自汽車誕生以來，人類對于能夠自動駕駛的汽車的想象就從未停止，在科幻小說和科幻電影中，總能看到自動駕駛汽車的身影。現實中，人類對于自動駕駛技術的實現一直在付諸行動。
前世今生
早在20世紀20年代，美國一家無線電控制公司在紐約大街上展示了一輛名為“Linrrican Wonder”的無線電控制自動駕駛汽車，汽車上裝載了無線電接收裝置和控制單元。隨后半個世紀里，美國、英國等國家紛紛提出了自動駕駛汽車的設想，通過在路面鋪設電路、磁條等方式引導和控制車輛按照一定軌跡和速率行進。這類自動駕駛技術被稱為引導式自動駕駛，是實現自動駕駛目標的早期路徑，但受限于自動化交通環境改造成本過大，引導式自動駕駛研究在20世紀70年代逐漸擱淺。
20世紀80年代，德國和美國都推出了配備攝像頭、微處理器和其他傳感器等部件的自動駕駛汽車，能夠在封閉環境下實現一定程度的自動駕駛。進入21世紀以后，得益于人工智能、云計算、大數據等新技術的飛速發展，自動駕駛技術的研究才真正取得突破性進展。2004年，美國國防部高級研究計劃局(DARPA)開始每年舉辦比賽吸引各科技團隊來建造自動駕駛汽車。正是這場賽事，開啟了自動駕駛新革命，當時參加此項賽事的眾多工程師們，已經成為自動駕駛汽車行業的中流砥柱，例如被譽為“谷歌自動駕駛汽車之父”的斯坦福大學終身教授、人工智能專家Sebastian Thrun，他領導的團隊獲得了2005年賽事冠軍。在高德納咨詢公司(The Gartner)推出的技術成熟度曲線中，自動駕駛技術于2013年初次登上技術成熟度曲線，并于2015年上升至曲線頂峰位置，已成為當下最炙手可熱的新技術之一。越來越多的研究機構和企業開始研發自動駕駛技術，其中不但有傳統汽車制造商，也有互聯網企業。
如今，在美國硅谷的Google總部附近，常常能看到方向盤前沒有人的汽車在路上行駛，這在當地已經不是什么新鮮事。部分低速或封閉環境下的自動駕駛汽車已經投入商用。曾經存在于人類想象中的自動駕駛汽車正在離人們的生活越來越近。
技術原理
自動駕駛汽車是一個復雜的系統工程，須由多種硬件、軟件協同發揮作用。一般而言，所有的自動駕駛系統均可大致分為三大部分，即環境感知、行為決策和運動控制。系統的構成類似于人的駕駛行為決策過程。環境感知模塊，人類用眼睛觀察路況，而自動駕駛系統則是借助激光雷達、毫米波雷達、超聲波雷達、攝像頭等傳感器來獲取道路環境信息，用GPS(全球定位系統)和IMU(慣性測量單元)獲取車身定位信息。行為決策模塊，人類用大腦處理環境信息結合駕駛經驗作出判斷，自動駕駛系統通過算法提取傳感器中的有用信息，將信息轉換至統一坐標系下進行信息融合，并根據融合信息、路網信息和自身行駛狀態，按照一定規則產生駕駛決策。運動控制模塊，人類根據決策通過手腳控制車輛方向盤、加速和剎車，自動駕駛系統則是根據產生的駕駛決策輸出至控制器來控制車輛。
自動駕駛的分級
自動駕駛技術的研發是漸進式的，都有相應的規范和標準，需要明確的分級標準來引導行業發展。目前對于自動駕駛分級最為權威的標準是美國汽車工程師協會(SAE)的J3016標準，將自動駕駛分為6個等級，并明確了不同級別間的差異，如表1所示。
表1：SAE自動駕駛的分類
自動駕駛依賴于“高精地圖”
人類駕駛是通過眼睛、耳朵等器官去感知車身周邊環境，憑借道路記憶或傳統導航地圖，依靠駕駛經驗及技巧保證汽車安全行駛并到達目的地。自動駕駛系統用傳感器替代了人類感官，用地圖替換了人的道路記憶，用軟件、云計算、深度學習等替代了駕駛經驗及技巧。地圖之于自動駕駛的核心作用在于降低環境感知的難度，提供更加完善的周邊環境以及更精準的定位精度和可靠性，供自動駕駛汽車進行行為決策。
目前，主流的自動駕駛技術方案分為兩類技術路徑：一是“強地圖”，依賴地圖等提供先驗知識，傳感器將感知的環境信息模型與地圖匹配以確定車輛位置，并探測障礙;二是“強感知”，降低地圖精度、地圖要素等方面要求，將其作為傳感器的補充，傳感器感知周邊環境并建立實時環境模型，依靠深度學習理解傳感器信息并做出反應控制車輛。目前業內對于地圖是自動駕駛不可或缺的認識是統一的，但對于“自動駕駛需要什么樣的地圖”的認識尚存在分歧。從實際應用來看，“強地圖”方案在當前技術水平下可行性更高，“強感知”方案在技術和可靠性上尚待突破，走在自動駕駛技術前沿的公司采用的方案均為搭配高精地圖的方案。
自動駕駛汽車里的地圖是什么樣的
自動駕駛汽車里的地圖的名稱有多種說法，例如高精地圖，它是從國外H i g h Definition Map(HD Map)的說法直譯過來的名詞，此外還有高度自動駕駛地圖(Highly Automated driving map，HAD Map)，高可信地圖(Hoch Genaue Karte，德語)等說法。上述說法都不太嚴謹，準確來說，應該稱為“自動駕駛地圖”或“自動駕駛專題地圖”，即用于自動駕駛汽車的專題地圖，類似于地形圖、行政區劃圖等用于某一專題功能的地圖。
實際上，自動駕駛地圖是為自動駕駛車輛構建了一個映射現實的虛擬道路環境模型。它包含最底層的靜態高精度地圖、動態駕駛環境(擁堵情況、道路事故、施工等信息)、互聯設施(V2V、V2X等通信設施)以及移動物體(行人、車輛等)信息。底層的靜態高精度地圖是其中的重中之重，當前典型的靜態高精度地圖是矢量高精圖，也被稱之為語義地圖，它包含道路屬性(車道數、施工狀態等)、車道模型(車道線、曲率/坡度、中心線、車道屬性變化等)、交通設施模型(交通信號燈、斑馬線、停止線、交通標志等)等內容(如圖1所示)、定位對象(用于實現車輛自定位)。
圖1：靜態高精度地圖的部分內容
目前，各圖商制作的自動駕駛地圖在高精度地圖表現形式上存在差異，包括矢量高精地圖、柵格圖、激光雷達占位圖、反射率圖等。由寶馬、大眾、戴勒姆等歐美車廠共同成立的導航數據標準協會(Navigation Data Standard Association，NDS)，近年來一直在定義自動駕駛地圖的統一標準，通過制定統一標準使各圖商間的自動駕駛地圖產品兼容、適配。
與傳統導航電子地圖相比，自動駕駛地圖的內容、形態、制作工藝等存在較大差別，且復雜度更高，具體如表2所示。
表2：自動駕駛地圖與導航電子地圖的部分差異
自動駕駛地圖面臨的挑戰
作為一個新興事物，自動駕駛地圖在高速發展的同時，也面臨著諸多挑戰。首先，自動駕駛地圖到底是什么樣的?目前全球還未有達到Level3級別自動駕駛量產車問世，根據各大車廠的時間表，Level3級別的自動駕駛車輛將在2020年左右量產。各大圖商所制作的自動駕駛地圖大多數是面向Level3級別自動駕駛汽車。從Level3到Level4，從Level4到Level5的自動駕駛技術難度比Level2到Level3要大得多，這兩個級別的自動駕駛技術差異巨大，所依賴的自動駕駛地圖也將發生變化，這個變化目前還不可知。
其次，自動駕駛地圖到底需要多高的精度?自動駕駛地圖中，不同數據內容所需的精度要求是不同的，例如車道寬度精度要求在±10cm，交通標志牌精度要求在±50cm，綠化帶精度要求在±20cm等。不同場景所需的精度要求不同，例如在隧道、室內的場景，由于定位精度達不到±10cm，其他要素如車道寬度的精度即使達到±10cm也沒有意義。
再次，自動駕駛地圖的更新問題。自動駕駛地圖的更新頻率要比傳統導航電子地圖高得多。目前自動駕駛地圖的制作還是依賴專業化的采集隊伍，更新頻率還達不到自動駕駛要求，且隨著更新頻率、精度的提升，地圖生產成本急劇上升，單單依靠圖商的力量無法滿足要求。未來要實現地圖動態更新，必然要采用眾包方式。圖商通過構建地圖更新體系，將數據提供給政府、車廠、普通用戶甚至其他圖商，使用者通過不斷回傳數據來更新地圖。但這其中要解決的問題還有很多，例如數據的可靠性和精度，更新閉環能否無縫銜接，用戶提供數據的意愿，安全保密問題等等。
自動駕駛地圖的政策問題
從自動駕駛地圖的定義、內容來看，其仍然是屬于地圖的范疇。自動駕駛地圖的法規政策問題在國際上一直存在，只是各國尚未針對自動駕駛地圖進行專門立法，自動駕駛地圖的制作和使用仍然適用于各國測繪地理信息法律法規。從現行自動駕駛發展較快的國家的測繪和數據法律法規來看，各國對于安全問題特別是國防安全和國家利益都十分重視，只是因國情的差異，各國在法規政策的側重點上有所不同。例如，美國最大限度地放開了地理信息使用和共享，以保持其在世界的領先地位，在自動駕駛地圖準入管理、數據出境等方面均沒有限制。德國特別重視個人隱私數據的保護，在滿足個人隱私保護的基礎上，盡可能減少限制。日本較美、德更為保守，政府在自動駕駛地圖的發展中起核心主導作用，地圖基礎數據的采集和研發均由名為動態地圖計劃(Dynamic Map Planning Co.，Ltd，DMP)的平臺公司統一進行，日本的管理政策在準入管理、成果匯交均有相關規定。韓國的自動駕駛地圖也是由政府主導，其管理政策在執業資格、準入管理、成果匯交、數據出境方面規定更為嚴格。我國主要出于國家安全方面的考慮，也形成了特色的法規政策。根據《關于加強自動駕駛地圖生產測試與應用管理的通知》，我國仍然將自動駕駛地圖作為導航電子地圖進行管理，從保密安全、資質管理、公開地圖內容表示、地圖審查、外商投資等方面對自動駕駛地圖都存在限制，對自動駕駛地圖的發展造成一定影響。考慮到自動駕駛的蓬勃發展勢頭，按照“底線思維”適時調整我國自動駕駛政策迫在眉睫。
