制图成本降低80%，百度如何打造轻地图？
作者|HiEV
编辑|张祥威
编者注：
本文是HiEV出品的系列直播「智驾地图之变」第一期问答环节内容整理。百度智驾地图业务部主任架构师万聪与连线嘉宾鉴智机器人技术副总裁潘屹峰、领骏科技研发副总裁严晗、主持嘉宾周琳展开深度交流，并进行了答疑。
本期百度分享内容《何为拥有“连续体验感”的高阶智驾地图？》的主题演讲，可前往#视频号：HiEV观看直播回放。
关于「智驾地图之变」系列直播的更多内容，可添加微信号 Yuting199701，加入「智驾地图」交流群。
一、轻图成本比高精地图低近80%
Q:在百度的过往的研发和量产的经验当中，地图跟车端的感知、智驾系统的配合，有没有可以分享的经验？
A:百度同时提供地图和智驾方案，从地图数据规格设计之初，就是图和驾一起联合来做相关的事情。
对于城市智驾而言，NOA是一个很重要的指标，如果NOA的连续性和成功率有问题的话，对于用户，会带来很糟糕的体验，同时给整个智驾产品的泛化带来很大的压力。因此，我们基于NOA的实现，界定地图的性能和数据考量。
此外，对于地图数据质量的要求，哪些地方可以轻度处理，哪些地方需要一些重度支持，这个方向上也会不太一样。
传统的图商可能会按照自己的理解去打造地图产品，然后交给其他车企去泛化，但是我们从最开始的设计阶段就在 跟“驾”一起去泛化，去发现里面的问题及时解决。所以我们提供的产品就能够让整个智驾更快速泛化。
Q:百度的轻地图方案更新成本和周期是怎样的，跟高精度地图比大概在什么数量级？
A:现在整个数据的更新有几种模式，一种是采集车这种传统更新模式，这种模式的更新规模、数据的详细程度会更高，能够做月度更新。但是对于LD来说，因为它会有更多的众源数据进来，所以可以做例行的周级更新，局部场景甚至可以做到天级的快速更新。
Q:百度的LD和HD这两种产品，可以供车企自主选择吗？
A:对，LD数据和HD数据是两种不同的产品形态，车企可以进行选择。
Q:关于LD和HD的地图，在核心要素上面的差异有多大？
A:LD和HD的分层是不一样的，大家可以看到HD还有定位图层，但是LD是没有提供定位图层的数据，这是一个比较明显的差异。其次，在车道的数据上也会有一些差异，对于HD来说，路段中的这些数据，我们可能会提供详细车道的车道线边界，但是在LD的模式下，对于一些“驾”的能力比较好的地方，只会支持车道的拓扑连通。就是“轻”的地方差异还是蛮大的。
Q;百度的轻图方案成本会有一个很明显的下降吗？它的计费标准是按照公里数吗？还是按照有多少个路口去计算？
A:关于成本的情况可能每家都有自己的理解，百度这边目前的轻图方案比传统的高精地图还是要低很多的，会低到将近80%，这样我们会用一个我们自己比较接受的成本去快速的扩城，这样就可以就解决开城的泛化的问题。
至于计量方式，我觉得在不同的阶段会不一样，从0到1的时候，里程是一个很重要的考核的点，但是在做更新的时候可能有不一样的考核点。
Q:针对于LD MAP，百度会给一套标准的产品去服务给所有客户，还是会提供更多定制化的产品？
A:我们目前提供的有三套数据，有SD、LD还有HD，其中LD和HD是两套不同的数据的形态。
我们在跟客户交流的时候，首先基于HD的情况是什么样，遇到的问题，以及LD相对于HD的关键的差异点在什么地方，目前智驾的哪些能力达到了什么程度，使用LD的能快速落地，然后包括前期阶段是否需要去通过HD，落地的成本和周期可以更短。
我们对智驾落地过程中的一些关键场景，或者说对于它需要具备什么能力够去快速的规模化，这方面对于其他家来说，百度有比较深刻的理解。
Q:最近行业里有一些信息，接下来在后半年地图的开放的节奏可能会逐步打开，如果地图的资质、法律法规已经不再是受限制的因素的话，如果我们自己要用自己的地图，从功能角度上讲更看好高精度图路线还是轻地图的路线？
A:图商本身也在做一些储备，我们在很多的城市已经开始去做泛化。关于HD和LD的情况，可能是跟“驾”产品不同的阶段也有关系，如果我们目前处于刚开始启动的阶段，可能HD对它是一个更好的情况，可以快速的去把产品落地，然后带来更好的体验。但是如果我们现在已经有一些积累，这时候LD会带来更大的帮助和助力。
Q:现在的变化会不会影响到图商的组织架构，比方说做传统图的和做LD图的团队是不是可以复用？
A:对有些图商来说，会有一定影响。但是在百度，无论是LD、HD 还是SD，都在智能驾驶（IDG）这一大的体系下运转，更方便我们去打造整个的图，包括控制它相互之间的成本。
二、如何打造轻地图方案？
Q:目前市面谈到的无图，是真正的无图，还是实际都有一定先验知识支持？
A:行业里一般大家提无图的时候都会附带一些其他的信息，比如神经网络，或者经验图层，或者某种特殊类型的模型和数据。各家也有自己的组织方式，有的可能会在车端存储，有的在云端存储。
无论是以地图的形态组织还是以模型的形态组织，起的作用和目的都是一样的，即把周边的环境建模出来，给智驾更好的支持。至于是不是一定要把它叫“无图”，只能说是各家在叫法上有特殊考量。
Q：提到重感知轻地图，地图要轻到什么程度，才能满足L2以上级别的智驾？
A:不管是图也好，还是感知也好，最终的目的是去构建整个车辆周边的环境。图是一个长距离的感知传感器，大家一起去构建，所以图的“轻”很大程度上会跟感知能力的增强和车端算力的增强去结合在一起的。
目前我们从“轻”上考虑的点：
第一，是从数据范围上会做一些维度的“轻”，比如像路段中的道路结构比较简单，这些维度是可以做减法的。
第二，从要素上再去做一些减法，因为随着车端传感器的能力增强和感知的能力增强，包括车辆的定位能力也是在不停的进步的，所以像路边的杆牌其实可以做一些简化。
第三，还有一些场景。随着大家的行驶轨迹，包括各种数据的逐步挖掘，有一些场景不用像传统的高精做的那么细分，我们会做一些合并，比较典型的之前大家会把红绿灯对应到每一个车道的管控上，但基于现在的能力，我们直接把红绿灯跟整个大的道路做一个绑定，这样的话有可能带来“轻”。
Q：如果感知能力的上限还有提升空间的话，对于地图的依赖程度是不是会更少？
A：其实地图和感知，不是一个非0即1的问题，它是两者之间结合在一起怎么去解决车辆周边的环境，包括怎么提供更好的车辆周边的环境，让它可以去引导整个智驾的控制和规划。
Q：如果识别出来的感知信息和已经加载的地图信息有偏差的话，怎么判断哪个信息的置信度会更高？
A: 这也不是一个单纯的选择A和B的过程，在行驶的过程中遇到高精地图的数据和现实的情况不一样的时候，还是会借鉴它前后道路的整个连续性情况，不只是基于当前点位的差异。
首先，会借助前后的道路来判断这个地方是感知还是地图数据的置信度更高。其次，在具体的点位也会去融合感知之外的其他数据的输入，做一个整体的融合，然后做最终的判断。
Q:如果把地图看成自动驾驶系统的一个独立传感器的话，那么地图未来的发展趋势，会不会也从相对比较直观简单的结构化数据发展成特征级，一直到更前端的标签信号级的表达方式呢？
A:地图是一种二进制数据格式的组织形式。随着感知能力的不断演进，会做一些云端地图数据的建模，现在各家都会有不同的表达，有些厂家可能继续沿用之前的地图形式的表达，但有些厂家开始将地图的数据往一些模型维度迁移，这样也可以更加方便后边产品的迭代和演进，因为通过数据的不断回传，可以将地图数据的整体质量不断的提升。
三、解决地图数据鲜度问题，提供连续性体验
Q:特大和超一线城市的地图变化特别快，因为道路环境经常会修整，然后NOA产品就会降级到LCC甚至停止，虽然您提到我们的更新频率最快能达到天级，但是这个问题还是难以避免的，针对这个问题百度有没有其他的解决方法？
A:鲜度问题的确是一个比较难以解决的问题。关键的第一步是要通过多种的渠道获取变化。信息的来源可能不仅仅是智能车，也有可能是众源设备，包括传统的SD和LD等各种信息渠道去拿到变更的位置，这是一个很大的挑战，之后基于点位去做数据更新。
所以我们目前提供了两种模式。首先，我们会手机地图进行结合，直接把它切换成领航优先的模式。另外，如果这个地方发生变更，那领航的时候我们就不从这个地方走，会选择附近其他更高效的路线，这样会给用户的带来连续的良好体验。但是如果这种情况下它绕路距离太远，其实也不好，这种时候我们让用户提前接管，在此之上才去说后续的更新。
Q:现在很多车企都推出一种模式，就是依靠车端的传感器自己在车端本地建图，对于没有资质的厂商来说，甚至可以选择只把图存在本地，不上传到云端，既然通勤模式（通勤NOA）从A点到B点，是一个很比较相对固定的路线，然后这样不断的迭代，在本地就可以生成出一个与本车的传感器精度非常匹配的一张地图了，这会不会对图商产生比较大的冲击？
A:个人理解，首先随着驾驶频次的增多，会对产品的体验会带来比较大的提升。但从另外一个维度讲，依靠传感器本地建图能够解决局部的场景，但对于自车周边几公里的范围，遇到一些外部的施工、事故等因素时，还是会有一些挑战。
整体来看，去感知也好，轻地图也好，还是希望怎样给用户带来的体验是连续的。同时希望给用户带来更大的安全安心感，不要由于前面发生的事故，因为用智驾而给用户带来惊吓。
Q:高精地图和高精定位一般都是搭配使用的，在城市里遮挡严重，定位精度很可能会下降的情况下，高精地图的使用会不会受限？
A:对于智驾而言，除高精地图之外，对定位的技术要求也比较高，城市相对高速来说，场景复杂很多包括高楼大厦、隧道、高架等。如果单纯依赖于感知或车端传感器，这类复杂的场景是很难解决的。
如果有高精地图的先验数据，加上车端的定位位置，结合感知，根据地图的车道进行融合定位，高精地图能够给高精定位带来更大的帮助，去解决这些疑难场景。
但是也会出现一个情况，比如这个地方属于弱GNSS的环境，可能定位的偏差特别大，获取的周边高精数据都不是当前的位置，这种场景不只是对于地图的挑战，对于整个智驾都是比较大的挑战，在这种模式下可能只能依靠于定位和视觉去做一路向前的智驾体验。