何时才云开雾散？
现在大概全世界都知道了 Elon 认为高精地图对于自动驾驶来说是“非常糟糕的主意”。在 4 月份的 Autonomy Day 上，马斯克非常清楚地表明，过度依赖高精地图会让自动驾驶系统变得非常脆弱，使其更难以适应（可能主要指 Geo-fence 问题，且增加系统复杂性）。
然而，行业许多其它玩家都认为高精地图至少可以作为一个 backup 系统，可以提高 AV 的性能和安全性。高精地图不是人类驾驶员常用的 GPS 导航，而是附有地理编码的元数据，是专门为机器设计的。AV 使用地图数据的首要目的是增加对系统的信心，它解决了道路解析的计算问题。高清地图中的图层包括精确的车道标记、边界、几何图形和用于定位的 3D 标记等。
Source：Lyft
高精地图目前正在成为一个竞争激烈的市场。玩家们不仅有传统的导航地图供应商，还有科技公司、主机厂和初创公司等。在某种程度上，该领域也是争夺数据所有权的“战场”。
为什么需要高精地图
AV 应该使用高精地图的原因有很多。最重要的是高清地图为 ADAS 或 AV 提供了最直接的解决方案，以便更好地进行道路解析（ road parsing ），为道路分割分析地面和航拍图像。
即使对于像车道保持等基本的 ADAS 功能来说，当车道标记褪色、被雪覆盖或被遮挡时，高精地图也是有效的。理论上，来自不同传感器（摄像头、雷达、超声波）的数据组合也能解析道路，但都有局限性。
一个典型的例子就是特斯拉在 Mountain View 的那起致命事故。一个可能的原因就是路面变化，既系统将浅色混凝土路面与深色沥青路面的连接线识别成了车道线，所以导致了事故。而如果 Autopilot 有一个详细的车道模型（高精地图），可能就会避免悲剧的发生，因为系统知道它应该和不应该在哪里。

当然，摄像头可能仍然是最好、最经济的传感器，但它们很难解决道路解析问题。摄像头的计算成本很高，但高精地图能减轻计算量，增加对环境模型的信心。
那么最近同样在风口浪尖的激光雷又如何呢？激光雷达是否能改善道路解析的问题？激光雷达最适合 3D 感知和环境建模，并可以很好地检测未知物体和自由空间。但激光雷达在恶劣天气下也受限。例如，如果激光雷达完全被雪覆盖，激光雷达就无法检测到车道标记。另外，激光雷达仍然非常昂贵。激光雷达也（或任何传感器）不能透视遮挡物，比如车辆、山丘、弯道或建筑物等。但高精地图可以延伸到所需要的范围，且没有遮挡问题。
Elon 真的错了吗
然而 Elon 对高精地图的说法可能也不完全错。
首先，除非 AV 同样具备高精度定位的能力，否则高精地图也就无效了。此外，AV 必须始终能够准确地保持其位置；其次，高精地图需要不断更新。如果没有更新，AV 就需要一个相应策略来应对不准确的地图数据；第三，高精地图不是免费的；第四，就是像特斯拉这样的公司相信基于 CV 的强大的神经网络已足够，完全没必要使用高精地图。当然，目前这种理论还没得到验证。
首要的挑战是车辆在地图上精确定位的问题。精确定位的一种方法是 GPS 再加上 RTK 或 PPP（ Precise Point Positioning ）。RTK/PPP 服务通常由定位引擎软件公司提供，如 Trimble（他们的服务称为 RTX ）、GMV（ magicPPP ）、海克斯康 /NovAtel（ Terrastar ）等。有时国家运输部门会提供公共的免费服务 CORS（ Continuously Operating Reference Station ）网络或一些私人 CORS 收费服务。
如果不使用那些 RTK/PPP 服务，常见的方法是使用传感器。例如，将激光雷达实时扫描的 3D 点云与现有的 3D 点云进行比对的方式。但最大问题是激光雷达的成本，本来用激光雷达绘制地图成本已经很高了，更别说在量产车上使用激光雷达了。目前采用这种方式的公司主要商业模式是 robo-taxi ，面向个人市场还很难。
另外还有一种方法是利用激光雷达或摄像头的基于地标的定位，这些传感器必须检测和分类地标。基于地标的定位基本上就是将高精地图中的地标/道路设施属性与实时感知进行比对。
高精地图需要不断更新的需求是一个尚未解决的巨大挑战。目前，Mobileye REM 的众包方案是从安装了 Mobileye 摄像头的数百万辆汽车中收集数据。许多其它玩家也在研究如何搜集、管理和重新分配众包数据。

最后，至于高精地图的价格问题，其实目前没人知道答案，因为大多数高精地图供应商目前都还没有到谈价格的阶段。
大约半年前，高德计划从 2019 年 4 月开始收取 100 元/辆（约 15 美金）的授权费。高德还表示，计划每年至少将价格降低 2 ％。测绘车辆也非常昂贵，据说高德的每辆测绘车的单价高达 100 万美元。
那么，Elon 是对的吗？假如真的存在像 Elon 说的那种完美的神经网络（其实即便目前还不存在，但它在理论上是可能的），但一旦遇到传感器故障，似乎仍然需要地图提供道路解析冗余，以便在这样的条件下确保安全。
特斯拉还声称高精地图甚至在积雪覆盖的道路上也是多余的。他们基本上认为，如果人类标注人员通过观察这些图像可以很好地在雪路上绘制车道线，人工神经网络可以训练并且表现得相当好。然而，这仍然未经证实。Andrej Karpathy 也承认，他们还没有专门运行能够提供此类情况的真实世界数据的数据引擎。这意味着特斯拉车队还需要大量数据，来训练他们的神经网络。
高精地图市场的竞争
即使特斯拉认为不需要高精地图，AV 行业的大部分其它玩家仍对高精地图有很高的需求。
高精地图的主要供应商具有很高的区域特性，特别是在亚洲。韩国有 MnSOFT ，中国有四维图新、高德和百度。日本的 DMP（ Dynamic Map Platform ）是一个区域联盟，由来自政府、主机厂、 Tier1 和图商等的许多利益相关者（共同投资）组成。他们的测绘车辆会收集大量基础地图数据，并在每个图商对数据进行后期处理并添加更多定位特性之前，以合作的方式创建语义地图。欧洲和北美则是 HERE 和 TomTom 的天下，还有 USHR（现在被 DMP 收购）。
HERE提供数据的方案
所有这些公司（ DMP 除外）都是传统的导航地图供应商，并且大致了解基于地理信息系统的地图生成和维护（至少在地区层面）。
一方面，基础道路几何地图和高精车道模型（主要用于高速公路）已由当前玩家完成或正在进行。另一方面，许多采用基于地标定位的初创公司仍然在搜集高精地图的定位特性数据。但这里的关键是这种地图属性是否可以大规模生成。
因此，似乎采用像摄像头这样廉价的传感器众包此类数据几乎是唯一可扩展的方式，这就是为什么Mobileye 会占主导地位。但像 Deepmap 、Civil Maps 、Carmera 、Mapper 、Netradyne 、Lvl5、Atlatec 这类初创公司也非常值得关注，而甄别其实力的关键就是是否具备地图生成与维护的自动化的能力。
数据所有权问题
Mobileye 使用自己的摄像头和紧密耦合的基于 AI 的感知算法提供完整的绘图与定位堆栈，是感知与定位齐头并进。相比之下，特斯拉不收集基础地图数据，他们收集真实数据来训练他们的感知和预测算法。Mobileye 是一个“自己的联盟”，他们不只是收集数据，还在云端处理它们并销售定位算法。
但要注意的是，Mobileye 并不拥有这些数据，除非他们能够制造出像在以色列那样的完整的车辆系统。通常拥有这些数据的是主机厂，因为他们通过 Mobilye 的 EyeQ4 视觉系统与他们的车辆收集数据。这种数据所有权模式也是目前行业的争论热点之一，实际上 Mobileye 可能无法拥有全部数据，因为主机厂一定会努力争取整个绘图与定位的全栈模型。定位是主机厂的核心 IP ，这一点他们无法真正拱手让给第三方供应商或图商们去做。
挑战在于基于高精地图进行定位就需要车载连接、大规模的数据覆盖及动态地图数据管理工作流程。在这一方面，除了特斯拉外，还没有哪个主机厂能够实现。