最詳細的世界地圖將是汽車地圖 而不是人類地圖

汽車和科技行業的重量完全支持自動駕駛汽車的發展。“有限自主”汽車。未來五年，我們應該具備一定條件下(三級)或特定地理位置下(四級)的自動駕駛能力。

然而，一輛完全自動駕駛的汽車——可以在任何時間和任何地點行駛，它只需要人工輸入來告訴它目的地——仍然是一個遙遠的目標。為了實現這一目標，汽車將需要知道自己在世界上的確切位置，而且精度遠高于目前GPS等技術所能達到的水平。這意味著新地圖比你在附近加油站買的任何地圖都要精確得多。

充分意識到這種需求，寶馬、奧迪、奔馳、福特等汽車制造商一直在用錢包投票。他們投資了像Here和Civil Maps這樣的公司，這些公司正在建立收集所需數據的平臺。最終的結果會是一張高清的3D路網圖，以及周圍幾米內的一切，在車輛行駛過程中會不斷更新。

該公司負責高度自動駕駛的副總裁桑杰索德(Sanjay Sood)表示，高清地圖的制作始于2013年。“HD的概念圖是作為一個聯合項目在這里創建的，戴姆勒奔馳也由此誕生。我們開發了一項核心技術，HD map是作為一個研究原型創建的，旨在通過德國農村推廣汽車的功能，”他告訴ars。“在自動駕駛方面，地圖成為了另一個幫助自動駕駛汽車做出決策的傳感器。”

第一步是創建初始地圖，包括傳感器覆蓋的地圖車，這讓谷歌的街景車相形見絀。這里使用的車輛配備了車頂傳感器桅桿，該桅桿配備了9600萬像素的攝像頭、32束威力登激光雷達掃描儀和高精度Novatel GPS慣性測量單元。這些測繪車輛四處行駛，以3D方式掃描道路及其周圍環境，并將其發送到Here的云。通過云，這些數據被整合到真實世界的精確數字再現中。

蘇德說：“從去年開始，我們基本上一直在建立一個道路網絡，以便第一批使用這項技術的汽車可以使用這張地圖。這項技術將在2020年左右出現在道路上。”"所以我們必須在生態系統中植入一張地圖."

同樣，Civil Map剛剛發布了Atlas DevKit，這是一款為客戶開發的即插即用解決方案。“對于那些想要測試和部署自動駕駛汽車技術的人來說，高級本地化、地圖創建和眾包是關鍵挑戰，”Civil Map的聯合創始人兼首席執行官Sravan Puttagunta說。“Atlas DevKit平臺加快了創新的步伐，使開發人員能夠快速、經濟地定位車輛，構建動態地圖，并與其他車輛實時眾包關鍵信息。”

和這里一樣，Civil Maps的Atlas DevKit也使用了安裝在車頂的桅桿(可以安裝不同的傳感器)，但它也有一個更便宜的版本，可以使用光學、超聲波和雷達傳感器，這些傳感器已經在許多新車上使用。

當然，對于一項人們應該相信自己生活的技術來說，“畫”一張地圖是不夠的。相反，地圖需要不斷更新，以反映封鎖，道路工程和其他主要障礙。

這里有一些解決這個問題的方法。“我們已經在世界各地部署了數百輛這樣的測繪車，”索德解釋道。“我們與許多城市和地區當局有著非常深厚的關系。所以一般來說，當一個大型建設項目開始時，我們甚至在它開始之前就知道了。在許多情況下，我們可以在道路對公眾開放之前將車開到那里。”這將允許在道路開通或關閉的當天向車輛部署更新的地圖(通常以2km2km的形式從Here的云到達)。

但一個更具可擴展性的解決方案是使用已經使用高清地圖導航的汽車中的內置傳感器。“如今，許多高端汽車不僅有LTE連接，還配備了一套先進的傳感器；前視攝像頭，前視和后視雷達，我們正在與許多原始設備制造商合作，將傳感器數據傳輸到我們的云端。”這將意味著數以百萬計的數據點不斷上傳到云端，這里的服務器將做大量的工作來弄清楚一切。

“我們有機器學習算法和聚合算法來過濾數據，并試圖從世界上的噪音或失真中提取變化。一旦我們檢測到這些變化，我們將更新地圖，然后將其部署到飛機上。”索德解釋道。你可能會想，這也意味著要制定一套標準，叫做傳感器——，這樣不同的汽車就不會上傳完全不同的數據。畢竟寶馬7系（查成交價|參配|優惠政策）的雷達傳感器可能比大眾高爾夫（查成交價|參配|你可能只知道它是itsGPUs，但英偉達正在成為該領域的一個相當大的參與者，這要歸功于該公司在機器學習和深度神經網絡方面的專業知識。這些在自動駕駛領域有大量的應用，英偉達在這里與他們合作，還有在地圖和云到車平臺上與TomTom、百度和Zenrin合作。“高清地圖對自動駕駛汽車非常重要，”英偉達創始人兼首席執行官黃仁勛說。“在云到車地圖系統中采用我們的深度學習技術，將加快汽車制造商部署自動駕駛汽車的能力。”

英偉達的技術——和英特爾的技術——也會被要求削減帶寬成本，這些成本肯定會跟著眾包地圖車隊。Sood說：“我們正在為汽車開發一個計算平臺，汽車本身可以檢測到變化。”“目前，大量的變更檢測發生在云中。一旦你的車里有了地圖，你就可以開車環游世界，我們的目標是讓這些汽車自己進行變化檢測。所以它發送到云端的不是傳感器數據流，而是具體的‘這是環境的變化’，這是汽車看到的和地圖上顯示的區別。”這意味著在汽車中優化所有深度學習和傳感器融合工作，而不是在強大的服務器場中。