為什麼自動駕駛需要高精度地圖？
在自動駕駛的技術路線中，高精度地圖 HDMap (High Definition Map) 佔據著一個非常重要的位置。但是在近年來自動駕駛技術更新中，HDMap 的重要性逐漸從必備變成選配，改用傳統的導航地圖 (Navigation Map) 配上最尖端的 AI 演算法就看可能實現自動駕駛。本文從自動駕駛技術的觀點來看，為什麼 HDMap 的重要性逐漸式微，以及未來可能的技術方向。
導航地圖
首先，機器看地圖與人類看地圖是完全不一樣的作用。人類看的屬於地圖都是屬於導航地圖 (Navigation Map)，例如 Google Map 以及導航王，主要目的都是告訴司機如何行駛到終點，包含可行駛車道、左轉右轉時機、速限、紅綠燈剩餘的秒數、路線規劃與剩餘時間。
我們在用行車導航的時候，通常會用導航畫面通常會跟我們的位置與方向轉動，這是因為手機跟車子都配有很多的傳感器可以感知車子的動態，例如：衛星定位系統 GNSS、陀螺儀 IMU、里程計 Odometer。
- GNSS (global navigation satellite system): 一般常說的全球定位系統 GPS 就屬於此類。 多數誤差在數公尺之間，在室內或被遮擋的情況下誤差會加大，甚至無法使用。
- IMU (Inertial Measurement Unit): 用來測量慣性，有多種不同的設計，包含 3軸、 6 軸、9 軸。3 軸 IMU 只能測量位移慣性或旋轉慣性；6 軸 IMU 可以同時測量旋轉與位移慣性，但是誤差會隨著時間累積；9 軸 IMU 可以加入地磁訊號做全局角度校正，避免誤差累積。
- Odometer: 利用 IMU 或行車時速表等額外訊號來推估目前的行駛距離。儀錶板上的汽車已行駛距離都是透過 Odometer 來的。除了傳統的傳感器，純粹用 Camera + 電腦視覺演算法來作為 Odometer 的做法稱為 Visual Odometer (VO)。
上述這些傳感器隨然包和了全局位置與角度，但是對於自動駕駛系統來說遠遠不夠。主因就是 GPS 的定位誤差仍然是公尺級，在行車中的定位精度無法判定車子行駛在哪一個車道上。這個誤差也會導致我們在用導航地圖時的一些日常不便，例如當駕駛偏離導航路線時，導航系統需要延遲個好幾秒才會知道你已經偏移了。
高精地圖 HDMap
HDMap 是專門用來彌補機器定位的問題，由大量的先驗數據來彌補即時感知精度不足的一種方法。原理就是將道路一切的所有關鍵資料都轉換成 3D 的形式表達，包含道路、車道線、柱子、建築、路牌等所有 3D 訊息。也因為 HDMap 的用途主要是定位，建圖時的誤差通常會在 5 公分以內。
HDMap 定位的原理與人類司機看到照片就能知道位置的原理相同：根據附近的建築、道路特徵等，反推自己的位置。電腦與人類不同的是，電腦必須仰賴 3D 訊息才能做到精細的定位。HDMap 會將道路及道路周邊的物體用 3D 點雲的方式儲存，讓電腦可以透過不同的演算法來實現定位：
- 2D-3D Motion Estimation: 透過相機的 2D 特徵點與 HDMap 的 3D 點特徵點匹配，可以利用經典的 PnP (Perspective n Point) 求解當下的攝影機位置。早期的 AR 軟體 ARToolKit 就是使用這種演算法，能夠求解 2D 方塊的 3D 位置。
- 3D-3D Motion Estimation: 如果自動駕駛車上裝配光達 (Lidar) 或毫米波雷達，就可以即時的感知周圍的 3D 點雲。將感知 3D 點雲與 HDMap 的 3D 點雲做匹配就可以做到精細定位。經典的演算法 ICP (Iterative Closest Point) 可以用來求解此類問題。
使用 HDMap 定位最大的好處降低演算法的複雜度。無論是 2D-3D 的 PnP 或是 3D-3D 的 ICP，都是在 1980s 年代就出現的演算法。跟今天的各種深度學習演算法比起來，這些演算法都更成熟，車上資源消耗也不會太大。因此在 2017–2022 年之間，HDMap 可以說是 L4 自動駕駛車的標配。
在建立 HDMap 時，圖資廠商需要有專業的採集車去跑路線，而這些採集車會配備多種類的傳感器，通常會配備至少一個用於感知 3D 點雲的光達 (Lidar)、感知距離的毫米波雷達 (Radar)、以及數個攝影機 (Camera)。其中成本最貴的當屬 Lidar，更不用說還有採集之後的演算法後處理需要大量的伺服器計算資源，屬於高成本的建圖。
HDMap 與 Robotaxi
Robotaxi 指的是用無人自動駕駛來做計程車載客服務的業務，通常屬於 L4 級自動駕駛，而目前 L4 級別的自動駕駛幾乎都必須使用 HDMap。以 Google 旗下的的 Robotaxi 公司包括 Waymo 為例，為了達到可以無人干預的 L4 自動駕駛等級，Waymo 的自動駕駛業務必須在 HDMap 涵蓋的城市內才能運行。
對 HDMap 的依賴雖然提升了 Waymo 的安全性，但同時也大幅限制了 Waymo 自動駕駛業務的拓展與成本，直到今天 Waymo 只在兩個城市正式營運（鳳凰城與舊金山），三個城市試點。除了法規的審核曠日廢時之外，HDMap 的建設成本也是主因。
舉例來說，一般的導航地圖是由專業的圖資公司透過專業車隊與眾包車隊來維護的，例如台灣的勤葳國際。一旦有道路封閉或是新道路開通，如果導航地圖沒辦法即時更新就會大幅影響地圖的考靠性，所以，平時採集車隊與眾包車隊就會在路上採集與更新地圖，這些都是公司護城河的競爭力。
HDMap 的維護成本相比導航地圖而言，車隊的硬體成本限制更高，後端的雲端數據工程也複雜並昂貴許多，不是一般的公司可以負擔得起的。加上目前 Robotaxi 與自動駕駛的普及度不高，也沒辦法透過快速擴展業務來達到規模經濟降低成本。
為了解決地圖的成本問題，許多廠商轉向了 Mapless 的方案，例如特斯拉與小鵬汽車。
Mapless: HDMap 的替代方案
2022 年的 9 月，在，特斯拉公佈了他們不依賴於 HDMap 的最新自動駕駛方案 Occupancy Networks。主要的想法就是透過車上的自動駕駛演算法，即時的計算周圍的 3D 點雲資訊，在自動駕駛軟體內構建一個類似 Minecraft 一般的粗顆粒像素 3D 空間，並且能夠感知裡面的車道線、路口、紅綠燈、建築物、人行道，足夠做到避障與行車規劃控制。
Occupancy Networks 能夠某些程度上取代 HDMap，但是並不能完全取代，因為他只能感知車子周圍的空間資訊，但是沒有道路與城市的全局資訊，沒辦法從更高的視角來做導航。但是如果結合 Occupancy Networks 、GPS、Odometer 與導航地圖，就可以依靠 Occupancy Networks 來做精細的定位與駕駛控制，例如車道選擇與加減速；同時仰賴導航地圖給予全局的道路規劃，達到點到點的輔助駕駛或自動駕駛。這種不仰賴 HDMap 的自動駕駛設計方案也被稱為 Mapless，在中國被稱為「輕地圖」或是「無圖」。
目前 Mapless 最大的問題是 Occupancy Networks 的地圖精度不如 HDMap。為了彌補精度的不足，使用 Mapless 的方案需要以下條件：
- 成熟的模型：目前車上可用的 Occupancy Networks 都是基於 Transformer 的模型架構。模型架構的好壞會直接確定精度效果。
- 高算力的車載 AI 晶片：Transformer 目前都需要較大的 AI 運算。為了滿足車上的即時運算需求，對車載 AI 晶片的要求就會非常高。
- 端到端 (end-to-end) 的 AI 自動駕駛：相比於 HDMap，Occupancy Networks 會出現遮擋與死角等問題。比起用傳統基於規則的規劃控制方法，純粹數據驅動的 end-to-end 方法更能處理這方面的複雜問題。
- 龐大的數據量：為了實現端到端自動駕駛並成功訓練巨大參數量的 Transformer 模型，自動駕駛公司必須累積龐大的數據量，避免 AI 無法學習到足夠的知識與泛化性。
要用 Mapless 替代 HDMap，雖然在成本上會有很大的吸引力，但是如果廠商本身的技術實力不足，就會有安全性的疑慮。再加上數據與產品本身會有網路效應，導致技術廠商從百家爭鳴演進成大者恆大，在未來可能只有少數的廠商能夠實現安全的 Mapless 技術，並且不乏有公司會選擇做成解決方案對其他公司開放。
結語
目前 Mapless 的安全性雖然仍然是挑戰，但是其成本優勢吸引了大量的自動駕駛廠商投入。同時，最近通用汽車旗下的 Robotaxi 公司 Cruise 的自動駕駛牌照被回收並引發裁員，也顯示出 Robotaxi 公司們正面對嚴峻的營運與資金壓力。各家自動駕駛公司都在尋找更低成本的出路，而 Mapless 似乎是一個值得壓注的方向。
