2026-06-18 — views

Physical AI 地图与定位——Waymo 厘米级精度 HD 地图 vs Tesla 无图 FSD 及地理扩展鸿沟

Waymo 以 HD 地图实现厘米级定位，每城市成本 $1-5M（估）；Tesla FSD 无图且扩展成本近零，但精度与恶劣天气韧性较低。

Physical AI 基准系列第 137 篇 — Physical AI 地图与定位：Waymo 的 HD 地图依赖 vs Tesla 无图 FSD，以及建立世界最精确道路数字孪生的技术竞赛

车辆的位置——不仅是 GPS 坐标，而是在车道层级精确到厘米的定位——是自动驾驶车辆执行所有其他功能的基础。每一个轨迹规划、每一次安全校验、每一个信号状态推断，都依赖车辆精确知晓自身相对于车道标线、路缘、停止线与斑马线边缘的位置。Waymo 维护着一套覆盖其所有运营道路的专有高精地图（HD Map）数据库，并由车队持续更新。Tesla 的 FSD v12 以上版本不需要预建 HD 地图——它仅凭摄像头的实时影像进行定位。这一架构选择决定了地理覆盖范围、扩展成本、对道路变化的适应能力，以及最终哪家公司能无所不在、哪家能在任何地方最精确。这是 Physical AI 基准系列第 137 篇。

所有标注”（估）“的数据均来自公开披露、研究论文、行业分析师估算及合理推算，并非独立验证的第一手数据。

第一节 — Waymo 的 HD 地图方案

Waymo 的定位架构建立在一套专有 HD 地图之上，该地图以低于 10 厘米的精度（估）编码了车道级别的几何结构、交通信号灯位置、限速、永久障碍物、3D 建筑轮廓及高程剖面。这张地图不是导航工具——它是车辆实时激光雷达观测数据融合的基准真值，用以确定厘米级精确位置。

组件	描述	规模	战略价值
HD 地图内容	车道级几何：车道标线、路缘、停止线、斑马线边缘的精确位置；交通信号灯位置及相位；限速；永久障碍物；3D 建筑轮廓；高程剖面	覆盖区域精度低于 10 厘米（估）	车辆不需仅依赖实时传感器即可知晓精确车道位置
地图建立流程	专用测绘车辆采集激光雷达及摄像头数据；离线处理成 HD 地图图块；随道路几何变化持续更新	Waymo 车队行驶即为地图传感器；新城市需进行专项测绘	车队即测绘员：每辆商用车同时也是地图传感器
定位	车辆将实时激光雷达观测值与 HD 地图图块融合以确定精确位置；可达厘米级定位	需要地图覆盖；在未测绘区域失效	高精度定位使轨迹规划更精细
地图更新延迟	Waymo 目标是对动态元素（施工区、新信号灯）进行近实时地图更新；永久性变化在数天至数周内更新（估）	地图过期是已知失效模式：若现实已改变但地图未更新，车辆可能行为异常	关键运营风险：已测绘城市的道路施工需要快速地图更新
地理覆盖	仅限已测绘城市：旧金山、凤凰城、洛杉矶、奥斯汀（商业运营）、亚特兰大（预上线测绘）	每个新城市需要专项测绘活动才能商业上线	主要扩展制约：无法在未完成测绘的城市上线
每城市地图成本（估）	初次测绘活动约 $1-5M（估）；持续维护约 $50 万-$200 万/年（估）	每城市固定成本，不随车辆数量扩展	若覆盖 50 个以上城市：年度地图预算约 $5000 万-$2.5 亿（估）
采用 HD 地图的竞争者	Waymo、Mobileye（REM——道路体验管理，由 ADAS 车队众包）、Aurora、Cruise	不同的 HD 地图策略；Mobileye 使用 ADAS 量产车队进行众包测绘	HD 地图维护是行业整体成本，无图方案可规避

Waymo HD 地图架构中最关键的设计选择是车队即测绘员模型。每一辆在已测绘路线上行驶的 Waymo 商用车，同时也是地图传感器——它将激光雷达观测值与存储地图对比，检测差异，并上传候选地图更新等待处理和验证。这意味着 Waymo 的地图质量随其运营城市的车队行驶里程提升，在运营范围内形成自我强化的精度飞轮。

HD 地图方案的致命弱点是地理限制。一辆 Waymo 车辆若缺少当前位置的地图图块，将无法以厘米级精度定位，也无法安全继续无人驾驶运营。这不是降级模式——这是运营边界。Waymo 不能简单地开进一座未测绘的城市。它必须派遣专用测绘车辆、处理数据、验证地图，并通常需要获得当地监管批准，才能开展第一次商业出行。这一流程在每个城市至少需要数月时间。

第二节 — Tesla 无图 FSD 方案

Tesla 的 FSD v12 及更高版本无需任何预建 HD 道路地图即可运行。车辆仅利用八个摄像头的实时观测，与从数十亿英里（估）训练数据中学到的神经表示进行匹配，实现实时定位。进入新城市前无需下载地图图块，无需离线处理流程，也无需城市特定的准备阶段。

组件	描述	优势	风险
定位方式	基于摄像头的视觉定位：FSD 将实时摄像头观测与学习到的道路视觉表示匹配；使用神经占用网络实时理解车道结构	无需预建地图；适用于任何有道路的地方	定位精度低于激光雷达-HD 地图融合；对视觉变化更敏感，如夜晚、雾天、施工
道路理解	端到端神经网络从摄像头影像推断车道边界、交通信号灯、路口、标志	可泛化至任何道路类型，包括训练时未见过的道路	依赖足够的训练覆盖以实现可靠推断
施工区处理	FSD 从摄像头观测推断修改后的道路布局；无需更新地图	只要视觉可检测，道路变化自动处理	视觉复杂的施工区可能造成混淆；FSD 脱离接管的重要来源
地理覆盖	任何有铺装道路的国家任何道路；FSD v12/v13 地理范围：美国和加拿大；欧盟等待监管批准	无限地理上限；无需预测绘活动即可在任何地方运行	尚未在大多数市场提供；各司法管辖区仍需监管批准
每城市扩展成本	地理扩展的增量成本几乎为零——不需要测绘活动	Tesla 可在数周内从美国扩展到任何国家（监管批准后），而 HD 地图公司需要数月	近零扩展成本是长期结构性优势
夜间及恶劣天气	仅摄像头意味着低光、雾天、强降雨或雪天的性能比激光雷达更具挑战性	激光雷达不受环境光影响；可在能见度低的条件下定位	纯摄像头是激光雷达倡导者最常引用的安全隐患
路口理解	FSD 必须仅从摄像头推断信号状态、行人穿越及转向许可	人类在相同条件下仅凭视觉驾驶；Tesla 认为这已足够	复杂无控制路口是 FSD 的重大挑战，也是频繁脱离接管的来源

Tesla 的无图方案不仅仅是资源受限的产物——它是一个深思熟虑的架构赌注。其论点是：一个足够健壮、可以在任何从未接受训练的城市仅凭摄像头定位和导航的系统，比需要城市特定预计算的系统更具通用性，最终更具可扩展性。车队数据飞轮强化了这一点：超过 600 万辆车辆在路上持续生成视频，Tesla 从其运营区域内遇到的每种道路类型、路口配置和天气条件中积累训练数据。

恶劣天气限制是最明显的结构性弱点。基于激光雷达的定位融合 HD 地图，在黑暗、小雨或中度降雪条件下几乎不受影响——激光雷达返回的反射几何形状与环境光无关，地图提供车辆用于匹配的基准真值。基于摄像头的定位则随传感器可见度成比例下降。强降雨、积雪覆盖车道标线、黎明黄昏的眩光，以及无灯光的农村道路夜间驾驶，都会降低 FSD 定位所依赖的视觉信号质量。

第三节 — Mobileye REM：众包 HD 地图的替代方案

在 Waymo 的专用车队 HD 测绘与 Tesla 的无图方案之间，存在第三种模式：众包 HD 地图，以 Mobileye 的道路体验管理（REM）系统为最完整代表。

指标	Mobileye REM	vs Waymo	vs Tesla
方案	众包 HD 地图：配备 ADAS 的车辆（全球 Mobileye 传感器超 3000 万辆，估）被动采集道路观测数据；汇总成持续更新的 HD 地图	Waymo：专用车队建图；REM：ADAS 量产车队自动测绘	Tesla：无 HD 地图；REM：通过量产 ADAS 车队维护 HD 地图
覆盖	已测绘路程超过 80 亿公里（Mobileye 已披露）；覆盖欧洲、北美及不断增长的区域	Waymo 覆盖：约 5-6 个城市商业运营；REM：全球覆盖	Tesla：无地图但地理覆盖无限；REM：全球地图
更新频率	近持续：每辆经过的 Mobileye 配备车辆更新地图	Waymo：商业车队路线近实时；REM：每当 REM 车辆经过时更新	Tesla：无地图可更新；REM：众包持续更新
成本模式	地图建立成本由 ADAS 市场补贴：Mobileye 向 OEM 客户收取 EyeQ 芯片费用；地图数据是副产品	Waymo 承担全部测绘成本；Mobileye 分摊至超 3000 万辆车	Tesla 完全避免测绘成本
战略意义	REM 是无图方案以外最具可扩展性的 HD 地图方案；若 AV 公司将其作为平台采用，可在接近 Tesla 地理覆盖的同时实现 Waymo 级别的定位	Waymo 若要实现全球 HD 地图覆盖，需要与 Mobileye REM 合作或许可	Tesla 的无图方案在结构上仍与两者不同

REM 的核心洞察是：当 HD 地图建立被视为现有 ADAS 量产车队正常驾驶的副产品而非专项活动时，建图成本趋近于零。一辆 Mobileye EyeQ 配备车辆经过巴黎或拉各斯，自动为全球 HD 地图作出贡献，无需任何额外仪器或成本。地图更新延迟取决于任何给定道路路段的交通密度——高流量城市核心近持续更新；低流量农村道路仅在 REM 配备车辆偶尔经过时更新。

第四节 — 定位基准：精度 vs 覆盖

AV 定位的核心取舍不是好与坏方案之间的选择——而是不同优化目标之间的抉择。Waymo 在定义的地理范围内优化最高定位精度。Tesla 以良好的定位精度优化无限地理覆盖。两者都不是严格占优的；哪个更重要取决于部署场景。

场景	Waymo（HD 地图）	Tesla FSD（无图）	胜者
已知城市、晴天、白天	厘米级定位；最大安全裕度	分米级（估）；性能良好	Waymo（精度）
已知城市、施工区	地图可能过期；信心降低；远程操作可能协助	实时摄像头推断；处理视觉可检测的变化	平局——两者均面临挑战；不同失效模式
未知城市、无预先测绘	无法运行——无 HD 地图	可立即运行	Tesla（覆盖）
夜间驾驶	激光雷达不受黑暗影响；地图融合不受影响	摄像头依赖；夜间性能下降（估）	Waymo（夜间韧性）
强降雨或降雪	激光雷达受降水部分影响；地图融合仍有帮助	摄像头受降水严重影响；定位性能下降	Waymo（恶劣天气）
农村或未铺装道路	无法在未测绘区域运行	可尝试任何有铺装的道路	Tesla（覆盖）
国际扩展	每个国家需要多年测绘活动	数周可扩展——只有监管批准是制约因素	Tesla（速度）
地图攻击面（安全）	HD 地图是高价值攻击目标；地图欺骗等于车辆混乱	无地图可攻击或欺骗	Tesla（安全攻击面）

施工区场景值得更仔细审视，因为它说明了不同架构如何以不同方式失效，而非一方严格优于另一方。Waymo 的风险是地图过期——若施工区已修改车道边界但 HD 地图尚未更新，车辆可能定位到旧的车道几何并规划出与新物理布局冲突的轨迹。Tesla 的风险是视觉复杂性——活跃施工区往往有临时信号灯、模糊车道标线、指挥交通的工人，以及可能将摄像头推理系统推向训练分布边缘的不寻常障碍物。两家公司都依赖运营支援（远程协助、地理围栏）来处理复杂施工场景。

第五节 — 地图与定位基准评分卡

维度	Waymo	Tesla	优势
定位精度	厘米级（激光雷达-地图融合）	分米级（估）（基于摄像头）	Waymo
地理覆盖	约 5 个城市商业运营；约 10 个城市已测绘（估）	美国和加拿大（监督）；长期任何全球道路	Tesla
每城市扩展速度	数月——需要测绘活动	数周——仅监管审批	Tesla
施工区处理	地图过期风险；远程操作协助	实时视觉推断；不同失效模式	平局
恶劣天气韧性	激光雷达独立于光线和天气；地图融合稳健	摄像头受雨、雪、夜间影响	Waymo
测绘成本	每城市初次 $1-5M 及持续维护（估）	零	Tesla
安全攻击面	HD 地图是高价值攻击目标	无地图——无地图攻击面	Tesla
长期扩展	每个城市需要相应比例的测绘投资	每个新地理区域的增量成本接近零	Tesla 决定性优势

评分卡揭示了一个根本性的架构鸿沟，这与 Physical AI 基准系列其他维度中更广泛的 Waymo vs Tesla 格局如出一辙。Waymo 在当今对安全裕度和监管信心最重要的每个指标上领先：定位精度、恶劣天气韧性，以及在其运营设计域内可预测的失效模式。Tesla 在长期商业规模最重要的每个指标上领先：地理覆盖、扩展速度和测绘成本。

长期扩展维度值得强调。如果 AV 部署最终扩展到全球数百个城市——这是商业可行性所要求的——两种方案之间的测绘成本差距随每个新地理区域而扩大。Waymo 的成本模式近似于城市数量的线性：每个新城市都需要一次活动投资，且不会随经验大幅降低。Tesla 的成本模式城市级别增量成本接近零：唯一的增量工作是获取当地监管批准，这是与道路复杂程度无关的固定行政成本。

Mobileye 的 REM 代表了 Waymo 式 HD 地图公司大规模缩小这一成本差距的最可行路径：若全球 ADAS 车队将 HD 地图作为正常驾驶的副产品建立，每城市增量测绘成本将下降至 Mobileye 的芯片利润，而非 Waymo 的全成本测绘活动。Waymo 是否采用或许可类似 REM 的众包方案，或通过机器人出租车车队密度开发自己的等效方案，将是未来五年最具决定性意义的运营选择之一。

定位问题最终归结为对哪个制约因素放松更快的押注：Tesla 的基于摄像头的系统能否通过神经网络改进和传感器多样化在恶劣条件下接近厘米级精度？还是 Waymo 的 HD 地图覆盖能否——通过众包或机器人出租车密度——在 Tesla 精度赶上之前扩展到足以匹配 Tesla 的地理覆盖？两条路径都可行；两者都不保证成功。Physical AI 基准的地图与定位维度仍然是该领域最具重要性且最未解决的问题之一。

注意： 所有标注”（估）“的数据均来自截至 2026 年中的公开披露、研究论文、分析师估算及行业报告。本文不构成投资建议。