四维图新戴东海：为自动驾驶提供芯片级的地图方案

自动驾驶和车联网会相互融合，而一个芯片级地图方案可以更好地将这两项业务串联起来。

配合车企分阶段实现自动驾驶的时间表，图商也在分级定义地图产品。

近日，四维图新CTO戴东海在接受采访时更新了高精度地图方面的进展：今年6月份时，公司具备了支持Level 2全国高速公路网覆盖的数据和产品，达到量产的能力。Level 3的地图正在按照2017年中旬可商用的规划推进，Level 4高精度地图已经在北京和上海两个城市做前期验证，有些工作已经走通。到2019年初左右，会提供主要城市的Level4级别的地图数据。

在给出具体的时间规划表后，关于如何为车企提供自动驾驶产品，自动驾驶会与车联网业务如何配合，四维图新在业务流程上有哪些变化，车云菌和戴东海聊了一些详细信息。

四维图新CTO戴东海

芯片级的地图方案

今年5月，四维图新收购了联发科子公司杰发科技，后者是一家车载信息娱乐系统解决方案提供商。两家公司将合作研发生产低功耗高性价比芯片，主要作用是在自动驾驶过程中，进行地图和传感器的相关运算，包括处理车端传感器传来的感知数据，进行高精度匹配和决策，提取道路属性和地物信息等等。

具体来说，在自动驾驶过程中，高精度地图需要和传感器时刻保持沟通。这块芯片上，传感器和高精度地图的数据会相互融合，完成实时感知任务。同时在传感器众包采集地图数据时，芯片中写入的深度学习算法可以对摄像头和激光雷达采集的数据进行分析处理，从中提取交通、交通设施等地图强相关信息，用来完善自动驾驶地图。

芯片上涉及的深度学习算法，四维图新基础技术研究院的深度学习实验室正在自行研发和完善。以交通标志牌的识别为例，戴东海表示算法达到的识别率已经超过了人类，基本上已经可以完全实现自动化。

高精度地图如何存储

相比高精度地图参与的融合数据运算，业内人士表示，更加具有挑战性的是高精度地图如何在车端存储。高精度地图包括基础导航层，高精度路网层，实时动态层，还有很多相关的环境影响因素，在图层上和传统导航地图存在交叉，但是会补充大量的精细要素，一些对更新要求不高的基础数据会存放在本地。随着自动驾驶级别递增，要在保证清晰度的基础上，也要想办法把地图数据大小控制在合理的范围之内。

对此戴东海的回答是，目前车机端的存储能力就能支撑高精度地图的存放。四维图新支持Level2、Level3自动驾驶的数据量并不大，只要在传统导航地图数据量基础上增加1/3左右，就可以覆盖到现在全国的高速公路网。Level4以后，数据量会有增加，但数据量也不是非常庞大。

包括通过摄像头和激光雷达传感器众包采集的数据，算法也会进行矢量化处理，减小在本地的存储和运算。虽然激光雷达和摄像头采集的数据类型不同，因为有了数据矢量化的过程，如果车厂在原摄像头方案基础上增加激光点云，整个构架的逻辑和解决方案都可以持续延用。

自动驾驶和车联网会相互融合

根据戴东海介绍，在Level 2-Level3级别自动驾驶，这块芯片会放在车机端，同样用于支撑四维图新车联网产品的运算。到Level 4级别，随着运算量的增加，可以根据车企需要提供一块单独芯片用于自动驾驶的感知数据处理。

值得注意的是，戴东海在介绍这块自动驾驶地图业务时，把它归为了车联网3.0版。车端传感器收集的数据会在本地处理后上传到云端，一些确定的更新会从云端下发到本地更新地图，地图用于支持自动驾驶任务。

自动驾驶和车联网会相互融合，而一个芯片级地图方案可以更好地将四维图新车联网和自动驾驶两项业务串联起来。在整个过程中，四维图新也从单纯的地图数据提供，转变为整个过程提供数据服务。

图商面临的工具链革新

之所以提到这点，是因为戴东海认为这是和开展自动驾驶业务同等重要的一件事。

他向车云菌介绍，尤其是发展到支持Level4自动驾驶，利用激光雷达设备以及众包方式采集的数据会越来越多。庞大的数据量依靠人工处理并不现实，需要有一套自动的智能系统参与。

在一些物理世界电子化的过程中，逐渐加入一些自动化的作业方式。例如可以用深度学习算法识别出采集素材中的POI位置点、标志牌等信息，让机器代替人工标记，如果说深度学习在自动驾驶汽车上的应用是解放驾驶员，在地图领域的应用就是“把制图人员从标记环节拽走”。

从公司架构我们也可以看到一些变化。四维图新研究院中陆续成立了智能驾驶、深度学习、未来导航引擎核心、云服务四个实验室。其中深度实验室除了研发感知部分的算法，也会把深度学习和地图作业的各个环节，用于工具链的智能化升级。

不过戴东海也坦言，作业流程的变革更新不是一蹴而就，而是逐渐改革的过程。利用深度学习识别标志牌被识别后，还需要去进一步理解标志牌的含义。图商内部的工具链的革新也是逐步实现，“这一点和自动驾驶的发展也是一样的”。