特斯拉为什么不用高精地图
我们可以看到国内外的自动驾驶厂商（尤其是国内的图商）都在布局高精地图，而特斯拉表示并不感冒，完全摒弃掉激光雷达、毫米波雷达等非摄像头传感器，仅采用摄像头进行感知，在自动驾驶领域独树一帜。
这引起了我和领导的讨论，我回去梳理了一下，把思考记录在这里。
一、高精地图可以做什么
高精地图可以看成一个道路环境的模型，记录了道路的三维特征、行车辅助信息（如车道线等）和丰富的语意信息（如交通灯的类型等），通过成为高精定位底图、提供规划素材、强化感知的能力，提高了自动驾驶效果的“上限”。
1）提高定位精度（感知系统的参照物）
通过对比车载定位模块和感知模块的识别结果，确认自己的当前的位置。
2）提供超视距的道路信息，规划素材（提高决策距离上限，解放算力，驾驶体验更平滑）
- 视觉/感知系统探测距离有限，尤其是车速快时，留给车载电脑的反应时间短。
- 云端可以基于高精地图对动线规划进行预处理，节省车载电脑的算力。
- 即使本地算力足够，短时间内及时纠偏，也会牺牲乘坐体验（看见要停再停车，和提前知道要停车提前减速，体验差异）。
- 视觉范围有限，结合超视距信息，减少局部最优决策。
3）帮助无人车识别车辆、行人位置及障碍物、路牌（给感知质量兜底，让决策更合理）
- 视觉方案会因为光线明暗、物体颜色等产生误识别，雷达受雾雨（空气中的颗粒）影响产生噪声，高精地图没有，但是传感器发现了，大概率是活动的物体。
- 与感知“看到的”路牌标线做对比校验，减少误识别。
可以看到，高精地图主要是为感知、决策模块提供“增益”，提高系统的安全、舒适性。
就像一场考试，不押题的这方，不依赖高精地图、甚至仅使用纯视觉的方案的无人车也许只能答60分，或者拼命学习拿到80分。请了家教拿到考纲的这边，借助高精地图，通过其他方式绕过视觉的死点、难点，拿到90分。
二、不想用OR不能用？
特斯拉选择了这条比较激进的路线，完全摒弃掉激光雷达、毫米波雷达等非摄像头传感器，仅采用摄像头进行感知，在自动驾驶领域独树一帜。
从“第一性原理”的角度来说，即使没有高精地图，高度成熟的感知“视觉”，无人车可以像人类驾驶一样仅用“眼睛”去做出驾驶决策。
我倾向于认为，特斯拉不是“不想”使用高精地图，而是“不能”使用高精地图（也不划算）。
1）面向全球市场的特斯拉，高精地图的制作和维护成本高，效果还不好
高精地图的制作大体上包括采集 → 数据处理 → 人工验证 → 发布等一系列数据制作流程。
① 采集范围大：采集需要带着设备的车在路面上跑，铺满目标市场的主要道路。
② 数据处理和人工验证：均需要根据不同地区的情况，制定工艺，需要模型甚至需要人工标注。
③ 数据更新效果无法保证：
- 地图不是绘制完了就一劳永逸，在大量无人车投放市场后，可以回传用户车传感器途径道路的最新的数据，保证地图鲜度。
- 地图后续人工/自动更新的维护和迭代，也会产生大量成本。
2）国内是大体量、统一的市场，制图边际成本低，更新频率有保证
我们可以看到国内的厂商都会选择高精地图的自动驾驶方案。
① 制图边际成本低：全国的主要干道规格统一“一个标志牌、一种标线，全国通用”。
② 国内的车流密度也保证了足够的路网覆盖，在达到一定渗透率，不同车厂的传感器信号都汇总给图商/自动驾驶运营商，可以做到高频度的道路刷新。
③ 地图产业涉及到国家机密，精地图的行业准入门槛很高
- 目前国内拥有“导航电子地图制作甲级测绘资质”的企业较少。但是也正因为政治壁垒的因素，限制了国外竞争者的加入，这也让国内企业具有一定的优势。
- 为了避免相关问题，特斯拉用作仿真训练的“短时路网”会被保存在国内的服务器上。
3）相较国外，国内的道路环境更复杂，对安全的要求更高
- 国外地广人稀，道路环境相对简单；
- 国内道路车流人流密集，有中国特色的交通参与者（如电瓶车、行人）。
也许你会说，同样是面向全球市场Uber、Waymo、Mobileye、英伟达，都会选用高精地图，市场也许不是主要原因。
是的，Uber的出租车模式意味着车辆调度的自控，只需要满足有大量用户的、主要路线的诉求，Waymo的高精地图基础由谷歌地图发展而来，Mobileye、英伟达为大量的车厂提供软硬件（也许意味着有大量的数据回收）。
而特斯拉作为独立厂商，除了马斯克奉为圭臬的“第一性原理”外，也许彼此之间都不愿意分享自动驾驶的“灵魂”（自动驾驶能力和用户数据），也许他已经选择了足以弥补高精地图缺失的技术方案。
三、特斯拉的纯视觉方案：MIND OF CAR
如果特斯拉有且仅有摄像头，那么他的视觉方案必须是业界水平最高的。
特斯拉思路是：开车的是人，道路是为人类设计的，如果拥有和人类一样的感知和处理信息的能力，机器可以无缝过渡到自动驾驶，经济&高级。
在特斯拉2021年的AIDAY上，马斯克分享了纯视觉自动驾驶方案和能力：
1）硬件：8个360°，120w像素摄像头，在效果上需要能替代替代激光雷达、毫米波雷达和声呐。
2）感知：1000人的标注团队，150w辆在路特斯拉，保证了为视觉算法训练的大量的数据集合。
① 同大多数的自动驾驶的感知方案一样，特斯拉的视觉方案在做以下几件事：图像校准 → 物体识别 → 深度感知 → 创建四维向量空间。
② 只是，特斯拉选择通过视觉模拟雷达，准确率基本接近真实雷达。
- 通过有雷达的路测车在路上跑，获取真值。经过大量训练，算法可以得到视觉和模拟雷达的换算关系，摆脱用户车对雷达的依赖。
- 通过视觉同样可以通过对陌生道路建模，进行感知和预测（基于大量道路数据的视觉算法学习，获得超视距的预测信息），生成短时高精地图。
3）规划与控制
- 特斯拉在规划架上和业界基本没有什么太大的区别，基本上都是先求解出可行空间，然后利用优化的方法在可行空间内优化求解，输出最终轨迹。
- 特斯拉的轨迹动线规划，可以简单理解为基于搜索的方法生成大量的轨迹，综合评价安全、舒适、效率选择最优动线，在技术能力上的优化可以让他们减少搜索次数，提高效率。
- 它也实现了通过视觉跟踪，以及衍生的预测能力，可以学习不同物体的性质，区分人/动物/车，以及预测其未来的走向，做出决策和避让。
4）计算能力
云端Dojo超算力：现有特斯拉车端FSD芯片算力主要依靠两块SoC芯片，算力为144TOPS，并不高，但是，基于帧检测的摄像头需要依赖高算力，其核心诉求是高带宽和低延迟。
5）仿真能力
- 这块是特斯拉能实现视觉算法高效迭代关键，通过视觉生成实时高精地图，制作虚拟仿真地图，还原现实环境的基础上，创造有更多边界场景的虚拟环境，在虚拟世界完成打怪升级（神经网络渲染）。
- 每辆在路的特斯拉回传的地图数据，都可以成为仿真地图的原本，可以看到，其对静态、动态环境的构建效果逼真，并且可以通过AI能力进行模型再创造和组合。这提供了大量的边界场景，减少了标注的工作量。
- 在路上跑的车辆越多，收集到的数据越多，仿真场景库的数据也会指数倍增。
四、At last
不可否认特斯拉有很强的技术能力，在算法能力上有着行业顶尖的水平。但特斯拉的方案是国内厂商选择的高精地图+多传感器的技术路径的子集，如果视觉方案发展得足够成熟，国内厂商也可以随时“向左转”。
运输工具不一定要造“腿”、也可以造轮子，同理，机器人不一定长得像“人”。纯视觉方案不一定最高效的方法。即使自动驾驶最后走向了“像人一样驾驶”，在自动驾驶发展初期、“学走路”的过程中，短期内借助高精地图和其他传感器作为“辅助走路的支具”，快速实现自动驾驶的安全普及，也无伤大雅。
参考资料：
- 《第一本无人驾驶技术书》作者：刘少山
- 《自动驾驶仿真蓝皮书》
- 自动驾驶基础知识系列-高精地图@少隆 https://>ata.alibaba-inc.com/articles/192451?spm=ata.23639746.0.0.3c0c4ddfCx53C1
- 行业前沿：自动驾驶之“高精地图”篇 – PLUGANDPLAY的文章 – 知乎 https://>zhuanlan.zhihu.com/p/486988101
- 高精地图，公认的自动驾驶标配，但特斯拉并不care – https://>baijiahao.baidu.com/s?id=1685063016792310360&wfr=spider&for=pc
- 自动驾驶之高精度地图（八）国内外高精度地图发展现状 – 阿宝说车的文章 – 知乎 https://>zhuanlan.zhihu.com/p/369259860
- 超长延迟的特斯拉AI Day解析：讲明白FSD车端感知 – EatElephant的文章 – 知乎 https://>zhuanlan.zhihu.com/p/458076977
- 特斯拉AI Day决策规划技术解析 – 自动驾驶拖拉机的文章 – 知乎 https://>zhuanlan.zhihu.com/p/402442178
- 如何赋予机器思维？解密特斯拉人工智能自动驾驶下集！超乎你的想象https://www.>bilibili.com/video/BV1uU4y1u7JY/?spm_id_from=autoNext
本文作者 @阿白 。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
