駕駛的穩健以及安全冗余而不是前提，有高精地圖更穩健和更安全，但不影響功能的日常使用。 當然不少主機廠都意識到了這個問題，小鵬，華為等已經推出無圖智能駕駛，Momenta以及理想等也在暗暗發力即將推出上車，但是對于重單車智能輕高精地圖方案背后的算法和架構大家卻是思路不相同。 最近的CVPR 2023 自動駕駛研討會 (WAD)上，智能駕駛供應商Momenta（如果有不熟悉momenta的,估計知道上汽的智己，智己已經量產其智能駕駛方案）簡單的介紹了下其無圖智能駕駛算法方案以及其算法路徑圖。

其智能駕駛三步驟以及其核心創新算法主要如下： 感知環境，主要依賴攝像頭，攝像頭基本上都是360周視覆蓋。Momenta主要依賴其DDLD-Data Driven Landmark Detection 車道線識別算法來感知運動的邊界。 定位位置，這里的定位主要是指車輛運動下的位置變化。Momenta主要依賴其DDPF-data driven pose fusion位置融合算法來計算定位車輛運動時候的位置。

規控路徑，基于導航，環境，車輛的運動位置去規劃路徑。Momenta主要Deep learning planning 深度學習算法來規控車輛駕駛。 當然智能駕駛算法不止以上，以上主要是點出Momenta的核心差異算法，下文Momenta數據驅動算法路線圖會點出其他算法以及他們的發展方向。 一般基于高精地圖的智能駕駛方案，車輛行駛主要是依賴高精地圖給的精度為±20厘米的車道參考線行駛，但沒有高精地圖，那么就需要車輛自己能夠確保在車道內行駛，所以需要車輛本身能夠識別車道以及行駛的約束，所以Momenta算法發力的點是道路中的車道線等靜態約束的識別和構建，類似于特斯拉BEV+Transformer，但Momenta這個方案更像是Mobileye的看家本領-車道線識別，另外地平線的方案也是在這方面有優勢。

通過識別車道線以及道路標識構建車輛實時行駛地圖，來告訴車輛行駛約束，但車輛是運動的，車輛的實時運動需要與實時行駛地圖匹配和定位。Momenta通過采集車輛運動執行器以及姿態的傳感器輪速傳感器，轉向角，IMU，電機轉速等信息融合算法來實現車輛在實時地圖中定位。

有了實時地圖信息以及車輛本身運動信息那么再結合其他道路使用者信息，規控算法進行車輛行駛的路徑規劃，高階智能駕駛得以實施。

以上為momenta"無圖"智能駕駛算法的總體思想和核心算法。總體來講是一個比較優化的迭代方案，當前智能駕駛算法發展最怕的就是推倒重來，也是這次智能駕駛洗牌發生最常見的事情，算法推倒重來，巨大的數據標注失效，需要再次按照新算法來數據標注，造成巨大的成本和時間損失。 Momenta的算法路徑圖也體現的是一個迭代的概念，基于傳統識別，跟蹤，預測，定位各個算法分開再融合的概念，這個算法本質上一直延續到2023年底，Momenta計劃是2025年中旬走向新的融合算法。

目前國內大部分基于高精地圖的高階智能駕駛領航輔助都是采用類似于上圖momenta 算法2.0的方案，這種成熟方案可以在更少的AI算力和更簡單的算法下，實施相對穩健安全的高階智能駕駛，但是拓展性差，無法進行快速的場景和地區拓展。 而去圖化的算法，有類似于Momenta識別靜態道路環境，采取實時建圖的方式，也有特斯拉用occupancy算法來圈定自動駕駛車輛環境中的動靜態駕駛約束方式，當然Momenta方式更加輕量化和符合中國的算法迭代；但特斯拉的occupancy算法會更加一體化。 總的來說，無圖是趨勢！但無圖不代表高精地圖沒有出路了，在科技世界里面都在尋求一個體驗，價格的平衡，每個平衡點都有位置和市場。 ?

編輯：黃飛

?