“无人驾驶”这个词在2018年可谓是出尽了风头，海内各种互联网巨子加持，不可谓不热闹，无人驾驶彷佛成理解决现在互联网公司焦虑的“万金油”。估值是悬在这些上市公司的一把利剑，他们须要给股东们讲一个没有天花板的故事，而充满乌托邦意味的无人驾驶场景该当会是一个让人热血沸腾的故事。
在2018年7月4日的百度 AI 开拓者大会上，百度集团的创始人李彦宏宣告作为环球首款的L4 级量产自动驾驶巴士‘阿波龙’已经量产下线，目前也已投入到多个园区的运营中。
2018年6月18日上午，京东在北京海淀区的上地配送站，投放了20余台京东配送机器人，首批载有618订单的京东配送机器人从上地站发出，这一事宜让京东赚足了眼球，也预示着快递无人配送时期可能真的要来临了。
2018年9月19日杭州云栖大会开幕，菜鸟ET物流实验室在现场发布了两款新零售物流无人车，车上分别搭载了刷脸取件柜、零售货架等。
对付无人驾驶，如果无法做到100%准确，那基本上在工程上便是失落败的，宣扬上也只能是噱头大于实际，但是对付科技行业始终都须要抱着一颗敬畏的心，很多事情很可能是“不是不到只是时候未到”，一旦得到关键技能的打破，市场的需求也就会立马开释出来，而和无人驾驶密切干系的“高精舆图”目前也是制约无人驾驶发展的关键技能。
无人驾驶方案各大厂商大同小异，但是基本的逻辑是相同的，从学习的角度来看，目前已经开源的百度Apollo无疑是一个极好的路子，下面是百度的Apollo无人驾驶的软件架构以及关键模块的解释。
Perception（感知） — 感知模块识别自动驾驶车辆周围的天下。感知中有两个主要的子模块：障碍物检测和交通灯检测。Prediction（预测） — 预测模块预测感知障碍物的未来运动轨迹。Routing（路由） — 路由模块见告自动驾驶车辆如何通过一系列车道或道路到达其目的地。Planning（方案） — 方案模块方案自动驾驶车辆的韶光和空间轨迹。Control（掌握） — 掌握模块通过产生诸如油门，制动和转向的掌握命令来实行方案模块产生的轨迹。CanBus — CanBus是将掌握命令通报给车辆硬件的接口。它还将底盘信息通报给软件系统。HD-Map（高精舆图） — 该模块类似于库。它不是发布和订阅，而是常常用作查询引擎支持，以供应关于道路的特定构造化信息。Localization（定位） — 定位模块利用GPS，LiDAR和IMU的各种信息源来定位自动驾驶车辆的位置。HMI — Apollo中的HMI和DreamView是一个用于查看车辆状态，测试其他模块以及实时掌握车辆功能的模块.监控 — 车辆中所有模块的监控系统包括硬件。Guardian — 新的安全模块，用于干预监控检测到的失落败和action center相应的功能。实行操作中央功能并进行干预的新安全模块应监控检测故障。
从上面的软件架构图可以看出，高精舆图（High Definition Map）在全体方案中是最根本的技能支撑，上层的定位、感知、方案均依赖高精舆图，用百度工程师的话来说，L3以上的自动驾驶如果没有高精舆图作为支撑则无从谈起。
高精舆图不同于我们平时利用的电子舆图，它是专门为驾驶机器人设计的舆图。机器通过存储可以具备极强的影象能力，而在视觉剖析和逻辑判断上则比较弱，比如：你可以根据看到的东西和 GPS 供应的信息确定你自己的位置；还能轻松准确地识别障碍物、其他车辆、行人和交通信号灯。但这对无人驾驶汽车来说是一项非常艰巨的任务。正因如此，高精度舆图是当前无人驾驶汽车技能不可或缺的一部分，下面从定位、感知、方案三个方面展开谈论高精舆图和无人驾驶的关系。
我们要在高精度舆图上进行定位，这就意味着我们须要弄清楚我们在舆图上的位置。RTK+惯导是我们常用的组合定位方法，RTK在空旷区域定位效果好，但是它更新频率低，随意马虎受遮挡影响，这个时候须要引入频率更高的惯性导航进行赞助，但是惯导随意马虎产生偏差累计，因而在极度环境下这两种组合也不能做到万无一失，这时候就须要引入摄像机或者激光雷达，通过这两种设备进行图像以及点云数据的网络并进行特色提取，然后将这些特色和高精舆图中的特色进行比拟并领悟组合定位数据从而推断出车辆自身的位置，百度Apollo利用卡尔曼滤波的方法进行传感器数据领悟。
无人驾驶汽车可以利用高精度舆图来帮助感知，摄像机、激光雷达和雷达探测物体的能力在超过一定间隔后都会受到限定，在恶劣的景象条件或夜间，传感器识别障碍物的能力可能会进一步受到限定。其余，当汽车碰着障碍时，传感器无法透过障碍物来确定障碍物后面的物体。在这种情形下，高精度舆图可以将交通信号灯的位置供应给软件栈的别的部分，帮助汽车做出下一个决策。
高精度舆图可以帮助车辆找到得当的行车空间，还可以帮助方案器确定不同的路线选择，并帮助软件确定道路上其他车辆在将来的位置。高精度舆图可帮助车辆识别车道的确切中央线，这样车辆可以尽可能地靠近中央行驶，在具有低速限定、人行横道或减速带的区域，高精度舆图能让无人驾驶汽车提前查看并预先减速。更主要的是，如果前方有障碍物，车辆可能须要变道，高精度舆图可以帮助车辆缩小选择范围，以便选择最佳方案。
高精舆图现在的采集办法分为两种：集中式采集和众包采集模式。“众包制图”是一种舆图数据采集生产模式，相对应的是“集中制图”，两者在舆图行业都不是什么新名词。目前有BAT背景的、规模较大履历丰富的老牌舆图公司，比如高德舆图、四维图新、百度舆图都是集中制图，自主采集和生产、加工高精舆图；而一些规模小、新进入的初创公司，比如宽凳科技、Momenta等，都是众包制图模式。
集中制图的厂商一样平常采取激光模式，采集依赖专业采集车，采集设备有几个比较核心的部件，包括激光雷达、IMU（惯导系统）、GNSS、高精度轮速仪以及相机等。只有专业的、高性能、高精度的采集设备，才能担保终极高精舆图数据的精度。目前采取集中制图的高德舆图，供应的高精舆图相对精度可以达到10cm以内，而高德舆图和千寻位置互助推出的“高精舆图+高精定位”一体化办理方案，车道级定位效果能够实现普通道路条件下横向偏差和纵向偏差在7cm以内，高速/城市环路条件下横向偏差6cm，纵向偏差5cm以内。
大部分初创舆图公司的众包制图，是采取视觉模式（相机、摄像头）替代专业采集车的激光雷达，优点是本钱低，数据来源广，但数据乱、精度差，静态数据精度和依赖专业设备采集的高精舆图尚不能同日而语，更多是作为高精舆图动态数据部分的补充。高精舆图也须要为自动驾驶供应动态、实时的数据做事，比如动态交通信息、聪慧红绿灯等交通举动步伐信息、施工等临时或突发信息等，这部分动态数据更适宜由众包制图模式来实现。
高精舆图分为两个层级，下层的是静态高精舆图，上层是动态高精舆图。
静态高精舆图中包含了车道模型、道路部件、道路属性和其他的定位图层，这是现阶段图商重点在做的。首先高精舆图要知足车道级的自动驾驶导航，因此须要包含道路细节信息，如车道线、车道中央线、车道属性变革等，比如能让汽车知道哪些区域是虚线能够变道。此外车道模型中还须要包含道路的曲率、坡度、航向、横坡等数学参数，好让车辆能够准确的转向、制动、爬坡等。这些信息构成了车道模型。还须要包含交通标志牌、路面标志等道路部件，还要标注出分外的点如GPS消逝的区域、道路施工状态等。
NDS和OpenDrive是目前常用的两种静态高精舆图存储规范，标准规范的浸染在于分离导航软件与舆图数据以及不同导航系统间数据兼容。
NDS构造中两个基本观点：
Product database，一个NDS数据库可能由几个产品组成。每个产品相对独立，版本掌握及更新不受其他产品影响。如一个NDS包括一家公司的基本导航舆图数据，和其余一家公司的兴趣点数据；
Update Region，更新区域能使 NDS数据库能增加和更新更换地理信息，以区域为单位，如国家（欧洲）或州（美国）。
NDS内部的构造包含三个组成部分：
Building Blocks，所有导航数据都属于一个特定的building block，而一个building block能供应NDS的一个详细功能，范例的building block包括：路径方案、基本舆图显示信息、语音等；
Level，由于空间尺度的不同，数据在block中可以划分为不同level，大尺度空间的数据放在high level中，而细节数据，放在low level中，对应传统电子舆图中的金字塔构造；
Content，个中存放了主题的舆图数据，紧张包含三个部分：Feature，Attribution和MetaData这个和传统的电子舆图在观点上是同等的，只是个中Feature表达的内容的侧重点更侧重于道路交通等，如下图所示。
OpenDrive的定义中包含四个比较主要的观点：坐标系、reference line（参考线）、车道（lane）、道路连接。
坐标系，OpenDrive中利用geoReference元素定义了该文件利用的投影坐标系，个中地理坐标系为WGS-84，而投影坐标系采取的是Transverse_Mercator，横轴墨卡托投影，这是全局坐标，局部坐标利用<s,t,h>表示，s表示参考线切线方向，t垂直于s，参考线左边为正，h表示垂向。
reference line是路网构造中一个很主要的观点，绘制舆图的时候先是画reference line，reference line包含xy位置坐标、路的形状属性，然后在reference line根本上再去画其他其他元素。
下图是OpenDrive中路网构造中的一个road，该road有三部分组成，蓝色的reference line，车道lane，车道lane的其他feature(限速等)。
一个road中包含了很多的车道lane(lanes)，而车道(lane)本身有宽度(width)，以及虚线、实线等属性参数(roadMark)。结合这些参数，我们就能在reference line的根本年夜将车道画出来。
road之间的连接定义了两种(每个road有唯一的ID)，一种是有明确的连接关系，例如前后只有一条road，那么通过successor/predecessor进行连接，如果前后的连接关系不是很明确，就须要一个junctions。
国外的高精舆图紧张有Here、TomTom、Waymo（原Google舆图）等老牌图商，个中Waymo的高精舆图目前仅用于自己的无人车表露信息非常少。此外由于美国的舆图测绘政策限定较少，因此成为高精舆图创业者的天国，比较有名的初创公司DeepMap、CivilMaps、lvl 5、Carmera。
和国外不同，我国有比较严格的舆图测绘政策限定，目前拥有“导航电子舆图资质单位名单”的企业有18家。分别是四维图新、高德、长地万方、凯德、易图通、城际高科、国家根本地理信息中央、科菱航睿、光庭信息、浙江省第一测绘院、江苏省根本地理信息中央、灵图、立德空间信息、滴图科技、图智科技、宽凳科技、江苏晶众。百度舆图便是通过子公司长地万方开展导航电子舆图测绘的。海内的舆图行业呈现三足鼎立的状况，百度舆图、高德（阿里）、四维图新（腾讯），其背后是互联网巨子对舆图入口的争夺。当然主机厂也不会将自动驾驶时期的附加红利拱手让给科技公司，比如上汽一方面跟阿里成立了合伙的斑马网络，开拓了车载操作系统，里面利用了高德的舆图，一方面又向高精舆图初创公司中海庭抛去了橄榄枝。
总的来说，高精舆图是目前L5以下的无人驾驶看得见的可行的根本办理方案，对付未来L5是不是仍旧利用高精舆图目前还不清楚，那在现有条件下如何大规模，高时效的进行高精舆图数据的采集、更新，是全体行业该当思考的问题。