从新兴地图类型看自动驾驶对地图的依赖与演进

地图对自动驾驶的核心价值，如同考试前的预答题清单，提前提供核心场景的关键信息，帮助系统降低实时决策难度、提升安全性和效率，具体体现在三个层面：

1. 场景预判：提前加载道路拓扑（如路口结构、车道数量）、交通规则（如限速、转向限制）等信息，避免系统实时识别的延迟与误差，类似预答题让考生提前熟悉考点，减少临场思考压力。

2. 定位辅助：通过地图匹配修正传感器漂移（如GPS误差），尤其在隧道、高楼遮挡等弱感知场景中，地图成为定位“锚点”，确保行驶轨迹不偏离车道。

3. 决策优化：结合地图的历史数据（如事故高发路段）和全局路线信息，优化加速/减速策略、变道时机等，避免临时决策的突兀性，提升乘坐舒适度。

但与预答题不同，自动驾驶需应对动态变化（如临时施工、道路破损，甚至下雨淹水等等），因此“预答题”需结合实时“临场发挥”（传感器感知），才能实现可靠行驶。

自动驾驶依赖地图的业界风向是有起伏的，目前智驾地图的发展逐步从“依赖高精”走向“理性轻图”，清晰分为三个阶段。

第一阶段是高精地图甜蜜期，核心服务于高速路和城市快速路的L2+辅助驾驶，是辅助驾驶量产初期的核心支撑，此时高精地图的高精度的优势可充分发挥，未暴露明显局限，因此迎来快速发展。

第二阶段是激进无图期。核心矛盾是“高精地图无法全国拓展”与“车企全国卖车、用户全域使用”的诉求冲突，行业盲目追求“无图”标签，虽通过测试验证无图可行性，但忽视了体验损耗，且本质仍需基础导航地图，并非真正意义上的“完全无图”。

第三阶段目前轻地图理性期，行业回归务实，放弃“极端无图”理念，轻地图凭借“成本可控、更新高效、体验稳定”的优势，成为适配辅助驾驶全国普及的核心选择，既解决了高精地图的局限，又弥补了激进无图的体验短板。

目前彻彻底底的无图或者隐式地图（实时生图）还不成熟，未来如何要看业界实际发展。

传统高精地图（HD Map）→ 轻量级地图 → 动态更新地图 → 隐式地图（AI生成），整体趋势是“去高精化、强动态性、低成本化”，适配两段式到一段式端到端的技术路线升级。

图| 传统高精地图是激光雷达点云©【深蓝AI】编译

我们把核心地图类型及特征列了一张表

新兴类型有如下核心优势

1. 动态更新地图：解决传统高精地图“滞后性”痛点，通过众包模式快速响应道路施工、临时管制等变化，适配城市复杂路况。

2. 隐式地图：完全摆脱实体地图依赖，由模型自主学习道路规则（如无标线道路的行驶边界），实现“无图部署”，大幅降低地图采集与更新成本，是一段式端到端的核心支撑。

3. 混合地图：平衡两段式的可靠性与一段式的灵活性，静态信息从地图获取，动态变化由AI自主识别，兼顾量产落地与复杂场景适配。

轻量级地图是自动驾驶地图演进的核心过渡类型，介于传统高精地图与隐式地图之间，核心定位是“去冗余、保核心、降成本”，精准适配两段式端到端量产需求，同时为一段式端到端提供辅助支撑，核心特点如下：

1. 精度适配量产：采用1-5米的米级精度，摒弃传统高精地图的厘米级冗余细节，仅保留车道级定位、路口识别所需的核心精度，既满足基础驾驶需求，又降低数据存储、传输压力，适配量产车型硬件水平。例如华为ADS 2.0配套轻地图，仅保留车道中心线关键坐标点，即可满足城市与高速定位需求。

2. 内容高度精简：遵循“只保留自动驾驶必需信息”原则，核心包含三类关键内容——道路拓扑信息（车道数量、路口结构、匝道连接）、基础交通规则（限速、转向限制）、关键定位锚点（红绿灯、隧道出入口），剔除路面裂缝、井盖等无关细节，降低机器解析复杂度，适配两段式感知编码层输入需求。

3. 全流程成本可控：采集成本仅为传统高精地图的1/5-1/10，可通过众包模式、轻量化采集设备完成，单公里成本降至百元级；更新周期缩短至月级，通过众包数据+AI自动校验实现准实时局部修正，大幅降低采集与更新的人力、物力成本，适合城市全域覆盖。

4. 动态性适中：采用“月级常规更新+局部准实时修正”模式，核心静态信息（道路拓扑、交通规则）定期更新保证稳定性，临时施工、红绿灯故障等动态变化通过众包数据快速修正，兼顾可靠性与时效性，适配量产场景的复杂路况。

5. 适配性极强：既是两段式端到端量产方案的标配（如华为ADS 2.0、理想One Model），可为感知层提供结构化输入；也能辅助一段式端到端方案，在弱感知场景中修正定位，实现“轻图+隐式地图”混合模式；同时可升级为动态轻地图或融合隐式地图，衔接地图向“无图化”演进的趋势。

6. 核心短板：米级精度无法满足半导体厂区、港口等封闭场景的厘米级定位需求；缺少路面细节信息，复杂路况下需依赖传感器实时感知补充，无法单独支撑L4及以上高级别自动驾驶的全场景需求，需与其他地图或传感器融合使用。

自动驾驶地图的存储格式与文件格式核心取决于地图的精度、内容复杂度及适配的自动驾驶技术路线，不同地图类型因数据量、使用场景差异，格式选择各有侧重。

1. 传统高精地图：以结构化存储为主，适配厘米级高精度数据的存储与快速解析，满足两段式端到端对全量细节的需求。

• 存储格式：采用“矢量存储+栅格存储”混合模式，矢量存储用于记录车道线、道路标识等结构化几何信息（如坐标、形状），栅格存储用于保留路面纹理、周边环境等影像数据；

• 文件格式：主流为行业标准格式与厂商自定义格式结合，包括OpenDRIVE（国际通用标准，支持复杂道路拓扑描述）、NDS（汽车行业联盟标准，适配车载场景），以及高德、百度等厂商自定义格式（如高德HDMap格式、百度Apollo HDMap格式），文件后缀多为.odr（OpenDRIVE）、.nds（NDS），单文件体积较大（单公里可达数十MB）。

2. 轻量级地图：以轻量化矢量存储为主，侧重核心信息的高效存储与传输，适配量产车型的硬件存储与算力水平。

• 存储格式：纯矢量存储，仅保留道路拓扑、交通规则、定位锚点等核心结构化信息，剔除栅格影像等冗余数据，采用压缩编码减少存储体积；

• 文件格式：以简化版OpenDRIVE、自定义轻量格式为主，部分厂商采用protobuf（PB）格式（二进制压缩，体积小、解析快），文件后缀多为.odr（简化版）、.pb、.lightmap，单公里文件体积仅为高精地图的1/10-1/20（通常1-5MB/公里），适配华为ADS 2.0、理想One Model等量产方案。

3. 动态更新地图：采用“基础矢量+动态增量”存储模式，兼顾静态基础信息的稳定性与动态变化信息的实时性。

• 存储格式：基础道路拓扑采用轻量级矢量存储，动态变化信息（如临时施工、限速调整）采用增量存储（仅记录变化部分，不重复存储基础信息），支持实时增量更新；

• 文件格式：基础部分采用轻量级地图的PB格式或简化版OpenDRIVE格式，动态增量部分采用JSON、XML格式（文本格式，便于快速传输与解析），文件后缀多为.pb（基础部分）、.json（增量部分），支持小时级甚至分钟级增量推送，适配特斯拉HydraNet、文远知行WePilot 3.0的动态更新需求。

4. 隐式地图：无实体存储格式与文件格式，核心依赖AI模型参数存储，本质是“地图信息内化为模型认知”。

• 存储格式：无独立地图存储，道路特征、交通规则等地图信息，通过模型训练固化到AI模型参数中，与模型权重文件一同存储；

• 文件格式：无专属地图文件，仅需存储模型权重文件，主流格式为.pt（PyTorch模型）、.pb（TensorFlow模型）、.onnx（跨框架通用模型），文件体积取决于模型参数规模（通常数GB至数十GB），无需额外存储地图文件，适配特斯拉FSD V12、Waymo EMMA等一段式端到端方案。

5. 混合地图：采用“轻量矢量+模型参数”混合存储模式，兼顾静态基础信息与动态适应能力。

• 存储格式：静态基础拓扑信息（如道路边界、车道数量）采用轻量级矢量存储，动态场景适应所需的地图特征的存储在AI模型参数中，实现“静态信息可复用、动态信息可学习”；

• 文件格式：轻量矢量部分采用PB格式或简化版OpenDRIVE格式，模型参数部分采用.pt、.pb格式，文件体积介于轻量级地图与隐式地图之间，适配商汤R-UniAD、华为ADS 3.0等准一段式端到端方案。

车载场景下的地图文件均采用二进制压缩存储（如PB、NDS格式），减少存储占用与传输带宽；云端更新场景下，动态增量部分多采用文本格式（JSON、XML），便于快速解析与推送；隐式地图因无实体文件，其“地图能力”完全依赖模型训练效果，无需额外的地图存储与更新成本。

两段式将地图信息拆分为结构化数据，输入感知编码层，与传感器数据融合生成中间表征，具体流程：

1. 地图预处理：加载轻地图/高精地图的道路拓扑、车道属性等信息，转化为栅格图、向量坐标等机器可识别格式；

2. 多源融合：感知层将摄像头/LiDAR的实时数据与地图的静态信息匹配，如通过地图确认车道数量，辅助传感器识别被遮挡的车道线；

3. 约束输出：决策控制层以地图的交通规则（如禁止左转）为约束，优化控制指令，避免生成违反规则的行驶轨迹。

例如华为ADS 2.0的BEV感知层，将轻地图的道路边界信息作为参考，提升复杂路口的车道级定位精度；理想One Model则通过地图的全局路线信息，优化城市道路的跟车距离与变道时机。

一段式端到端不直接输入实体地图文件，而是将地图信息融入模型训练或由模型自主生成，具体方式：

1. 训练阶段：将海量地图数据（如道路拓扑、交通规则）与传感器数据、控制指令一起投喂给模型，让模型自主学习“道路特征-驾驶行为”的映射关系，地图成为训练素材而非实时输入；

2. 推理阶段：模型通过传感器数据自主生成“隐式地图”（如识别道路标线、路口结构），无需依赖外部地图文件，仅在部分场景（如高速）引入轻地图作为辅助验证。

例如特斯拉FSD V12通过万亿级含地图特征的视频数据训练，模型可自主识别无标线道路的行驶边界，仅在跨城高速场景参考基础道路拓扑信息；Waymo EMMA则完全由多模态大模型生成虚拟道路场景，地图信息已内化为模型的认知能力。

尽管一段式端到端实现了“无图部署”，但“完全无图”（彻底抛弃任何地图相关信息）在工程化落地中并不经济，核心原因如下：

1.训练成本极高：完全无图要求模型从零学习所有道路规则（如限速标准、转向优先级），需消耗超百亿公里级的海量数据，且长尾场景（如特殊交通标识）的覆盖成本呈指数级增长，远超依赖地图的方案。

2. 弱感知场景可靠性不足：在隧道、暴雨、浓雾等传感器性能衰减的场景中，无地图辅助的定位误差会显著增大，可能导致车道偏离，而低成本的轻地图即可解决这一问题，性价比远高于单纯提升传感器性能。

3. 合规与安全风险：完全无图意味着系统无法提前获取交通规则（如禁行区域），可能因实时识别遗漏导致违规行驶；同时，缺乏地图的全局路线约束，在复杂路口（如五向交叉路口）易出现决策犹豫，增加碰撞风险。

从量产实践来看，即便是纯视觉一段式方案的特斯拉FSD V12，也会在核心道路参考基础拓扑信息（如高速出入口位置），而非完全“无图”；文远知行WePilot 3.0作为一段式量产方案，同样引入轻地图辅助定位，本质是“轻图+隐式地图”的混合模式，平衡成本与可靠性。

图| 地图已经隐藏在世界模型中©【深蓝AI】编译

这和考试一样，有地图好比开卷考试，或者好比英语考试准许带字典；无地图好比闭卷考试，对考生自动驾驶汽车的脑力负担大得多，考生得有个大脑袋才行。

自动驾驶对地图的依赖本质是“技术路线适配”问题，谈不上“非黑即白”的选择。

两段式端到端依赖轻地图/高精地图作为结构化输入，地图是提升感知精度、降低决策难度的关键，适配当前量产落地需求，核心优势是可靠性高、数据效率高；

一段式端到端从“依赖实体地图”转向“依赖隐式地图（也就是实时建图）+轻图辅助”，地图从实时输入转化为训练素材，核心优势是适配性强、跨区域落地成本低；

未来地图将向“轻量化、动态化、融合化”演进，两段式逐步降低地图依赖，一段式保留轻图辅助，最终形成“隐式地图为主、轻图为辅”的混合模式，既发挥AI自主学习的灵活性，又利用地图的低成本定位与决策优化价值。