今天，如果一辆小汽车头顶长出一个旋转雷达传感器，还装备着几个摄像头，沿着美国伯克利拥挤的街道缓慢前进，大概不会有人会多看它一眼。因为自动驾驶汽车在加利福尼亚的街道上早已不再是什么稀奇的玩意儿，在这里，每天会有来自十几个厂商的百余台自动驾驶车辆进行路测，年均覆盖里程达几万公里。

但是这辆车却与众不同——它的驾驶员将两手紧握在方向盘上。这辆叫“乔治(George)”的地图测绘车，来自于高精度地图霸主、如今被德系车企三巨头收入囊中的HERE，它可不是在测试自动驾驶，但是它希望通过不断收集数据让更多汽车的自动驾驶成为可能。

乔治：HERE饲养的高精度测绘车

一秒钟，在这个几乎可以忽略不计的时间里，我来告诉你测绘车乔治都做了什么：

车顶的GPS接收器反复10次收集车子所处的经纬度和海拔高度信息;

惯导系统反复100次跟踪记录车子的偏航、倾斜和转动数据;

激光雷达传感器通过大约600000个不同的扫描点(如树木、路缘石和建筑)计算车子的位置信息;

通过四个摄像头拍摄一张高达96兆像素的360度全景图。

这样一来，乔治每天大约能收集和处理100G乃至更多的数据。同时，这些数据使HERE能够为乔治走过的空间建立极其精细的三维地图数据——即专业测绘人员口中的高精度地图(HD map)。

高精度地图:治好自动驾驶汽车的“近视眼”

几年前，一些汽车制造商希望自动驾驶汽车能够使用低精度地图(这种地图在今天的路径规划导航设备和APP中还在使用)进行自主定位，然后由传感器处理其他问题。举个例子，如果在公路标记十分清晰的前提下，视觉传感器已经能够使汽车在它们的车道中安全行驶了，它们甚至能够指出路面的障碍物或是标示着停车的标记线。

但是问题在于，一辆完全自动驾驶的汽车需要在各种环境下保证安全。“简单的车道保持根本不需要使用地图，”HERE副总裁、负责实景扫描的约翰·里斯特夫斯基(John Ristevski)说，“但是如果你的车子处在有5条车道的高速公路上，你就必须清楚自己位于其中的哪一条，知道哪条是能够安全通过的，并且准确判断在哪个时间点沿出口驶出高速路。”

一个很大的难题是，路面标记在下雪后可能会模糊甚至消失不见，而目前的激光雷达(LiDAR)传感器在这种情况下很可能会失真。简单说来，激光雷达的原理是打出激光并接收返回的扫描点，通过激光发射和返回的时间以及其他复杂算法求解与目标间的距离，密集的激光点云也就形成了三维空间信息。

事实上，无线电探测器(雷达)做的事很大程度上是类似的。车载装置中，通常激光雷达和雷达的有效探测距离为50米，然而在雨雪等极端天气，抑或是当探测对象被行进的车辆掩盖时，这个数字会大大缩减。即使是最智能的汽车，如果它以高速公路的车速水平形式，也只能“看”清眼前很短的距离(一秒半探测到的数据量)。而高精度地图给自动驾驶汽车带来的，则是一双看得更远的眼睛。

对于自动驾驶汽车而言，更加重要的是能够对自己所处的位置进行精准定位，几米的误差就足以使车辆处于错误车道。商用GPS系统的精度仅有5米左右，而在城市楼宇之间的误差能达到50米以上，更别提在完全无法接受信号的地下隧道了。但高精度地图中的本地图层却可以与传感器协同工作，将汽车的位置定位精确到厘米级。

HERE 目前正在尝试开发类似这样的图层。图层中包含了环境特征信息，如桥梁、路标和护栏等，这些数据来源于测绘车的图像采集，自动驾驶汽车可以通过自身携带的摄像头拍摄的照片与图层中的信息比对和匹配，从而对一些环境信息做出判断。这也涉及到了自动驾驶领域的另一门关键技术——计算机视觉算法。

百花齐放：TomTom、谷歌各出其招

不过，另一家荷兰制图公司TomTom却认为这种方式是不可靠的。 “我们发现，投入大量精力为空间环境建模，甚至精细到每一根桥梁柱子，然后再把这些数据三角化(点云数据的一种处理方式)，这样的做法使得后期数据的灵活性大大降低，你很难再进行修改了。”TomTom副总裁皮尔特(Pieter)说。设想一下，如果一棵树被砍伐了，或是街道场景变了，问题将会升级。“视觉上的变化太多了。”他补充道。

所以，与HERE不同的是，TomTom使用其测绘车的激光雷达设备捕捉了一种“深度地图”。这个系统会持续记录路边场景中变化的形状和距离，而并非试图识别出每个具体的物体。通过分析整段道路，系统即能够将自动驾驶汽车自身LiDAR传感器获取的数据与深度地图数据建立联系，计算出车辆位置，当然，即使新长出了一棵树也没关系了。

谷歌，这家一直以来致力于测试自动驾驶汽车的公司，做的也是类似的本地图层。此外，HERE也在研究如何基于人工智能技术识别相机以及激光雷达传感器获取的特征信息。无论采用哪种方式，这三家公司都声称他们有能力使自动驾驶汽车在道路的定位精度达10-20cm。

一些车企，如尼桑、福特、起亚和特斯拉，认为自动驾驶技术将在2020年发展成熟，而沃尔沃则计划于明年把完全自动驾驶汽车提供给100名用户。所有这些动作，都加剧了整个行业对高精度地图数据的渴求和期待，在自动驾驶汽车从展示台走向应用之前，必须有人为我们精确地描述这个世界。HERE拥有数百辆像乔治一样的测绘车，它们在32个城市，对数百万公里的道路进行了测量。TomTom在欧洲及北美的高速路和主干道上部署了70台测绘车。而Zenrin，日本一家部分由丰田控股的测绘制图公司，在亚洲的测量动作非常活跃。

“新鲜”的数据：自动驾驶的血液和灵魂

对众多测绘车获取的数据进行分析和处理是最大的技术难题之一。HERE最初采用的方法是使用人力检测原始LiDAR数据，然后用处理软件将其转换成数字模型 ——“这有点像地图界的Minecraft(一款三维游戏)，”里斯特夫斯基说。然而，手动处理数据效率极低，目前HERE已经开始采用机器学习算法来自动识别特征信息，例如车道标志、人行道边缘等。HERE的人工智能系统能够通过乔治拍摄的静态照片识别路标、交通灯等信息。人类只需简单修改和校正计算结果，并且检查是否有错误。

然而问题在于，乔治采集到的信息从它被获取的那一刻起就已经开始过时了。随后的建筑项目、道路施工或是变更了的限速信息，会将自动驾驶汽车拖入过期地图导致的危险的深渊。里斯特夫斯基承认，地图永远也无法完全实时更新。“我们的目标是，尽量保持地图的时效性和准确性，但传感器必须足够强大，来应对各种变更了的信息。”

据了解，在像旧金山这样的大城市，测绘车会频繁地往来。然而对于绝大多数城市，测绘车最多只能做到一年一次的收集频率。一个退而求其次的解决方案是，使用里斯特夫斯基口中描述的“探测数据”，其实不过是依靠智能手机用户以及车载导航设备返回的信息。HERE每天约能接收20亿人的返回数据，包括汽车的位置信息、速度和方向，其中一些信息来自Windows设备(当年HERE在诺基亚旗下时的余热)。

这些取得的数据会被聚合和脱敏，以保护个人隐私，同时使HERE能够快速取得其中的关键信息，例如道路封闭等。随着汽车装配日渐复杂，这些数据的获取成本将更加高昂。最终，里斯特夫斯基估计，自动驾驶汽车将会自己来完善它们的地图。这种自学习的模式在谷歌无人车上已经成为了现实，它能够自主辨别和回传交通锥、以及穿着亮黄色服装的施工工人的信息(这些信息能够标示道路正在施工)。此外，谷歌还从全球15亿活跃安卓手机和设备中获取了大量导航和交通数据信息。

目前，越来越多的汽车被装备智能驾驶功能，如自动刹车、车道线检测以及自动超车等。技术的迭代终有一天会引领汽车进入完全自动驾驶的时代。而高精度地图将在更多道路上延展开来。值得一提的是，HERE和TomTom现在都具备低空信息，如公共电缆、桥梁、树木，抑或是15层楼以内的建筑。这样的数据能够被用于一种全新形式的导航——无人机导航，这就是亚马逊满腔无人机送货野心，却在与HERE商谈股份合作的原因。

结语

在传感器设备、数据分析技术、人工智能算法不断成熟的今天，笔者相信真正意义的自动驾驶已经离我们越来越近了。今天我们梳理了自动驾驶在国外的一些发展现状和趋势，而放眼国内，自动驾驶领域的技术和市场热度也毫不逊色。昨日在GMIC现场，笔者刚刚采访了国内自动驾驶的领航者之一——四维图新，从四维口中获得了更多国内自动驾驶市场环境的最新信息，所以之后的文章，我们会就这个话题有更多的跟进和探讨。