美行科技：众源加速全场景智驾落地

智能驾驶场景中仍存在诸多复杂场景亟待解决，如复杂路口定位失效、路口前车道选择失效、相似路口方向选择失效等，将随着用户使用频度提升进一步扩大。

2024年5月22日，在2024第六届智能驾驶地图与定位大会上，美行科技市场与生态总监康健谈到，为应对以上挑战，美行结合大量智能汽车地图应用实践，研发量产级时空数据众源系统，为智能驾驶发展提供助力。系统具备超视距、先验性、自扩展、高鲜度、可融合、可进化、可降本增效、可确权交易等特点，不仅满足各类场景智驾功能，更重要的是持续的体验提升。

康健还特别指出，智能驾驶不仅是一个技术问题，更是一个伦理问题。无论我们采用何种方案，如模块算法或端到端技术，即便安全性达到了99.99%，对于那剩下的0.01%的人来说，他们面临的风险依然是100%。因此，必须以极其审慎和敬畏的态度来对待智能驾驶的发展。

美行科技 市场与生态总监

以下为演讲内容整理:

美行科技成立于2008年，深耕车载位置服务领域16年。目前，我们拥有超过1300名员工，其中80%是研发人员。公司在全国七大城市设有分子公司，也是目前中国19家导航电子地图甲级测绘单位之一。

图源:演讲嘉宾素材

智能驾驶的发展要素及业务场景

当我们谈及地图与定位时，自然离不开智能驾驶这一领域。关于智能驾驶，我认为主要关注要素有三点，这三点之间存在着一定的递进关系。

首先是功能。在3-4年前，我们主要探讨的是能否实现自动泊车、高速驾驶的智能化等功能。现在，这些功能已经逐步从理论走向实践，并演化成如何进一步拓展城市覆盖区域。在这一阶段，功能的竞争可以看作是技术与实力的较量。

图源:演讲嘉宾素材

接着是成本。经过技术的快速发展和期望值的膨胀后，行业开始意识到在有限的成本下实现最佳功能的重要性。这一阶段，更多关注如何在保证功能的同时，降低成本，提高竞争力。

最后是体验。进入2022年底及整个2023年，我们意识到用户体验是智能驾驶市场中最能体现价值的关键点。车企对用户体验的评价极为关注，从最初的高期望值到逐渐回归理性，这一过程也反映了智能驾驶技术的不断成熟和完善。

接下来分析一下智能驾驶可能涉及的业务场景。我认为主要有三类:高速驾驶、城区驾驶和自主泊车。这三类场景之间也存在着一定的递进关系，但这种递进并非来自市场的外部驱动，而是源于技术的内部驱动。简单来说，就是因为某个场景的技术实现相对容易，所以先做了；而某个场景的技术实现难度较大，所以后做。

在高速驾驶场景中，虽然目前大部分量产车仍然基于高精地图实现，但大家都在同步探索降低对高精地图的依赖，试验轻图方案。少数企业则开始尝试仅依赖SD地图实现高快NOA。

在城区驾驶场景中，我们可以看到去年很多企业都在比拼能够覆盖多少城市。然而，随着城市覆盖数量的增加，头部企业开始关注ODD区域的累积和线路优化。此时，高精地图已经无法满足城区NOA的需求，因此智能驾驶企业开始选择与图商共同研发。

至于泊车场景，APA的实现早于智驾L2+并已成熟稳定；当前主要考虑AVP的实现方案。我认为从成图方式来看，AVP的实现与城区NOA具有技术一致性。

智驾地图的全场景融合

接下来探讨一下关于智能驾驶中地图与场景融合的问题。

首先，我们必须认识到，当前智能驾驶中的三种场景——高速驾驶、城区驾驶和泊车场景，并非由车企或解决方案提供商主观选择，而是由业务需求驱动的。真正的目标是实现全场景的智能驾驶，而非将这些场景割裂开来。

在考虑全场景智能驾驶时，我们不得不面对一些算法无法解决的复杂场景，如复杂路口、定位失效、车道选择失效等问题。这些特殊场景的需求，使得我们不得不重新审视地图在智能驾驶中的作用。

图源:演讲嘉宾素材

一些客户反馈，他们在依赖感知技术解决大部分场景的同时，仍有一些特殊场景无法覆盖。例如，超过70%的客户对于特种车辆车道以及分时段特种车辆的可通行状态无法有效通过感知技术解决。此外，雨天、雾天、雪天等恶劣天气条件下的驾驶场景，也对地图的精度和属性也提出了更高的要求。

刚才我们提到了全场景融合的重要性，但现实中却出现了对地图类型进行分割的情况。比如当前的地图产品，如SD、HD、SD+、ADAS地图、HD lite等，除了SD和HD定义相对比较清晰，在对于轻图的认知上，精度和属性定义模糊不清。这导致在实际应用中，很难将每一类地图与特定的行车场景精确对应。

去年，高精地图的出货量虽然达到了近百万套，但轻地图的出货量却不到1万套。这是因为轻地图往往被视为试用性质的非标件。在智能驾驶技术快速进步和演变的背景下，提前对其中构成之一的地图组件和模块进行标准化定义和品类划分是否合适，确实值得我们深思。

因此，我想问一个问题:在智能驾驶领域，我们更需要的是产品还是解决方案？作为地图提供商，我也在反思。经过与不少于50家行业客户和伙伴的深入沟通，我认为，在现阶段乃至未来1-3年内，我们更需要的是一个灵活、可定制的解决方案，而非提前定义好的产品。

一种基于城区智驾解决思路的示例

今天，我想通过一个具体的例子来阐述当前许多车企和智能驾驶方案提供商在城区NOA实际部署阶段的选择和策略，即通勤场景的应用。

在竞争激烈的行业中，一些领先的企业在争相展示他们已经开通了多少城市、覆盖了多少区域。然而，与此同时，也有许多企业选择了一种更为保守或者说稳健的策略，即首先通过通勤记忆路线的模式来实现城区NOA。这是基于客户或车主的刚性需求，因为通勤路线是他们日常出行中最常用到的。为了满足这一需求，我们设计了一套可演进、可扩展的解决方案。

图源:演讲嘉宾素材

首先，关于路线记忆，当前行业有两个思路:车端记忆和车云一体。美行科技倡导的是车云一体的方案。这种方案的优势在于功能开通更为可控，可以累积共享数据，扩展性强，同时节约了车端的算力，因为车端此时只要负责数据收集工作。此外，这种方案也可以满足合规要求。

当路线记忆达到一定数量时，我们将融合多模态数据来构建底图，实现自动化处理和差分更新，并进行在线分发。这一步骤是为了不断提升地图的覆盖范围以拓展智驾的可实现场景。

最后，解决方案的终极目标应该是实现舱驾一体的跨域应用。当前，一些地图提供商也在推出ONE MAP的概念，我们相信，最终的趋势将是舱驾一体的地图融合。按照我们的解决方案演进，客户将能获得轻量化设计和全品类的地图来满足不同类别、不同等级的舱驾定位需求。

通过这个例子，我想强调的是，在提供智能驾驶解决方案时，我们应该从实际出发，对智能驾驶所产生的时空数据实现持续的进化和扩展。这就涉及到了众源的优势。

众源构建智驾时空数据闭环

美行在众源领域已经探索了几年，我们认为众源是实现智能驾驶时空数据闭环的重要工具或平台。通过车端的环境感知结果进行局部建图，然后在云端进行智能地图学习，并可进行自动化制图，最后输出到车端的智能驾驶应用。这种闭环结构确保了数据的持续更新和优化。

图源:演讲嘉宾素材

除了地图应用的闭环外，我们还与地平线、51sim、火山、天准等合作伙伴共同构建了一个仿真训练的闭环。这个闭环结构能够促进智驾算法的优化和迭代，进一步提升智能驾驶系统的性能。

众源系统能够带来的优势包括超视距、先验性、自扩展性和高鲜度等。对于系统本身而言，具备可融合、可进化的特性，能够帮企业实现降本增效和数据的确权交易。

在综合分析当前智能驾驶的多个发展阶段时，我们可以看到，基础的L2自动驾驶技术已经进入了规模化成熟期的量产阶段。高速NOA经历了一段泡沫破裂的阶段，现在进入“低谷期”，但我认为它现在正处于稳定发展的阶段。而城市NOA目前正处于期望的膨胀期，各种技术和方案百花齐放，但尚未形成定论，其最终形态仍然是个未知数。最前端的全场景NOA，我认为正处于创新萌芽期，也是当前众多合作伙伴和车企选择的发展路线。

高阶智驾市场的规模预计2024年将超过160万台，而到了2025年则可能突破300万台，呈现出倍数级的增长趋势。不过智能驾驶不仅是一个技术问题，更是一个伦理问题。无论我们采用何种方案，如模块算法或端到端技术，即便安全性达到了99.99%，对于那剩下的0.01%的人来说，他们面临的风险依然是100%。因此，必须以极其审慎和敬畏的态度来对待智能驾驶的发展。

在智能驾驶领域，不管有图还是无图、重图还是轻图、是全局地图还是道路特征，用于车端定位还是云端训练，这些选择都不是非此即彼的，最重要的是找到最适合当前需求的解决方案。