2026-06-18 — views

自动驾驶地图技术——高精地图对比纯视觉，谁将赢得道路测绘竞赛？

Waymo押注厘米级高精地图，Tesla押注纯视觉实时建图，Mobileye押注众包地图层——三种架构对AV扩张经济学影响截然不同。

实体AI基准系列第72篇——地图架构与扩张经济学

自动驾驶汽车如何知道自己身在何处、前方道路是什么样子，是AV设计中最具决定性的架构选择之一。Waymo采用厘米级高精地图结合实时传感器融合；Tesla押注纯视觉实时建图，不依赖预建地图；Mobileye则在建立名为REM（道路体验管理）的众包地图层，由数百万辆量产车的摄像头数据汇聚而成。

三种方法都在回答AV必须持续解答的三个问题：我在哪里？我周围有什么？接下来会发生什么？但答案对扩张速度、单城市启动成本、维护开销、边缘案例安全边际，以及最终竞争护城河的影响截然不同。

第一节——地图对自动驾驶汽车的意义

单靠GPS只能提供约3米的定位精度——这看似精确，但标准美国高速公路车道宽约3.7米。高速行驶需要厘米级定位，GPS单独无法实现。

问题	人类驾驶员的答案	仅靠AV传感器的答案	AV加高精地图的答案
我在哪里？	视觉地标、路牌、GPS	GPS（约3米精度）加传感器相对定位	高精地图加GPS加传感器匹配——厘米级精度
周围有什么？	直接视觉感知	激光雷达加摄像头加毫米波雷达点云（仅实时）	实时传感器与已知地图特征交叉对比
接下来是什么？	经验、路牌、直觉	无地图则无前瞻能力	地图提供车道拓扑、交通信号、限速、已知障碍物
路口几何形状	记忆或临近阅读	仅实时；预览有限	提前掌握完整路口几何；车辆预先规划行驶轨迹
减速带与路面损坏	遇到时察觉	实时检测	预先知道；车辆提前降速

定位问题： 高精地图通过提供已知特征的参考层（道路标线、路缘石、灯柱、建筑物）来解决GPS精度不足问题，传感器实时与之匹配。这称为地图匹配定位。车辆当前位置的激光雷达点云叠加在存储的地图点云上，两者之间的偏移量即可实现厘米级定位。

第二节——高精地图：Waymo的方式

Waymo的架构是最成熟的商业高精地图AV部署。每个Waymo运营区域在商业服务开始前都已由专属测绘车辆预先完成地图制作。

属性	详情
地图类型	运营区域每条道路的厘米级精度3D高精地图
地图制作	专属测绘车辆多次行驶每条道路；激光雷达、摄像头、雷达采集完整场景模型；人工标注员标记车道、信号灯、路牌、人行横道
更新频率	道路特征改变时必须更新——施工区、新信号灯、车道重新划线。测绘车辆估计每隔数月重新覆盖每座城市（估计值）
定位方法	实时激光雷达点云与存储高精地图匹配；实现厘米级定位
优势	已知道路几何形状可实现预先轨迹规划；降低实时计算负荷；定位置信度极高
劣势	无地图即无法运营。新城市需完整测绘后才能商业启动。地图漂移——更新周期间道路变化——在地图与现实之间造成差距
扩张限制	每座新城市在第一次商业行程前需数周至数月的测绘、标注与审核
地图所有权	Waymo自建自维护地图；不依赖HERE、Google地图或TomTom的高精地图

高精地图的预先规划优势十分显著。因为Waymo的车辆在距路口200米前就知道路口几何形状，可以提前规划减速、车道定位和信号时序策略，降低实时感知系统的计算压力，并提供额外安全缓冲。

第三节——纯视觉实时建图：Tesla的方式

Tesla的FSD（完全自动驾驶）架构完全消除了预建高精地图的依赖。车辆的八颗摄像头为神经网络提供数据，在每次行程中实时构建场景表示——不需要存储地图。

属性	详情
地图类型	无预建高精地图；Tesla FSD通过FSD神经网络从八颗摄像头实时构建场景表示
定位方法	视觉定位；神经网络实时识别车道标线、路边、路牌等特征。仅用OpenStreetMap级别道路拓扑进行高层级路线规划
训练数据	逾600万辆Tesla贡献视频数据；车队作为大规模分布式传感网络
优势	无地图依赖——可在任何有道路的地方运营。新地区无需部署测绘车辆。不存在地图漂移：摄像头立即看到当前道路状态
劣势	实时计算负荷更高——每次行程一切都需从头感知。无法预看传感器范围之外。定位精度依赖可见特征——沙漠、暴风雪、浓雾等缺乏特征的环境中性能下降
扩张经济学	与高精地图方式根本不同：Tesla仅需监管批准即可在新国家启用FSD——无需预先测绘
地图漂移	不存在此类故障模式；新坑洞或车道重新划线立即被摄像头看到

车队规模优势是Tesla在纯视觉方法中最持久的结构性资产。逾600万辆全球车辆（估计值）收集道路视频，Tesla的神经网络训练数据涵盖的道路条件多样性、边缘案例丰富度和地理覆盖广度，是任何依赖专属测绘的AV项目所无法比拟的。

第四节——Mobileye REM：众包地图层

Mobileye的REM（道路体验管理）是结合高精地图和视觉方法的第三种架构。它不部署专属测绘车辆，也不完全依赖实时感知，而是从已装载其EyeQ芯片的量产车辆持续更新的众包地图。

属性	详情
方式	从搭载Mobileye EyeQ芯片量产车的摄像头数据建立的众包高精地图
运作原理	每辆REM设备车辆匿名上传轻量”道路签名”——车道标线、道路边界、路牌位置。汇聚数百万辆车辆后形成持续更新的地图
覆盖范围	Mobileye声称来自宝马、通用、日产、大众等OEM车队的REM数据超过10亿公里（估计值）
更新率	近乎实时——每辆REM设备车辆行驶任一道路都贡献更新；道路变化在数日内传播至地图（估计值）
优势	测绘成本远低于专属测绘车辆。随OEM合作伙伴车队规模自然增长。无需专属维护基础设施，自我更新
劣势	地图质量取决于各区域车队密度——农村和新兴市场可能覆盖稀疏
AV应用	Mobileye的AV技术栈（SuperVision和Chauffeur）使用REM作为高精地图层，为OEM合作伙伴提供”含地图”方案

REM的商业模式意义重大。通过专属测绘车辆测绘每公里道路的成本估计达数百美元（考虑车辆运营、驾驶员成本和标注人力）。REM的众包方式将此成本分散到已出于其他目的在这些道路上行驶的OEM车队中。

第五节——扩张经济学比较

架构选择从根本上是扩张经济学的决策。三种主要方式在新地区的成本结构、启动时间和维护负担上存在根本差异。

方式	新城市启动成本（估计值）	启动时间（估计值）	持续地图维护	边缘案例风险
Waymo高精地图	高——专属测绘车辆加标注加审核（估计每座城市50万至500万美元）	2至6个月（估计值）	每座城市持续测绘和标注成本	更新周期间的地图漂移；道路变化在存储地图与现实之间造成差距
Tesla纯视觉	近零——不需要测绘	数天（仅需监管批准）	零地图维护成本	缺乏特征的环境；完全依赖实时感知，无备用地图层
Mobileye REM	低——利用该地区现有OEM车队	数周至数月，取决于车队密度	通过众包自我维护	低密度地区或新兴市场车队覆盖稀疏
HERE或TomTom高精地图	授权费——AV公司支付许可费用	主要市场有现成地图；因地区而异	由HERE或TomTom管理；客户支付订阅费	相对Waymo自有地图的更新滞后

全球AV竞赛的扩张含义：Tesla的纯视觉方式是唯一无需测绘前提即可全球扩张的架构。Waymo的地理扩张时间表在结构上受测绘需求约束——每座新城市都是数月的测绘行动。这是Waymo全球时间线以每城市数年计算，而Tesla FSD理论上可通过软件更新在任何国家启用（取决于监管批准）的核心结构原因之一。

第六节——地图精度与安全权衡

每种架构在对商业部署至关重要的驾驶场景中呈现不同的安全特性。

场景	高精地图方式	纯视觉方式
已知环境，标准条件	非常高——地图提供定位基准	良好——神经网络感知在常见场景中已相当成熟
未知或未测绘环境	无地图无法运营	原生支持——无地图依赖；可在任何道路上运营
地图漂移：车道已不存在	若地图显示已关闭的车道可能有风险；需要传感器覆盖	立即看到当前道路状态；无过期地图需要覆盖
GPS拒绝环境	可用地图匹配取代GPS；激光雷达提供定位	更依赖GPS进行路线规划；定位可能下降
夜间或低能见度	激光雷达地图匹配在黑暗中仍有效	摄像头感知在低光环境下下降
新型障碍物：新施工	地图显示旧道路；实时传感器检测障碍物并应覆盖	直接看到障碍物；无地图预期冲突
复杂城市路口	优秀——完整路口几何预先已知；车辆预先规划	较难——必须实时从视觉特征解析复杂几何

第七节——关于本系列

本文是实体AI基准系列的第72篇。前71篇涵盖了上坡指数、人形机器人竞赛、单位经济学、全球竞争、高精地图、软件与OTA、消费者需求、竞争护城河、Cybercab对比Model Y、安全数据、Waymo Gen 6、Optimus制造、记分卡快照、2030年情境预测、投资者框架、城市扩张管线、Tesla FSD州批准地图、AV天气与气候限制、人才战争、监管日历、Robotaxi票价定价、人形机器人部署追踪器、供应链分析、消费者采用需求指数、估值与IPO分析、实体AI 2026年中盘点、AV单位经济学每英里成本分解、AV数据飞轮比较、AV网络安全攻击面、实体AI供应链、AV车队运营、AV保险与责任演进、实体AI全生命周期环境成本，以及老年人与残障者无障碍层。

本文新增了地图架构层：三种回答AV基本问题”车辆在哪里、道路是什么样子”的竞争方法，以及这一架构选择如何塑造全球自动驾驶竞赛中的扩张经济学、安全特性和竞争护城河。

注意： 成本估计、覆盖数字和车队规模估计标记为”估计值”，反映公开可用信息、行业分析及公司公开数据。本文不构成投资建议。