自动驾驶中的“无图”真的不需要地图吗?

编者语：后台回复“入群”，加入「智驾最前沿」微信交流群

在智能驾驶领域，最近一两年讨论热度比较高的一个话题莫过于“去高精地图”。曾几何时，高精度地图被视为自动驾驶的“拐杖”，仿佛没有了那份精确到厘米级的静态数据包，车辆就成了在黑暗中摸索的盲人。但随着特斯拉全量推送其基于端到端架构的智驾软件，以及国内如华为、小鹏、理想等一众头部玩家打出“全国都能开、有路就能开”的口号，行业风向发生了剧烈的扭转。一时间，高精地图似乎从行业的宠儿变成了累赘。大众关心的问题也随之而来，既然大家都在喊“无图”，那么自动驾驶真的不需要地图了吗？如果不需要地图，车又是靠什么在复杂的城市道路穿梭的？

无图中的“图”是指什么？

想要知道这些问题，我们首先得搞清楚所谓的“无图”究竟在“去”什么。在自动驾驶中，车企和供应商口中的“图”，特指的是高精度地图（HD Map）。这种地图与我们手机里常用的高德、百度导航地图（SD Map）完全是两个维度的产物。

图片源自：网络

导航地图是给人类看的，它的误差可以在米级范围内，它只要能够告诉人类前方该左转还是直行、大致的路名和建筑位置是什么就足够了。高精度地图是给机器看的，它包含了道路的精细几何形状、车道线的类型、路缘石的高度、红绿灯的精确三维坐标，甚至连道路的坡度和横向倾角都会记录。

在单车感知能力尚不成熟的阶段，高精地图就像是一份提前发给车辆的“标准答案”，车辆通过传感器扫描周围环境并与高精度地图进行匹配，就能实现极其精准的定位和规控。

高精地图为何“神话”破灭？

早期的智能驾驶研发其实形成了一个共识，那就是感知能力不够，地图来凑。这种模式在高速公路等结构化程度高、变化少的场景下表现非常优秀。然而，一旦进入错综复杂的城市道路，高精地图的弊端就开始像滚雪球一样越来越大。

高精度地图带来的最直接的痛点就是“鲜度”问题。城市道路出现修路、改道、临时施工、封路、标线重漆等几乎是家常便饭。而高精地图由于制作难度大、采集流程繁琐，其更新周期通常是以季度甚至半年为单位的。当现实世界的道路情况已经发生了剧烈变化，而高精度地图还停留在几个月前的状态时，依赖高精度地图的智驾系统就会出现各种不适，甚至导致安全风险。

图片源自：网络

制作高精度地图的成本也很高，传统的采集方式需要动用配备激光雷达、惯性导航和高精度定位系统的测绘车，分米级地图的测绘成本约为每公里十元左右，而更精密、包含更多语义信息的厘米级地图，其测绘成本可能达到每公里数千元。若想让高精度地图覆盖全国数百万公里的城市道路，并且还要维持高频率的维护更新，这背后的资金投入将是一个天文数字。对于追求利润和规模化的车企来说，这无疑是一项难以承受的长期负担，尤其是在价格战日益激烈的当下，降低硬件成本和软件服务费才是生存的关键。

此外，政策监管和测绘资质也导致高精度地图难以普及。道路数据采集涉及国家安全和敏感地理信息，受到法律的严格限制，只有少数具备导航电子地图制作甲级资质的企业（如图商巨头百度、高德、四维图新等）才能合法进行高精度测绘。车企如果想自己搞，门槛极高；如果买图商的，又会面临数据闭环不通、审图周期长等问题。华为余承东就曾坦言，单单采集上海9000公里的高精地图就耗费了一年时间，结果还没覆盖完，之前的路段信息就已经过时了。这种采集永远跑不过变化的“挫败感”，迫使智驾研发转型，既然人类开车靠的是眼睛和大脑的实时观察与推理，不需要一份精确到厘米的地图，那机器为什么不可以？

实时感知技术的发展

为了扔掉那根昂贵且不灵活的“拐杖”，智能驾驶系统必须在感知能力上实现跨越式的升级。目前的“无图”技术路线，核心其实是让车辆具备在行驶过程中实时生成地图的能力。这就像是一个记忆力超强且反应极快的老司机，他虽然没走过这条路，但他能通过眼睛看清路面的标线、指示牌和周围的车辆，并在脑海里迅速勾勒出一条安全可行的路线。在技术架构上，这依赖于BEV（Bird's Eye View，鸟瞰图）感知网络、Transformer架构以及近期大火的Occupancy Network（占用网络）。

特斯拉作为这一领域的先行者，其FSD（全自动驾驶）系统在硬件上彻底放弃了激光雷达，转而采用纯视觉方案。它通过分布在车身周围的8个摄像头捕捉图像，利用BEV技术将这些来自不同视角、带有透视畸变的2D图像实时转化成一个统一的3D虚拟空间。在这个环节中，算法不再是孤立地识别某一个物体，而是对整个环境进行全局建模。

图片源自：网络

更进阶的Occupancy Network则可以将周围空间划分成一个个微小的三维像素块（Voxels），它不会纠结于某个障碍物到底是什么，而是直接判断这些像素块是否被占用、被什么性质的物体占用。这种方式完美解决了“异形障碍物”识别难的问题，即便是一个形状怪异的翻斗车或者是路边倒下的施工挡板，只要它占用了空间，系统就能感知到并进行避让。

国内很多厂商虽然在硬件上保留了激光雷达作为安全冗余，但在软件架构上也全面转向了“重感知”的逻辑。华为ADS 3.0引入了GOD（通用障碍物检测）感知网络，实现了对全景信息的3D理解，其感知的深度和广度已经能覆盖相当于2.5个足球场的面积。同时，RCR（道路拓扑推理）网络则负责在没有高精地图的情况下，像人脑一样“推理”出道路的连接关系。在面对一个模糊不清、甚至没有划线的复杂路口时，RCR能结合路口的形状、红绿灯的指示以及周围车流的动向，推断出前方哪几条路径是通往目标方向的。这种基于神经网络的推理能力，让车辆不再机械地遵循地图里的坐标点，而是具备了理解交通逻辑的能力。

实时地图生成的另一个关键技术是MapTR（Map TRansformer）。传统的感知方案是先识别零碎的车道线、路标，再在后处理中费力地拼凑出地图。而MapTR则直接对地图元素进行结构化建模，它将车道线、路缘石等地图要素看作是有序的点集，通过一种端到端的方式直接预测出整个道路拓扑结构。这种方式极大地提高了地图生成的实时性和准确度，使得系统能够以极高的帧率刷新周围的道路结构，从而支持更为流畅的决策和路径规划。觉非科技等国内供应商在此基础上进一步优化，增加了车道中心线的表达和方向学习能力，让系统能分清对向车道和同向车道，尤其是在分叉路口频发的复杂场景下，这种实时拓扑构建能力表现得比静态地图更加稳定、可靠。

无图并非真的没图

聊到这里，就可以回答我们一开始的问题了，现阶段所谓的“无图”，实际上是“去掉高精地图”，而不是“什么地图都不要”。如果真的把车上的网络断掉，让系统在一个完全未知的黑盒环境里行驶，它的性能一定会大打折扣。这是因为，无论感知系统多么强大，它依然受限于传感器的物理探测距离和视线遮挡。像是摄像头就看不见两公里外的立交桥走向，也看不见被大货车挡住的红绿灯。为了填补这些感知真空，车企普遍采用了一种折中方案，即“轻地图”或“标准精度地图”（SD Map）。

轻地图（LD Map）可以看作是高精地图的精简版或降级版。它去掉了那些极易变动的、对精度要求变态高的厘米级坐标，只保留了基本的道路拓扑关系、车道级连通性、限速信息和红绿灯位置。这种地图的精度通常在米级，但它的生产成本比高精地图低了80%到95%，且更新频率能做到周级甚至天级。更重要的是，轻地图可以基于“众源更新”模式更新，成千上万辆行驶在路上的量产车，就像是一个个移动的探测器，当它们发现现实路况与地图不符时，会将这些差异实时上传至云端，通过大模型自动标注生成新的图层再下发。这种由真实车流汇聚而成的“鲜活地图”，比靠几辆测绘车采集的死地图要强大得多。

各类型地图不同维度对比

即便是在“真无图”的华为ADS3.0系统中，导航地图依然扮演着不可或缺的角色。它提供了宏观的路径规划，告诉系统该在哪一站下高速、该在哪个路口调头。如果没有这张“全局底图”，自动驾驶系统就像是没带手机导航就跑进陌生城市的老外，虽然能躲开眼前的坑洼，却难以到达目的地。

现阶段，地图对于自动驾驶来说，不再是感知的主导，而是作为一种特殊的“传感器先验信息”存在。它可以为车辆提供了一个超出视距的预期，让系统知道前面可能会有隧道、会有复杂的环岛，从而提前调整感知策略和加减速预案。

为什么“无图化”成为必然？

“无图化”之所以成为必然，本质上是在商业规律和技术中间进行的选择。从商业逻辑看，要实现自动驾驶的规模化，就必须摆脱昂贵的人工采集成本。自动驾驶行业普遍认为，一旦无图方案能在安全性上对齐有图方案，企业就绝无可能再回到高精地图的老路上去，因为那是违反商业规律的。低成本的纯视觉或轻地图方案，能够显著拉低智能汽车的售价，让15万甚至10万级的车型也具备高阶智驾能力，这才是推动产业爆发的关键。

图片源自：网络

但无论自动驾驶技术如何发展，在安全性这块“压舱石”面前，行业依然要保持敬畏之心。对于L3级及以上的自动驾驶，乘客的生命安全容不得半分试错。高精地图在某些极端天气或传感器受限的场景下，依然被视为一份重要的“保险”。有人担心，如果过度依赖实时感知，当车辆在暴雨、浓雾或光线剧烈变化的隧道口行驶时，感知算法的精度一旦波动，是否会引发灾难性的后果？为了应对这些边缘场景，自动驾驶行业也正在探索更加复杂的“端到端”大模型。通过模仿数亿英里的真实驾驶数据，让车辆像人类一样形成一种“驾驶直觉”，不仅仅是看图说话，还能理解物理规则和博弈逻辑。

在我们可以预见的未来，自动驾驶并不会彻底和地图绝交。相反，地图会变得更加“无感”和“隐形”。它可能不再表现为一个独立的软件包，而是深度融入到云端的数据闭环中。车端负责实时建模和决策，云端负责提供宏观引导和长效记忆。这种“强感知、轻地图、重算力”的三角结构，将逐步取代过去那种笨重的、依赖昂贵采集车的模式。

最后的话

虽然自动驾驶不再需要那张被框死在厘米精度里、更新缓慢且昂贵的高精度地图，但它永远需要一张能够指引方向、提供宏观预判的“活地图”。这场从有图到无图的迁徙，并不是技术的倒退，而是智能体从“死记硬背”向“举一反三”的一次跨越式进化。

-- END --