随着政策的放宽以及市场份额的不断扩大，走在智能化水平前列的车企和供应商们，正在试图定义智能驾驶技术下一个阶段的发展路线。
近日，华为智能汽车解决方案BU CEO余承东，在粤港澳大湾区车展上接受采访时表示，现阶段过分依赖高精度地图和车路协同的智能驾驶技术，都是不合格的；未来在行业在发展智能驾驶技术时，应当不能过分地依赖高精度地图。
（余承东在粤港澳大湾区车展期间发表讲话）
值得注意的是，小鹏汽车创始人兼董事长何小鹏，在本次活动中也发表了类似的看法。何小鹏指出，对于智能驾驶技术而言，高精度地图的应用只是一个过渡阶段，真正的智能驾驶一定要能够实现全场景的驾驶。
“什么叫做全场景的驾驶？就是你能不能在这个城市开？能不能在这个城市的郊区开？甚至能不能跨越中国在海外开？所以，我认为对于未来的智能驾驶，能不能在没有GPS、在冰天雪地等严苛环境，甚至在中国以外的地方都能开，这是最重要的。”
（何小鹏在粤港澳大湾区车展期间发表讲话）
早先，何小鹏表示小鹏汽车要在今年下半年逐步实现城市NGP，并且还立志将在2023年进入“人机共驾”时代；华为方面，在极狐阿尔法S全新HI版上市以后，哪吒S、广汽埃安LX等搭载华为智能驾驶软、硬件的全新车型也即将进入量产倒计时。
为了更广泛地普及智能驾驶技术，“着重发展高度拟人的单车智能，有高精度地图但不完全依赖高精度地图”，目前看来是整个行业需要去蓄力突破的解题关键。
为何不能过于依赖高精度地图？
在现阶段的智能驾驶系统中，无论是感知、定位、规划，还是决策和控制，几乎都少不了高精度地图的参与。
（四维图新高精度地图信息示意）
首先，相比驾驶员日常使用的导航地图，高精度地图能够对路网进行精确的三维表征，精度直接从米级跨越至厘米级。有了这些高精度的定位信息，智能驾驶汽车就可以对比包括激光雷达在内等车载传感器的数据，精确定位当前车辆的自身位置。
其次，高精度地图还包含了大量与行车相关的辅助信息，而这些信息往往在车载传感器的视距之外。这些信息主要分为两大类：
第一类是道路数据，例如车道线的位置、类型、宽度、坡度和曲率等车道信息；
第二类则是行车道路周围相关的固定对象，例如交通标志的种类、交通信号灯的变换等，车道限高、下水道口等障碍物的具体细节，还包含高架物体、防护栏、道路边缘类型等信息。
（高精度地图数据元素）
清华大学出版社出版的《自动驾驶技术概论》，将高精度地图看作是智能辅助驾驶系统中一个“特殊”的传感器。不过，相比激光雷达、毫米波雷达、摄像头等传感器来讲，高精度地图不仅在所有方向上都可以实现无限远的探测距离，并且不受环境、障碍物等因素的干扰。
因此，高精度地图能够在很大程度上缓解车载传感器的压力，使感知系统更多地专注于可能产生的突发状况。
在国内市场，高精度地图已经在多家车企的高速领航辅助驾驶系统中得到应用。蔚来汽车的NOA、小鹏汽车的NGP、理想汽车的NOP、广汽埃安的NDA以及毫末智行的NOH，背后都有着高精度地图的支持。
（车企与高精度地图厂商合作情况）
不过，并非所有人都喜欢高精度地图。就像反对激光雷达一样，特斯拉CEO马斯克曾在采访中表示，高精度地图是一个“非常糟糕的主意”，原因就在于高精度地图的鲜度不行当道路出现一点点改变时，高精度地图提供的信息就过时了。
小鹏汽车副总裁吴宙新也曾表示，未来应用在城市领航辅助驾驶的高精度地图，需要做到以天为单位的更新能力。
然而，我国包含高德、百度、四维图新在内的高精度地图供应商，受困于车队采集规模、制图方式和相关法律法规等约束，目前仅在高速公路和城市快速路上也需要按季度来完成高精度地图的更新，更不用说日后更加错综复杂的城市和乡镇道路。
即便高精度地图再怎么好用，它仍然会成为车企未来大范围普及智能驾驶，所将会面临最大的掣肘因素。
脱离高精度地图之后？
为了在摆脱高精度地图的辅助后，仍然能够打造出体验更好的智能辅助驾驶技术，华为和小鹏汽车都正在持续增加在智能驾驶方面的投入。
据余承东介绍，围绕智能驾驶、智能座舱两大核心技术领域，以及全新的电子电气架构、车联网等，华为现阶段共有6000-7000人在开展相关的研发；何小鹏也指出，小鹏汽车正在全力“解锁”城市NGP这一全新功能，目前已经在广州进行了城市NGP工程版的测试工作。
事实上，不仅是华为和小鹏汽车这两家企业认为，高精度地图并不是智能驾驶的未来。早在今年4月份举办的毫末AI DAY上，毫末智行CTO顾维灏就针对没有高精度地图的情况下的红绿灯识别，给出了一种更加具体的解决方案。
（毫末智行CTO顾维灏）
顾维灏认为，要解决红绿灯目标孝形态各异以及会不断变化闪烁的问题，首先需要获得大量的样本数据来进行仿真学习。为此，毫末智行通过搭建3D仿真引擎，获得了大量不同光照、不同背景下的合成数据。
其次，为了解决合成数据在质量上不如真实数据的问题，毫末智行选择采用迁移学习领域中混合迁移训练的方法，利用合成数据“定向弥补”真实场景中缺失的数据样本，并不断调整训练策略，让合成数据在质量上尽量减小和真实数据的差距。
最后，毫末智行设计了一个针对红绿灯检测和绑路的双流感知模型，将红绿灯检测和绑路问题分解为两个通道，及“what”（红绿灯是绿灯、黄灯还是红灯？）通路和“where”（汽车所在的车道线对应的是那条红绿灯？）通路。
简单来说，在没有了高精度地图提供的先验信息之后，车企和供应商就只能在其他方面下功夫。而毫末智行就选择通过大量数据训练的方式，尽可能将智能驾驶在感知算法上做得更好。
（重感知方案下的红绿灯大挑战）
目前，毫末智行基于这种方法进行了大量的测试，在不同城市、不同距离、不同转向以及不同光线的条件下，毫末智行的智能驾驶技术能够做到即便没有高精度地图，也能够精准地识别出红绿灯信号。
不过，这种重感知的路线仍然有技术难点需要解决。毫末智行技术总监潘兴在接受采访时也表示，感知算法的精度将决定毫末智行智能驾驶技术的最终性能。
至于为何不是去提升激光雷达等传感器的精度，潘兴解释道，“感知系统能看到某个地方有路型变换、能准确地策动车道线距自车的距离、车道线的曲率，主要还是靠算法。”
当智能驾驶经历了在车载传感器种类、数量上的花式堆砌，以及在智能驾驶硬件上的算力内卷，甚至是真正脱离高精度地图之后，可以预见的是，各大车企和供应商究竟能够让自家的智能驾驶技术脱颖而出，最终大概率还是要回到在算法性能上的短兵相接。
