配合車企分階段實現無人駕駛的時間表，圖商也在分級定義地圖產品。

　　近日，四維圖新CTO戴東海在接受采訪時更新了高精度地圖方面的進展：今年6月份時，公司具備了支持Level 2全國高速公路網覆蓋的數據和產品，達到量產的能力。Level 3的地圖正在按照2017年中旬可商用的規劃推進，Level 4高精度地圖已經在北京和上海兩個城市做前期驗證，有些工作已經走通。到2019年初左右，會提供主要城市的Level4級別的地圖數據。

　　在給出具體的時間規劃表后，關于如何為車企提供無人駕駛產品，無人駕駛會與車聯網業務如何配合，四維圖新在業務流程上有哪些變化，和戴東海聊了一些詳細信息。

　　四維圖新CTO戴東海

　　芯片級的地圖方案

　　今年5月，四維圖新收購了聯發科子公司杰發科技，后者是一家車載信息娛樂系統解決方案提供商。兩家公司將合作研發生產低功耗高性價比芯片，主要作用是在無人駕駛過程中，進行地圖和傳感器的相關運算，包括處理車端傳感器傳來的感知數據，進行高精度匹配和決策，提取道路屬性和地物信息等等。

　　具體來說，在無人駕駛過程中，高精度地圖需要和傳感器時刻保持溝通。這塊芯片上，傳感器和高精度地圖的數據會相互融合，完成實時感知任務。同時在傳感器眾包采集地圖數據時，芯片中寫入的深度學習算法可以對攝像頭和激光雷達采集的數據進行分析處理，從中提取交通、交通設施等地圖強相關信息，用來完善無人駕駛地圖。

　　芯片上涉及的深度學習算法，四維圖新基礎技術研究院的深度學習實驗室正在自行研發和完善。以交通標志牌的識別為例，戴東海表示算法達到的識別率已經超過了人類，基本上已經可以完全實現自動化。

　　高精度地圖如何存儲

　　相比高精度地圖參與的融合數據運算，業內人士表示，更加具有挑戰性的是高精度地圖如何在車端存儲。高精度地圖包括基礎導航層，高精度路網層，實時動態層，還有很多相關的環境影響因素，在圖層上和傳統導航地圖存在交叉，但是會補充大量的精細要素，一些對更新要求不高的基礎數據會存放在本地。隨著無人駕駛級別遞增，要在保證清晰度的基礎上，也要想辦法把地圖數據大小控制在合理的范圍之內。

　　對此戴東海的回答是，目前車機端的存儲能力就能支撐高精度地圖的存放。四維圖新支持Level2、Level3無人駕駛的數據量并不大，只要在傳統導航地圖數據量基礎上增加1/3左右，就可以覆蓋到現在全國的高速公路網。Level4以后，數據量會有增加，但數據量也不是非常龐大。

　　包括通過攝像頭和激光雷達傳感器眾包采集的數據，算法也會進行矢量化處理，減小在本地的存儲和運算。雖然激光雷達和攝像頭采集的數據類型不同，因為有了數據矢量化的過程，如果車廠在原攝像頭方案基礎上增加激光點云，整個構架的邏輯和解決方案都可以持續延用。

　　無人駕駛和車聯網會相互融合

　　根據戴東海介紹，在Level 2-Level3級別無人駕駛，這塊芯片會放在車機端，同樣用于支撐四維圖新車聯網產品的運算。到Level 4級別，隨著運算量的增加，可以根據車企需要提供一塊單獨芯片用于無人駕駛的感知數據處理。

　　值得注意的是，戴東海在介紹這塊無人駕駛地圖業務時，把它歸為了車聯網3.0版。車端傳感器收集的數據會在本地處理后上傳到云端，一些確定的更新會從云端下發到本地更新地圖，地圖用于支持無人駕駛任務。

　　無人駕駛和車聯網會相互融合，而一個芯片級地圖方案可以更好地將四維圖新車聯網和無人駕駛兩項業務串聯起來。在整個過程中，四維圖新也從單純的地圖數據提供，轉變為整個過程提供數據服務。

　　圖商面臨的工具鏈革新

　　之所以提到這點，是因為戴東海認為這是和開展無人駕駛業務同等重要的一件事。

　　他介紹，尤其是發展到支持Level4無人駕駛，利用激光雷達設備以及眾包方式采集的數據會越來越多。龐大的數據量依靠人工處理并不現實，需要有一套自動的智能系統參與。

　　在一些物理世界電子化的過程中，逐漸加入一些自動化的作業方式。例如可以用深度學習算法識別出采集素材中的POI位置點、標志牌等信息，讓機器代替人工標記，如果說深度學習在無人駕駛汽車上的應用是解放駕駛員，在地圖領域的應用就是“把制圖人員從標記環節拽走”。

　　從公司架構我們也可以看到一些變化。四維圖新研究院中陸續成立了智能駕駛、深度學習、未來導航引擎核心、云服務四個實驗室。其中深度實驗室除了研發感知部分的算法，也會把深度學習和地圖作業的各個環節，用于工具鏈的智能化升級。

　　不過戴東海也坦言，作業流程的變革更新不是一蹴而就，而是逐漸改革的過程。利用深度學習識別標志牌被識別后，還需要去進一步理解標志牌的含義。圖商內部的工具鏈的革新也是逐步實現，“這一點和無人駕駛的發展也是一樣的”。