1 背景
近两年，自动驾驶量产领域，有一句话出现的频率很高：“无图也能开”，到底什么是有图，什么是无图呢？简单来说就是有高精地图（High Definition Map）和没有高精地图（但是有SD---Standard Definition Map）。
最开始无图的公司应该就是特斯拉，特斯拉的自动驾驶系统就是一个典型的无图方法应用案例，它依赖于车辆周围的8个摄像头进行环境感知和决策 。国内的车企早期也是基于高精地图的方案，后面都逐渐过渡到无图方案。
下面是CVPR 2024自动驾驶国际挑战赛（Autonomous Grand Challenge）无图的比赛结果，国内的企业排名还是比较靠前的。
本篇博客将详细描述自动驾驶有图和无图的方案的特点以及区别，供有兴趣的各位读者参考。
2 有图方案
笔者体验过多家车企的产品，以及互联网上看到的视频，在高精地图下，路口的表现会比无图好很多，因为路口涉及到视野遮挡，路口选口不容易出问题，如果车辆需要识别路标进行选口，目前来说难度还是有点大的，随着模型的应用，在此方面有所改善。
2.1 高精度地图的作用
（1）提供先验信息
- 高精度地图包含了丰富的道路几何信息（如上图所示），如道路的形状（弯道的曲率、坡度等）、车道线的位置和走向等。车辆可以提前知晓前方道路的情况，从而更好地规划行驶路径。
- 它还包含了道路的交通标识和信号等信息，帮助自动驾驶系统准确判断交通规则，提前做好减速、停车或转弯等决策行为。
（2）定位辅助
通过将车辆传感器（如激光雷达、摄像头等）获取的实时环境数据与高精度地图进行匹配，可以更精确地确定车辆在道路上的位置。相比仅依靠全球定位系统（GPS），这种基于地图的定位方法在城市峡谷、隧道等卫星信号较弱的区域也能实现高精度定位。
（3）路径规划优化
自动驾驶系统可以根据高精度地图提供的道路信息，规划出更合理、更高效的行驶路径。例如，在考虑到道路的拥堵情况、施工区域等因素后，选择最优的车道和行驶路线，提高行驶的安全性和效率。
2.2 有图方案的工作流程
（1）地图数据采集
通常使用专业的地图采集车辆，配备多种高精度传感器，如激光雷达、高精度摄像头、惯性测量单元（IMU）等。这些传感器协同工作，采集道路的几何形状、标识标线、周围建筑物等信息。采集到的数据经过处理和标注，形成高精度地图。
（2）地图存储与更新
高精度地图数据存储在车辆的车载系统中或云端服务器。随着道路情况的变化（如道路施工、交通标识变更等），需要定期对地图进行更新，以确保地图的准确性和时效性。更新可以通过云端推送或车辆回传数据后进行集中处理的方式实现。
（3）车辆与地图的交互
当车辆行驶时，传感器实时感知周围环境，同时将感知数据与高精度地图进行融合。系统通过对比地图中的信息和实时感知信息，确定车辆的位置和行驶状态，并据此进行决策和控制。例如，在接近路口时，根据地图中交通信号灯的位置和状态信息，提前调整车速。
2.3 有图方案的优势
（1）提高安全性
准确的道路信息和定位有助于车辆提前预测潜在危险，如弯道处的障碍物、路口的行人等，从而采取相应的避让措施，降低事故发生的概率。
（2）提升驾驶舒适性
优化的路径规划可以减少车辆的急加速、急减速和频繁变道，使乘客在车内的体验更加平稳舒适。
（3）适应复杂环境
在复杂的城市道路环境中，高精度地图可以为自动驾驶系统提供更全面的信息，帮助车辆更好地应对各种交通场景。
2.4 有图方案的挑战
正是因为如下几条原因，考虑到有图方案的成本，准确性，出海战略以及时效性，很多车企都放弃了有图方案。
（1）地图的准确性和时效性
道路情况不断变化，要保证地图始终准确并及时更新是一个巨大的挑战。如果地图数据不准确，可能会导致车辆的错误决策和行驶。
（2）地图的成本
高精度地图的采集、制作和维护需要大量的人力、物力和财力投入。此外，地图的版权和数据安全也是需要考虑的问题。
（3）地图的法规和标准
不同国家和地区对于高精度地图的法规和标准不尽相同，这可能会影响自动驾驶有图方案的推广和应用。
3 无图方案
笔者之前分别介绍过华为和小米的无图方案，小米道路大模型和华为的RCR网络（Road Cognition & Reasoning，道路拓扑推理网络），实时生成道路拓扑，效果媲美高精地图。实现全国都能用的城市领航。可参考博客《自动驾驶---小米汽车智驾进展》和《自动驾驶---行泊一体（车位到车位功能）量产》中华为ADS3.0版本的介绍。
3.1 纯感知技术的应用
（1）传感器的强化
在无图方案中，车辆更加依赖自身的传感器来感知周围环境。通常会采用多种传感器融合的方式，如激光雷达、摄像头、毫米波雷达等。这些传感器可以实时获取车辆周围的物体信息，包括车辆、行人、障碍物等的位置、速度和方向等。
（2）深度学习算法
利用深度学习算法对传感器采集到的数据进行分析和理解。通过大量的训练数据，模型可以学习到不同物体的特征和行为模式，从而实现对周围环境的准确识别和预测。例如，通过摄像头识别道路标识，像停车，掉头等。
3.2 无图方案的工作流程
（1）实时感知
车辆在行驶过程中，传感器持续不断地扫描周围环境，将获取的数据传输给车载计算单元。计算单元对数据进行实时处理，识别出各种物体和道路特征。
（2）自主决策
基于实时感知的结果，自动驾驶系统利用算法进行自主决策，确定车辆的行驶速度、方向和路径等。系统不需要依赖预先存储的地图信息，而是根据当前的环境状况做出即时的判断和决策。
（3）动态路径规划
与有图方案不同，无图方案的路径规划是动态的。车辆会根据实时感知到的障碍物和交通情况，不断调整行驶路径，以避开障碍物并选择最优的行驶路线。
3.3 无图方案的优势
- 灵活性和通用性：无图方案不依赖于特定的地图数据，因此可以更灵活地适应不同的道路和环境。无论是在新开发的区域还是地图数据不完善的地方，车辆都能够正常行驶。
- 降低成本：不需要进行大规模的地图采集和维护，降低了自动驾驶系统的成本。同时，也减少了对地图版权和数据安全等方面的担忧。
- 隐私保护：由于不依赖外部地图数据，减少了用户位置等隐私信息的泄露风险。
3.4 无图方案的挑战
- 计算能力要求高：纯感知和实时决策需要强大的计算能力来处理大量的传感器数据和复杂的算法。这对车载计算硬件提出了很高的要求，同时也会消耗大量的电能。
- 可靠性和稳定性：在复杂的环境中，传感器可能会受到干扰或出现故障，这会影响系统的感知能力和决策准确性。如何提高系统在各种情况下的可靠性和稳定性是一个关键问题。
- 长距离和大范围的感知难度：虽然传感器可以实时感知周围环境，但对于长距离和大范围的情况，如前方几公里处的道路状况，传感器的感知能力有限。相比之下，高精度地图可以提供更宏观的道路信息。
4 总结
| 有图 | 无图 | |
| 环境依赖性 | 依赖于精确的地图数据 | 依赖于车辆的感知系统 |
| 计算复杂度 | 处理保存的地图数据 | 处理更多的实时数据 |
| 技术挑战 | 适应性较差 | 环境感知、决策规划 |
| 融合趋势 | 探索将有图和无图方法结合，以利用两者的优势（当前阶段） | |
从上面两节的阐述可以看出，自动驾驶有图方案和无图方案各有优缺点，有图方案在安全性和舒适性方面有一定优势，但面临地图准确性、成本等挑战。无图方案更灵活通用，但在计算能力和可靠性等方面需要进一步突破。目前也基本是有图和无图方案相结合的方式，以充分发挥各自的优势，推动自动驾驶技术的发展。
等后续技术逐渐成熟，无图一定是最终的解决方案。
