“有图”到“无图”不是“完全不看地图”，工程上真正发生的变化是：系统正在对HDMAP的强依赖转向多源信息互补，具体转变可描述为：

从

依赖预先采集、制作并审核发布的高精地图，将车道线、车道中心线、车道连接关系、停止线、路沿、交通灯位置、交通标志、道路曲率、坡度和限速等静态道路要素，提前作为车辆感知、定位和规划的基础参考

迁移到

用 SD 导航地图提供全局路线与道路级拓扑，再由车端在线感知和局部建图模块实时补齐车道线、路沿、停止线、信号灯、障碍物和可通行空间等细粒度信息，形成车辆周边几十到上百米范围内的局部道路语义图

换句话说，地图没有消失，只是从“绝对主导者”变成了“参谋之一”。

HDMAP 像一份精密到厘米级的城市剖面图，提前把车道线、停止线、红绿灯、路缘、交通牌、道路曲率、坡度、限速、车道连接关系都写进系统。SDMAP 更像普通导航地图，告诉车辆“从哪条路到哪条路、哪里转弯、道路大致怎么连”。

轻图/无图方案则像一个熟练司机：导航给目的地，大脑实时看路，过去的经验提供倾向。

从产品角度需要先把边界说清：

当前绝大量产乘用车城市 NOA/城区 NCA/XNGP 等仍属于驾驶辅助范畴，驾驶员需要持续监督；

L2 仍由驾驶员负责监控；

L3 在限定 ODD 内由 ADS 执行完整动态驾驶任务，但需要人类 承担fallback；

L4 则在 ODD 内由 ADS 执行动态驾驶任务并承担 fallback，必要时进入最小风险状态。

责任边界决定了 HDMAP、SDMAP 与无图方案的工程取舍完全不同。L2 追求覆盖、成本和体验；L4 追求可验证安全和运营边界。

---

一、地图是自动驾驶系统的“长期记忆”

自动驾驶系统里，“地图”不是手机导航里的那张图。它更接近一个外部记忆器：告诉车辆哪些东西大概率是静态的、哪些规则长期有效、哪些道路结构肉眼看到之前就应该被预期。

TomTom（通腾）对 ADAS Map 和 HD Map 的区分很典型：ADAS Map 提供坡度、曲率、交通标志、限速、路口曲率、路口车道等信息，精度通常是数米级；而 HD Map 面向更高阶自动化，强调厘米级精度、车道模型、交通标志、道路设施与车道几何，用于辅助定位、感知与路径规划。

表1：HDMAP、SDMAP、轻图、在线地图的工程分工

类型	核心内容	精度/覆盖	真实作用	主要问题
HDMAP 高精地图	车道级几何、拓扑、交通灯/牌、停止线、路缘、道路设施、定位特征	高精度、低覆盖、强维护	给定位、感知、预测、规划提供强先验	制作贵、更新慢、合规复杂、道路变化敏感
SDMAP 标准导航地图	道路级拓扑、路线、限速、道路类型、转向关系、POI	低精度、高覆盖	提供导航意图和全局路线约束	不知道精确车道边界，拓扑粒度粗
ADAS Map / Lite Map	曲率、坡度、限速、车道数、路口提示、轻量语义	中等精度、中高覆盖	给ACC，NOA，能耗、 预瞄控制提供前方道路信息	信息不足以直接承担复杂城市车道级决策
在线局部地图	车端实时感知出的车道线、路沿、可行驶区域、障碍物、交通灯、局部拓扑	局部高分辨率、概率化、即时生成的道路语义与拓扑表示	在 SDMAP 提供的道路级路径约束下，由车端在线感知补齐 lane-level 几何与局部拓扑。	受遮挡、天气、感知距离、算力和模型泛化限制
隐式地图/神经先验	由大规模驾驶数据学到的道路结构、驾驶习惯、场景先验	不显式可编辑	藏在模型参数、BEV 特征或世界模型中	可解释性差，验证难，出错后定位责任困难

行业真正的迁移方向是：

离线确定性地图 → 在线概率地图 → 模型内隐式地图

自动驾驶也一样，地图并没有消失，而是从一个独立的静态底图，逐渐拆解为路线意图、道路拓扑、交通规则、定位参考和局部道路先验等多类信息，分别进入感知、定位、决策和规划链路。

---

二、HDMAP 价值

HDMAP 最有价值的地方不在于“告诉车怎么开”，而在于给车辆一个稳定的静态世界锚点。Waymo 对自家地图的描述很清楚：车辆通过多传感器感知道路，同时使用高度详细的自定义地图提供位置上下文；地图记录道路类型、道路尺寸、车道合流、停止标志、人行横道等静态信息，并帮助车辆在 GPS 困难的隧道或高楼峡谷中定位。Waymo 也强调，如果道路封闭或施工区与地图不一致，车端感知会实时识别并调整，且变化会反馈给运营中心与车队。

其中的工程真相是：成熟 L4 系统不是“盲信 HDMAP”，而是把 HDMAP 当作一个强先验传感器。

如果把车端摄像头、激光雷达、毫米波雷达比作“眼睛和耳朵”，HDMAP 就是“记忆”。人开熟悉道路时，注意力也不是平均分配的。你知道前面有匝道、学校、急弯、公交站，就会提前减速和选道。HDMAP 做的是同一件事，只是精度更高、结构化程度更强。

但 HDMAP 也有硬伤。

它最怕三件事：变化、规模、合规。

城市道路不是 CAD 图纸，而是一个会自我变形的生物体。施工围挡、临时改道、车道重划、锥桶、潮汐车道、事故封路、违停占道，都会让“昨天正确的地图”在今天变成误导。Mobileye 在介绍 REM 时批评传统 HD Maps 依赖昂贵采集车、半自动/人工流程、更新不够实时，并提出用众包车辆以小数据包方式构建和更新道路语义，并强调近实时变化检测。

传统 HDMAP 是“派专业测绘车去拍高清纪录片”众包语义地图是“让成千上万辆普通车每天顺手交路况笔记”

• 众包：量产车在正常行驶过程中，车端感知系统识别出道路中的关键语义元素，例如车道线、路沿、停止线、人行横道、交通标志、限速牌、道路分叉、匝道入口、交通灯位置等，然后把这些元素压缩成很小的结构化数据包上传到云端。云端把大量车辆上传的数据进行匹配、融合、去噪和一致性校验，生成或更新轻量化道路语义地图（粒度介于HD和SD之间）。

• 近实时变化检测：系统通过大量车辆持续上传的道路语义数据，快速发现某个道路位置与已有地图不一致，例如新增施工围挡、车道线重画、限速改变、匝道封闭、路口改造、停止线变化等，然后在云端判断这是偶发异常还是稳定道路变化，并触发地图更新或风险提示。

HDMAP 的第二个问题是规模。Robotaxi 可以在有限 ODD 内反复打磨地图，乘用车 NOA 却要覆盖全国甚至全球道路。前者像开一家米其林餐厅，菜单少但每道菜极致可控；后者像做多家连锁快餐，核心矛盾不是单点极致，而是成本、覆盖和一致性。

第三个问题是合规。在中国，智能网联汽车采集车辆周边道路设施空间坐标、实景影像、点云及道路拓扑等地理信息数据，会被纳入测绘地理信息管理（自动驾驶核心法规体系总结）；基础地图、高级辅助驾驶地图、高精度地图、自动驾驶地图等也被归入导航电子地图范畴。这意味着高精地图不是普通软件资产，而是强监管地理信息资产。

所以，HDMAP 不是技术落后，而是商业扩张时代价变重了。

三、SDMAP 的角色：“路线意图总线”

SDMAP 在轻图/无图架构里不是为了替代 HDMAP 的厘米级车道几何，而是承担三个更基础的任务：

导航目标：我要去哪里，当前路线经过哪些道路、路口、匝道、主辅路。

拓扑骨架：道路间如何连接，哪里可以左转、右转、掉头，哪条路接哪条路。

语义提示：道路等级、限速、隧道、桥梁、收费站、环岛、高速/城市道路属性。

轻图/无图系统真正做的是：让 SDMAP 给出“宏观主动脉”，让车端感知生成“微观毛细血管”。

DeepRoute 与腾讯地图的合作很有代表性。公开材料称，DeepRoute Driver 3.0 Mapfree 方案可仅依赖 SD Map 实现地址到地址导航，并感知车道线、交通信号等信息；这不是不使用地图，而是用标准导航地图承载全局路线，用车端系统补足高精车道级信息。

图1：轻图/无图系统中的地图分工

图里最关键的是“可选”两个字，HDMAP 不再是系统启动的必要条件，而是提升确定性、舒适性和安全冗余的增强项。

四、“无图”本质是把 HDMAP 的工作拆给了感知、预测、规控和云端闭环

量产车企说“无图城市智驾”，工程上通常意味着四件事：

1. 车辆不再强依赖预先采集、审图、发布的厘米级 HDMAP。

2. SD 导航地图仍用于路线规划和道路级拓扑约束。

3. 车端模型需要在线识别车道、路沿、停止线、交通灯、障碍物、施工锥桶、临时标线，并推理局部拓扑。

4. 云端通过车队数据持续训练模型、发现坏例、更新策略。

小鹏 2023 年 11 月官方公告显示，XNGP 在 21 座无高精地图覆盖城市开放城市导航辅助驾驶能力；2024 年 5 月，媒体转引小鹏官方信息称 XNGP 城区智驾完成“100% 无图化”。

华为 ADS 2.0 的公开发布信息强调降低对高精地图的依赖，并通过 BEV、GOD/RCR 等感知与拓扑推理能力扩展城区 NCA 覆盖；但“无图”仍应理解为“不以传统高精地图为强前置条件”，而不是脱离导航地图、传感器可视范围和功能 ODD。

理想汽车 2024 年发布 OTA 6.0 时也强调无图 NOA“全国都能开”，覆盖 AD Max 车型，并称城市、城镇、二级道路都能行驶。全国都能开”属于产品传播口径，应理解为功能不再按传统高精地图城市名单强限制，而不是承诺所有道路、所有天气、所有交通组织形态都具备同等可用性。

这类方案的战略优势很明显：开城速度快，成本低，用户覆盖大，数据闭环强。但别被话术麻醉，它牺牲的是另一部分东西：把可验证性压力从地图生产与版本管理转移到了模型泛化、长尾数据、仿真回放和运行时安全监控。

五、主流落地项目的真实组合方案

表2：典型项目路线对比

Tesla 这条路线尤其容易被误读，其核心不是“不用地图”，而是尽量不使用传统 HDMAP 作为车辆运行的强依赖，更多依赖视觉输入、神经网络与大规模驾驶数据。Reuters 对 Tesla robotaxi 技术路线的分析指出，Tesla 相比 Waymo 等竞争对手更依赖视觉和端到端机器学习，少用雷达/激光雷达等额外安全层，因此成本与规模潜力高，但黑盒风险、错误诊断与监管挑战也更突出。

Waymo 则走另一条路。2026 年 Waymo 宣布第六代 Waymo Driver 开始全自动运营，系统包括高分辨率摄像头、成像雷达和激光雷达，强调在雨雪、低光、道路喷溅等长尾场景中的多模态冗余。总体仍延续其高度详细地图与车队运营闭环。

这不是谁绝对先进谁绝对落后，而是商业目标不同。

Waymo 是“我宁可慢，也要把无人责任边界守住”。 量产 NOA 是“我必须快，否则用户覆盖、数据闭环、商业竞争都输”。Tesla 是“我押注模型和数据规模能消化规则与地图复杂度”。 Mobileye 是“我用众包轻语义地图，把地图做成可规模化基础设施”。

六、HDMAP 与 SDMAP 的结合-分层仲裁

成熟系统不会粗暴地问“用不用高精地图”，而是问：

在当前 ODD、当前道路、当前感知置信度、当前驾驶任务下，地图应该占多大权重？

图2：HDMAP + SDMAP + 在线感知的融合架构

这里的关键模块不是感知，也不是地图，而是仲裁层。

地图和感知冲突时，系统不能机械地“相信新鲜感知”或“相信高精地图”。正确做法是按场景分级：

这就是“轻图”的真正含义：不是地图变小这么简单，而是地图从绝对真值变成概率先验。

七、在线建图是无图方案的发动机

无图方案能跑起来，核心依赖 BEV 感知、Occupancy Network、在线矢量化地图构建、局部拓扑推理和数据闭环。学术界近几年也在系统性推动这件事。

VectorMapNet 直接预测地图中的车道线、道路边界、停止线等关键线状元素，并用少量有序点连接成折线生成对下游任务更友好的矢量化 HD 语义地图；MapTR/MapTRv2 把在线建图问题改写成一个 DETR 式的矢量元素预测问题：给车载摄像头/传感器输入，网络直接输出一组地图元素，每个元素由类别和一串点坐标组成，例如车道线、道路边界、人行横道、中心线等。论文明确说，它采用 encoder-decoder Transformer，把在线矢量化 HD Map 构建变成并行回归问题，而不是像 VectorMapNet 那样逐点自回归生成。

这些研究对应到量产工程，就是让车辆在没有离线 HDMAP 的情况下，临时“画出”眼前道路的局部 HDMAP。

图3：无图 NOA 的在线局部地图生成流程

但在线建图有四个天然痛点。

遮挡：前方大车挡住地面标线，系统很难知道被遮住的车道如何延续。HDMAP 可以提前知道，在线感知只能猜。

远距预瞄：高速匝道、复杂立交、连续变道需要提前几百米规划。SDMAP 能给大方向，但 lane-level 细节不够；在线感知距离有限。

拓扑歧义：中国城市道路大量存在主辅路、非标准路口、潮汐车道、借道左转、机非混行。感知看到的是几何，驾驶需要的是规则。

验证困难：HDMAP 系统的问题可以部分归因到地图版本、定位误差、感知冲突；端到端/在线建图系统的问题往往埋在模型参数和时序上下文里，复现、解释、认证都更难。

所以，“无图”不是省掉地图成本那么简单，它是把成本转移到了模型、数据、算力、测试和安全论证上。可能导致成本更隐蔽，也更难管理。

八、轻图/无图落地重在系统闭环

轻图/无图方案高价值创新集中在五个地方。

1. 从“地图匹配定位”转向“语义局部定位”

传统 HDMAP 系统常用点云、车道线、路牌、杆状物等静态特征做高精定位。轻图方案会更重视语义一致性：我不一定要知道自己在全球坐标里精确到 5cm，但我要知道自己在当前道路结构中的相对位置——我在哪条车道、左侧几条车道、前方是否停止线、目标路线需要哪次变道。

这是一种从“绝对坐标”向“任务坐标”的迁移。对驾驶来说，很多时候“我在这条车道中心偏左 20cm”比“我的 WGS84 坐标是多少”更有用。

2. 从“HDMAP 车道图”转向“在线拓扑图”

轻图/无图系统的关键不只是识别车道线，而是理解车道连接关系。

路口里最难的不是看见线，而是知道哪条线通向哪条路、哪个交通灯控哪条流向、哪片区域可以等待、哪里不能压、哪里可以临时借道。视觉能看见像素，但驾驶需要拓扑。

所以现在的系统越来越像在实时生成一个局部 Lane Graph：

3. 从“地图给答案”转向“地图给候选，感知做判定”

这点是工程分水岭。

旧架构常常是地图给出确定车道边界和连接关系，感知负责检测临时动静态障碍物。新架构更像多假设推理：SDMAP 给出道路级路径，在线感知生成多个局部车道拓扑候选，模型结合导航意图、交通灯、车辆行为、历史轨迹，选择最可信路径。

这像医生诊断，地图不是诊断书，而是病历；传感器也不是全部真相，而是此次检查结果。

4. 从“开城工程”转向“泛化工程”

高精地图时代，一个城市开通 NOA 往往像修铁路：采集、生产、审核、发布、测试、灰度。无图时代更像训练司机：系统需要在大量城市里形成对道路结构和交通行为的泛化能力。这也是小鹏、华为、理想等路线的核心竞争点。它们宣传“全国都能开”，实际背后拼的是模型泛化、坏例挖掘、OTA 迭代和用户数据闭环，而不是地图资产本身。

5. 从“显式规则栈”转向“神经策略 + 安全壳”

端到端路线带来的不是简单替换模块，而是驾驶策略生成方式变化。Tesla FSD 的争议也在这里：端到端学习可能降低人工规则维护成本，提高人类驾驶风格拟合能力；但 Reuters 报道也指出，端到端 AI 的黑盒特性会让错误诊断和安全防护更难。

工程上更稳妥的形态不是“纯端到端裸奔”，而是：

神经网络负责提出高质量驾驶意图（全局轨迹规划、行为决策），传统安全模块负责约束不可越界行为（局部轨迹规划）。

九、不同落地路线的架构取舍

方案A：HDMAP 主导型

适用于L4 Robotaxi、高安全冗余系统、限定园区/港口/矿区/机场等 ODD。

优势是确定性强、可验证性好、定位稳定、对遮挡和复杂路口更友好。缺点是扩展慢、地图运营重、合规门槛高。

Waymo 是代表。它不是因为技术弱才用 HDMAP，而是因为 L4 无人运营的安全目标更残酷。没有安全员的车，不能用“模型大概能泛化”当主要安全论据。Waymo 第六代 Driver 仍强调多模态传感器冗余，在摄像头之外保留激光雷达和成像雷达，用于恶劣天气和长尾事件。

方案B：SDMAP + 在线建图主导型

适用于量产城市 NOA、城区 NCA等 L2+/L2++ 辅助驾驶。

优势是覆盖快、成本低、商业规模大、数据闭环强。缺点是需要极强感知和拓扑推理能力，系统稳定性更依赖模型泛化；在标线混乱、遮挡严重、规则非标、施工密集区域，表现会更波动。

方案C：众包轻语义地图型

适用于全球化 ADAS、L2+、未来低成本 L3。

Mobileye REM 的思路是把地图做成车队自动采集的轻量语义层，不追求传统 HDMAP 那种大而全的全局厘米级几何，而是记录自动驾驶真正需要的道路语义和局部精确关系。它公开强调众包、低带宽、自动化和近实时更新。

这条路线的关键资产不是单车模型，而是装车规模。车辆越多，变化检测越快，语义地图越鲜活。

方案D：端到端隐式地图型

适用于拥有超大车队数据、强训练基础设施、可承受长期技术波动的玩家。

它的诱惑很大：少维护地图，少写规则，让模型从驾驶数据中直接学习世界结构和行为策略。问题也尖锐：模型学到的“地图”藏在参数里，不能像 HDMAP 一样直接查看、编辑、审图和版本回滚。

这像把一本纸质地图烧掉，然后让一个人凭记忆带路。高手可以走得很快，但当他走错时，很难知道是记忆错了、判断错了，还是他根本没理解那个路口。

十、HDMAP 与 SDMAP 的最佳结合方案：分场景、分置信度、分责任边界

真正可落地的主流架构，不会纯粹站队 HDMAP 或无图，大概率采用分层架构，以“三层地图 + 双闭环”模式为例。

三层地图

SDMAP：全局路线层负责目的地、道路级路径、道路属性、限速、收费、主辅路、道路等级和宏观导航意图。

Lite/HD Prior：先验增强层在高价值区域保留车道级拓扑、匝道、复杂路口、灯组关系、停止线、特殊规则、易错点。它可以来自传统 HDMAP，也可以来自众包语义地图、历史轨迹聚合、云端自动化建图。

Online Local Map：实时驾驶层车端基于 BEV、Occupancy、检测、跟踪和局部拓扑推理，实时生成前方几十米到百米级的可驾驶区域，服务于近中距离规划。在高速、匝道和复杂立交等需要远距预瞄的场景中，仍需要 SDMAP、ADAS Map、轻图或历史先验提供更长视距的路线与拓扑约束。

双闭环

车端闭环：感知—预测—规划—控制—安全监控，毫秒级运行。

云端闭环：坏例挖掘—自动标注—模型训练—仿真回放—OTA 发布—地图/轻图更新，天级或周级迭代。

图4：三层地图 + 双闭环示意

十一、工程落地中的几个困难权衡

权衡1：覆盖率与确定性不可同时最大化

无图方案能快速覆盖更多城市，但它的确定性来自模型泛化，而不是逐路段验证。HDMAP 方案确定性更强，但扩城慢。量产车企必须选覆盖率，Robotaxi 必须选确定性。

权衡2：少用地图，会多用算力和数据

HDMAP 把很多静态理解提前算好。无图方案把这些工作放回车端和云端：车端实时推理，云端持续训练。地图成本下降，不代表系统总成本下降，只是成本从地图生产部门转移到算法、算力、数据、仿真和验证部门。

权衡3：端到端越强，安全壳越重要

端到端模型擅长拟合复杂驾驶行为，但自动驾驶不能只追求“像人”。人类司机本身就经常犯错。好的系统应该像人一样理解场景，但不能像人一样冲动、侥幸和情绪化。

所以未来架构大概率不是纯模块化，也不是纯端到端，而是：

模型给“想怎么开”，安全壳决定“能不能这么开”。

权衡4：地图越轻，系统越依赖长尾数据

轻图/无图的真正护城河不是宣传视频，而是坏例库。施工、暴雨、逆光、无标线、异形路口、临时红绿灯、警察手势、非机动车横穿、行人鬼探头、三轮车逆行，这些东西不会因为“端到端”就消失。没有足够真实数据和仿真回放，无图就是把风险从地图里删掉，再让用户在路上发现风险。

权衡5：地图合规会影响技术路线

高精地图采集、生产、传输、审查、更新都有监管约束，中国市场尤其明显。车企转向无图，不只是因为算法进步，也因为高精地图的商业和合规摩擦太大。自然资源部近年来对智能汽车基础地图标准、数据采集和传输安全的管理持续加强，这会继续推动“低依赖 HDMAP”的量产路线。

十二、未来的地图形态：不是 HDMAP 死亡，而是地图神经化

未来几年更可能出现的是四类地图并存。

1. 显式 HDMAP 继续服务 L4 和高风险场景

Robotaxi、无人配送、港口矿山、干线物流、机场园区不会轻易放弃 HDMAP。责任越重，越需要可验证先验。

2. SDMAP 成为量产 NOA 的基础设施

SDMAP 会越来越“ADAS 化”：不只是导航，还会包含更多道路属性、车道数、限速、坡度、曲率、路口复杂度、匝道信息、施工动态和交通规则提示。

HERE 在 HD Live Map 中也强调，自动化系统需要的不只是 HD 内容，还需要动态内容、定位能力和与自动化成熟度匹配的地图能力。

3. 众包轻图成为中间层

车队会不断上传变化、轨迹、语义、易错点。云端不一定生成传统 HDMAP，而是生成压缩过的语义先验：哪里容易误识别、哪个路口灯组复杂、哪段路常年施工、哪条车道实际可通行。这类地图不像传统地图，更像自动驾驶系统的“集体经验库”。

4. 隐式地图进入模型参数

大模型、VLA、端到端驾驶模型会把大量道路结构和驾驶策略压进网络参数。它不会以地图文件存在，但会影响车辆行为。这会带来强泛化，也会带来更强监管挑战。

未来监管也许不只审地图，还要审模型如何使用地理先验、如何更新、如何回滚、如何证明某个区域的行为安全。

十三、结论

HDMAP、SDMAP、轻图、无图不是四个阵营，而是一套分层工具。HDMAP 的本质是高确定性的长期记忆。 SDMAP 的本质是低成本高覆盖的路线意图骨架。 轻图的本质是压缩后的高价值语义先验。 无图的本质是不把离线 HDMAP 作为强依赖，而用在线感知和模型推理补齐局部世界。 端到端的本质是把一部分地图、规则、经验和策略压缩进神经网络。

量产乘用车会继续走 SDMAP + 在线建图 + 神经策略 + 安全壳的路线，因为它最符合规模化商业逻辑。L4 Robotaxi 会继续保留 HDMAP 和多传感器冗余，因为无人责任边界不允许它像 L2 那样把风险转嫁给驾驶员。Mobileye、HERE、TomTom、腾讯地图、高德、百度地图这类地图与技术供应商，则会把传统地图重构成动态、轻量、众包、可服务模型训练和车端推理的“自动驾驶基础设施”。