1，高精度地圖是對 3D 道路環境的重建
高精度地圖是實現 L3 級別以上輔助/自動駕駛的重要一環。高精度地圖是指高精度、精細化定義的地圖，可以描述為對3D道路環境的重建。高精度地圖含有大量道路矢量元素信息（車道線位置、類型、寬度等）以及車道周邊的固定對象信息（交通信號燈、交通標誌、障礙物、路邊地標等），形成對路網精確的三維表徵（釐米級精度），比如路面的幾何結構、道路標示線的位置、周邊道路環境的點雲模型等。高精度地圖在L3級別以上的輔助/自動駕駛承擔著重要任務：
1)定位，將車載 GPS、IMU、LiDAR 或攝像頭的數據和高精度地圖數據進行匹配，從而確定車輛的位置；
2)瞭解路況，導航系統可以準確定位地形、物體和道路輪廓，從而引導車輛行駛；尤其在傳感器受環境影響失靈的情況下（大霧、冰雹、大雨），高精度地圖仍可全天候工作，可以提供自動駕駛所需信息；
3）看的更遠，幫助自動駕駛車輛對超出視野範圍的路況進行處理。
高精度地圖和傳統地圖的差異主要來源於使用者的不同。傳統地圖是供人使用的地圖，而高精度地圖是給計算機（自動駕駛）使用的地圖。因此傳統地圖只需要包含道路、興趣點（POI）等基本信息，精度大部分在米級，高精地圖則要求更詳細的道路和車道模型等來作為判斷的依據，精度需要達到釐米級。由於人可以對突發事件和信息進行加工和處理，傳統地圖的服務性要求較低，更新頻率也較低；與此相對的，計算機無法對不存在於先驗模型的情況進行處理，因此要求較高的服務性和更新頻率。傳統地圖主要用於導航、搜索和目視，高精度地圖主要用於環境感知、定位、路徑規劃和車輛控制傳統地圖屬於信息娛樂系統，高精地圖則屬於車載安全系統。
高精度地圖目前尚未有正式標準，業內現有六大事實基準。不同級別的自動駕駛對於高精度地圖的精度、數據內容等的要求不同，但針對具體的應用，究竟需要什麼樣的高精度地圖，業內還沒有可供參考的正式標準。不同的圖商之間也存在差異化。較為公認的事實標準包括相對精度、邏輯一致性、數據正確性、點雲屬性、存儲方式以及元素完備性六個方面：
- 相對精度：不同於測繪中的基於絕對座標（長時間觀察取的平均值）建立的絕對精度，自動駕駛並不要求知道某個位置的經緯度，更多的是要求知道相對位置（如：車輛與建築物的距離），因此衡量標準為相對精度。業內較統一的相對精度指標是在信號完全好的情況下，能夠達到平面 10 釐米，高程 20 釐米的精度。但同樣的，並無一致的官方標準，具體精度指標通常由各個廠商根據自動駕駛的需求反推。
- 邏輯一致性：邏輯一致性要求同一個地點在地圖上對應的點是唯一的，不會產生重影。
- 數據正確性：數據正確性考慮的是要求高精地圖能夠去除短期靜態物體（臨時停靠車輛、非固定障礙物等），保證路面是乾淨的。
- 點雲屬性：高精度地圖要求點雲屬性不能過於簡單，以便進一步讀取文字內容信息等來保證地圖的準確性。
- 存儲方式：存儲方式方面，鑑於自動駕駛的運用範圍是有限的車載空間，因此高精地圖的壓縮比例越高越先進，車能夠跑的更遠，有更好的主動規劃能力。
- 元素完備性：元素完備性要求高精地圖具有足夠多滿足自動駕駛需要的矢量元素信息，如下圖所示：
2，高精度地圖落地包含製圖、用圖和更新三個環節
高精地圖落地的完整閉環包括製圖、用圖和更新三個緊耦合的過程，以保證數據的高頻流動和更新。製圖包括外業採集和內業製作，用圖包括高精（自）定位、環境感知和路徑規劃，更新包括變化檢測和交叉驗證。其中較為關鍵的環節是高精地圖的採集和更新。
專業型及工業型採集車多用於高精度地圖測繪製圖，眾包型採集車用於地圖更新。當前主要有三種移動測量技術用於測繪採集，分別是專業型採集車、工業型採集車和眾包型採集車。專業型採集車的成本相對較高，進口單車成本能達到幾百萬，精度可達釐米級。工業型採集車單車成本約為 70 萬，精度在 20-50cm 左右。眾包型採集車精度及成本則均低於專業型及工業型採集車。圖商在生產高精度地圖的過程中一般採用精度較高的採集車來完成地圖的初始繪製（從“0”到“1”的過程），在後續的地圖更新過程中轉用精度較低的眾包型採集車來降低成本（從“1”到“n”的過程）。
隨著對地圖精度要求的上升，將導致地圖生產成本大幅上漲。不同圖商在實際的採集過程中，會從精度和成本兩方面進行權衡，對上述三種移動測量技術進行一定的改裝以適用於自身的需求。地圖生產成本隨著地圖精度要求呈指數型上升，主要原因包括兩方面：設備成本和人工成本的上升。設備成本方面，以慣性導航為例，0.3 度的慣性導航成本約為 3度慣性導航的 50 倍。人工成本方面，精度需求的提升將大幅降低高精地圖作業效率（由百公里/人天降為幾公里人/天），從而導致人工成本上升。
低成本眾包實現高精度地圖更新。由於高精地圖對數據更新的頻率要求很高，從成本角度考慮使用較專業的採集車負擔過重，而且相對來說需要更新的信息遠小於初次測繪時所需獲取的信息數量，所以在更新過程中大多使用成本和精度較低的眾包車輛。同時在理論上由於眾包車輛數量眾多，在大樣本的前提下可以一定程度的彌補精度的不足，使更新的數據基本達到和建圖時接近的精度。數據採集車輛在道路運行的時候通過高精定位採集增量數據，上傳到基於雲的數據中心，通過機器學習和大數據處理輔以人工檢測最終完成實時路況的更新。
閱讀更多 AI汽車人 的文章
