2026-06-18 — views
HD 地图 vs 无地图自动驾驶 — Tesla 与 Waymo 为何在地理扩张上押注相反？
HD 地图 vs 无地图架构：这一个设计选择如何决定 Waymo 与 Tesla 在地理规模、成本与护城河上的长期命运。
实体 AI 基准测试系列第 56 篇 — 一个架构，两种未来
在自动驾驶产业所有技术决策中，没有任何一项比这个更具战略意涵：自动驾驶车辆是否应该在抵达前就”知道”那条路长什么样子？
Waymo 的答案是”是的”。在任何 Waymo 机器人出租车上路之前，那条路已由专业测绘车辆预先扫描，转换为厘米精度的三维模型，并作为车辆行驶期间持续对照的”先验知识”载入系统。自动驾驶车不只靠当下感知来导航，更不断将即时传感器输入与地图记载的”预期状态”互相比对。
Tesla 的答案是”不需要”。FSD 只使用摄像头和神经网络实时解读道路环境，完全不依赖预建的 HD 地图。车辆在每个时刻从训练过的每条道路中，全新感知车道几何、标志位置与道路边界。
这种架构分歧并非工程偏好的意外产物。它反映了对于自动驾驶规模化瓶颈的根本分歧信念——而这个信念，将比几乎任何其他因素更决定性地影响两家公司的地理扩张速度与长期成本结构。
第一节 — HD 地图究竟是什么
“地图”这个词具有误导性，因为它让人联想到消费者导航产品。自动驾驶使用的 HD 地图与 Google Maps 所提供的是截然不同的东西。
| 维度 | 标准道路地图（Google Maps） | HD 地图（自动驾驶等级） |
|---|---|---|
| 精度 | 车道级（约 3–5 米精度） | 厘米级（2–10 厘米精度） |
| 内容 | 道路名称、转弯限制、速限 | 车道标线、路缘位置、交通标志精确 3D 坐标、道路地面标记、净空高度 |
| 3D 结构 | 最少高程数据 | 道路环境完整 3D 点云 |
| 更新频率 | 数周至数月 | 道路异动后须在数小时至数天内更新 |
| 数据来源 | 卫星加 Street View 众包 | 搭载 LIDAR 与摄像头的专业测绘车辆 |
| 每英里存储量 | 千字节（KB） | 兆字节至吉字节（MB–GB） |
| 制作成本 | 低（众包） | 高：需要专业测绘车队、计算资源与存储设施 |
HD 地图在自动驾驶系统中扮演的角色细腻而强大。它不取代感知——自动驾驶仍使用摄像头和 LIDAR 感知当下世界。地图提供的是信心基准。当 LIDAR 检测到疑似车道边界的信号，HD 地图可以确认或否定该位置是否应该存在车道边界。当视觉条件恶化——大雨、强烈逆光、褪色的道路标线——地图提供了车辆可以依附的地面真实。这种降噪功能正是 Waymo 等依赖 HD 地图的公司主张地图不是拐杖而是基础可靠性层的工程理由。
第二节 — Waymo 的 HD 地图依赖方法
Waymo 系统将 HD 地图视为每个作业阶段的第一等输入，从初始部署准备到商业载客期间的实时定位皆然。
| 面向 | 细节 |
|---|---|
| 运作方式 | Waymo 在机器人出租车上路前先行派出专业测绘车辆；自动驾驶车的感知系统实时于 HD 地图中定位自身，达到厘米精度 |
| 定位方法 | LIDAR 点云与存储的 HD 地图比对——即使在视觉条件恶化时仍具高精度 |
| 作业范围 | Waymo 只在已测绘区域作业；扩张至新城市或新社区需先完成测绘 |
| 测绘车队 | Waymo 已多年运营专业测绘车辆；测绘里程达数万英里（估计值） |
| 地图更新流程 | 施工、道路变更、新增标志必须检测到后更新地图，才能让自动驾驶在该区域安全作业 |
| 优势 | 非常高的定位信心；可根据已知道路几何预先规划路线；降低实时感知负担 |
| 劣势 | 地理扩张速度受测绘速度限制；无法在未测绘区域作业；地图维护是持续性成本 |
| 战略意涵 | Waymo 的已测绘区域是专有资产——但也是瓶颈。亚特兰大规模的城市，机器人出租车上路前需要数月测绘工作。 |
LIDAR 对 HD 地图比对所实现的定位精度确实令人印象深刻。在视觉条件恶化的场景——大雨、强烈日落逆光、施工扬尘——Waymo 车辆仍能以厘米精度知道自己的确切车道位置，因为 HD 地图缩小了解空间。这在 Waymo 实际作业的特定地理范围内，是切实的安全优势。
这项优势的代价是地理囿限。Waymo 无法自发绕行至新社区。无法因洪水将交通导至未测绘道路而随机应变。每一个新的城市街区，都需要一次专属的测绘工作才能商业化启用。
第三节 — Tesla 的无地图方法
Tesla 的 FSD 架构完全抛弃了 HD 地图的依赖。系统依赖来自摄像头的实时神经网络推论，推导车辆逐车道、逐标志导航所需的一切。
| 面向 | 细节 |
|---|---|
| 运作方式 | FSD 只使用实时摄像头输入；无 HD 地图依赖；神经网络从当下所见推论道路几何、车道位置与导航 |
| 定位方法 | GPS 加标准地图（OpenStreetMap/Google 路线规划）导航；摄像头感知精确车道级驾驶 |
| 作业范围 | 理论上任何有标准道路标线的地方皆可作业——无需预先测绘 |
| 优势 | 可立即在任何新地理位置作业；无测绘车队成本；规模化取决于摄像头硬件，而非地图覆盖范围 |
| 劣势 | 更高的实时感知需求；在道路标线不清晰、磨损或缺失的边缘情境更脆弱；在陌生环境中锚定性较低 |
| 地理意涵 | Tesla Cybercab 理论上可在任何美国城市上路而无需测绘前置作业——法规核准是唯一门槛，而非 HD 地图覆盖 |
| 车队训练替代品 | Tesla 不用预建地图，而是依赖从数百万辆车队车辆训练数据中见过的相似道路几何；神经网络在其权重中建立隐性空间模型 |
无地图方法的哲学前提是：一个足够强大的神经网络应该能处理任何它未曾见过的道路，就像人类驾驶可以在没有卫星测量的情况下导航陌生街道一样。这个赌注是：从多样化训练数据的泛化能力，比预先以结构化地图编码世界更具可扩展性。
Tesla 的车队规模数据优势放大了这个赌注。数百万辆车辆从全球各地道路产生摄像头影像，任何给定道路类型、路口几何或环境条件在训练中被遇到的概率很高。神经网络权重中编码的隐性地图，通过车队集体驾驶经验持续更新——一种不需要专业测绘车辆造访每条道路的地图更新形式。
第四节 — 工程取舍
将这个问题框架为单纯的”有地图更好”或”无地图更好”会错失取舍的真正结构。两种方法对哪些工程问题更容易解决押下了不同的赌注。
| 维度 | HD 地图方法（Waymo） | 无地图方法（Tesla） |
|---|---|---|
| 扩张速度 | 慢：先测绘，再作业 | 快：无需预先测绘 |
| 作业信心 | 在已测绘区域高；超出范围后失效 | 不一；取决于训练覆盖率 |
| 地图新鲜度风险 | 地图更新与自动驾驶作业之间的道路变更造成安全缺口 | 无陈旧性风险——始终是实时的 |
| 计算分布 | 地图预计算减轻部分实时工作量 | 所有计算必须在车上实时发生 |
| 边缘案例处理 | 已知边缘案例预编码于地图中；意外道路几何更难处理 | 神经网络可泛化；但真正陌生的几何仍可能失败 |
| 成本结构 | 高前期（测绘车队）加上持续（地图维护） | 前期较低；成本在训练数据与计算 |
| 全球扩展性 | 以 HD 精度测绘整个世界是数十年的工程（估计） | 规模化取决于道路存在，而非地图覆盖 |
地图新鲜度风险值得特别强调。HD 地图的准确性以最后更新为基准。如果施工人员一夜之间设置了新护栏、改变了车道方向或移除了红绿灯，HD 地图现在就是错的。自动驾驶车感知到与地图矛盾的事物，必须决定信任哪个。无地图系统没有等效的陈旧性问题——其感知始终是当前的，好坏皆然。
无地图系统上的实时计算负担是等效的负债。Waymo 车辆可以使用 HD 地图来精简感知工作量：在地图已经编码为只有护栏的区域，它不需要执行完整目标检测。Tesla FSD 系统无法做这种精简——它必须在每一帧、每一车道、每个物体上始终执行完整感知。这对车载计算和能源提出了更高要求。
第五节 — 中间路线：众包与轻量地图
并非所有自动驾驶公司都选择了非此即彼的极端立场。一系列中间地图策略已经浮现，每种都试图在减少测绘车队依赖的同时，捕获部分 HD 地图的精度优势。
| 公司/方法 | 地图策略 |
|---|---|
| Mobileye | ”道路体验管理”（REM）——从配备摄像头的车辆众包建立轻量地图；分辨率低于 Waymo 的 HD 地图，但可通过已上路量产车辆扩展 |
| Cruise（停业前） | 旧金山的 HD 地图；向新城市的扩展可扩展性是公认挑战 |
| 百度 Apollo | 中国城市的 HD 地图；依赖政府合作取得测绘数据与许可 |
| Zoox（亚马逊） | HD 地图；专为已测绘城市走廊设计的双向目的地车辆 |
| Comma.ai | 完全无地图；社区打造的 OpenPilot 在标准车辆上只使用摄像头运行，无任何 HD 地图依赖 |
| GM Super Cruise | 需要 HD 地图（由 LIDAR 测量的已测绘高速公路）；能力仅限于特定道路类型 |
Mobileye 的 REM 方法是最具战略意义的中间路线。它不部署专业测绘车队，而是从已售出并正在行驶的量产车辆汇总摄像头数据来建立道路模型。每辆搭载 Mobileye 系统的汽车都成为测绘代理人。由此产生的地图分辨率低于 Waymo 基于 LIDAR 的 HD 地图，但更新频率可能高出许多——任何在过去 24 小时内被 REM 装备车辆行驶过的道路都有新鲜数据点。
2025–2026 年的新兴方向是将轻量众包地图作为中间路线——比纯 GPS 导航提供更好的定位，但规模化方式不同于传统 HD 测绘计划。
第六节 — 观察指标：地理规模测试
HD 地图对无地图的论战将在 2020 年代晚期以实证方式决出胜负。测试很简单：哪种方法能以更快速度、更低持续成本在更多地方商业运营？
| 测试 | Waymo 预测 | Tesla 预测 |
|---|---|---|
| 新城市上线时间 | 6–18 个月（测绘加法规） | 1–3 个月（若 FSD 获无人驾驶商业作业核准，仅需法规） |
| 农村道路表现 | 有限——未测绘区域禁止进入 | 若神经网络在训练中见过相似道路类型，应可运作 |
| 国际扩张 | 每个国家需要新的测绘计划与数据共享协议 | 取决于训练数据的地理覆盖范围——全球车队数据是潜在加速器 |
| 规模化地图维护成本 | 可观的持续运营成本：检测变更、更新地图、重新部署前验证 | 最低——无地图需维护；通过 OTA 车队学习更新模型 |
| 若无地图方案成功 | Tesla 的地理扩张速度快出数个量级 | — |
| 若无地图方案不足 | HD 地图精度被证明是十亿英里安全记录所必需 | — |
答案并非预先决定。若无地图系统在 HD 地图本可预防的情况下失败——遗漏了地图本应强制执行的车道边界——这强化了 Waymo 架构的论点。若 Waymo 因陈旧地图与现实道路冲突而暂停运营，则论点反转。
清楚的是，地理规模测试将在完全公开的情况下展开。两家公司都在商业扩张中。Waymo 在旧金山、凤凰城、奥斯汀和亚特兰大运营。Tesla 的 Cybercab 将奥斯汀定为 2025–2026 年有限上线的目标。每家公司进入新城市的速度，以及在此过程中建立的安全记录，将决定市场最终验证哪种架构赌注。
资料来源：Waymo 技术总览（waymo.com/waymo-driver/）；Tesla AI 博客与 Vision 文件（tesla.com/AI）；Mobileye 道路体验管理（REM）概述（mobileye.com/technology/rem/）；GM Super Cruise HD 地图道路要求（gm.com/innovation/super-cruise）。所有标记（估计）的数字均来自公开公司材料、产业报导与分析师研究，未经独立验证，应视为方向性而非精确性。本文不构成投资建议。
来源
- Waymo 定位与地图技术 — Waymo 技术总览 ↗
- Tesla Vision — 无地图 FSD 方法 — Tesla AI 博客 ↗
- Mobileye 道路体验管理 (REM) — Mobileye ↗
- GM Super Cruise HD 地图道路 — 通用汽车 ↗