Eine High-Definition-Karte ist die Karte, die ein selbstfahrendes Auto liest, nicht die Karte, die Sie auf dem Smartphone öffnen. Sie beschreibt zentimetergenau und maschinenlesbar jede Spurmarkierung, jedes Verkehrszeichen, jede Haltlinie und jeden Fahrbahnrand entlang einer Strecke. Die Daten sind so aufbereitet, dass die Autonomiesoftware sie mit den aktuellen Sensordaten abgleichen kann und genau weiß, wo das Fahrzeug innerhalb seiner Spur steht.
Dieser Leitfaden erklärt, was eine HD-Karte enthält, wie sie entsteht und aktuell bleibt, welche Rolle sie im System eines autonomen Fahrzeugs spielt und welche offenen Fragen die Branche noch spalten.
Was eine HD-Karte enthält
Eine HD-Karte enthält drei Ebenen mit Informationen über die Straße, die eine gewöhnliche Straßenkarte nicht hat.
Geometrische Ebene: die genaue dreidimensionale Form der Fahrbahn, die Mittellinien und Grenzen der Fahrspuren, Bordsteine und Fahrbahnränder, mit einer horizontalen Genauigkeit von 10 bis 20 cm. Jede Spur ist eine eigene Linie, statt dass die Straße nur als eine Mittellinie erscheint. Die Spurbreite ist durchgehend erfasst und nicht gemittelt.
Semantische Ebene: maschinenlesbare Attribute, die an der Geometrie hängen. Tempolimit, Fahrtrichtung, Art der Spur (normal, Bus, Fahrrad, Fahrgemeinschaften), Abbiegeverbote, die Verbindungen der Spuren an Kreuzungen, die Lage der Haltlinien, Fußgängerüberwege. Mit dieser Ebene kann die Autonomiesoftware erlaubte Fahrmanöver bestimmen, ohne sie aus reinen Kamerabildern ableiten zu müssen.
Ebene der Landmarken: die dreidimensionalen Positionen von Verkehrszeichen, Ampeln und anderen dauerhaften Objekten, die das Wahrnehmungssystem des Fahrzeugs in Echtzeit wiedererkennen kann. Auf dieser Ebene beruht die kartengestützte Lokalisierung.
Eine HD-Karte für ein Ballungsgebiet ist weit größer als eine gewöhnliche Straßenkarte derselben Region.
Warum selbstfahrende Autos überhaupt eine Karte brauchen
Kameras, Lidar und Radar erfassen, was gerade rund um das Fahrzeug passiert. Was hinter der nächsten Kurve liegt, sehen sie nicht. Eine HD-Karte liefert dafür Vorwissen mit großer Reichweite: Das Fahrzeug kennt die Geometrie der Straße, die Position der nächsten Schilder und den Verlauf der Spuren weit über die Sensorreichweite hinaus. Damit plant es ruhigere, sicherere und entschlossenere Manöver.
Die Karte hilft auch in Situationen, in denen Sensoren versagen. Eine Spurmarkierung unter Schnee, ein verdecktes Stoppschild, ein Moment mit blendender Sonne, ein verblasster Zebrastreifen: Mit der Karte als Rückfallebene weiß das Fahrzeug trotzdem, wo die Spurmarkierung und wo die Haltlinie liegen sollten. Ohne Karte wird jeder dieser Momente zu einer Situation, in der das Fahrzeug schlechter fährt.
Außerdem enthält die Karte die Regeln. Ob Linksabbiegen erlaubt ist, ob eine Spur zu dieser Uhrzeit nur für Busse freigegeben ist, ob das Tempolimit gerade gesunken ist: Das sind semantische Fakten, die Kameras manchmal ablesen können, die eine gepflegte Karte aber zuverlässig liefert.
Wie HD-Karten entstehen
Drei Produktionsverfahren haben sich durchgesetzt.
Messflotten mit Lidar in Vermessungsqualität. Unternehmen wie TomTom und HERE sowie eigene Kartierungsabteilungen von Autoherstellern betreiben Flotten von Messfahrzeugen. Diese tragen hochwertige Lidar-Sensoren, mehrere Kameras und GNSS-INS-Systeme in Vermessungsqualität. Jedes Fahrzeug zeichnet während der Fahrt dichte Punktwolken und Bilder auf. Im Backend werden die Daten zusammengefügt, Spurmarkierungen und Schilder extrahiert und daraus die HD-Karte erzeugt. Dieser Ansatz liefert die höchste Genauigkeit, ist aber auch der teuerste und braucht am längsten für Aktualisierungen.
Crowdsourcing aus Serienflotten. Roadbook von Mobileye und die Daten-Engine von Tesla sammeln Sensordaten aus Millionen Kundenfahrzeugen. Jedes Fahrzeug lädt kompakte Merkmale hoch (erkannte Schilder, Stichproben von Spurmarkierungen) statt Rohvideos. Das Backend führt die Daten vieler Fahrzeuge zusammen, filtert Rauschen heraus und aktualisiert die Karte laufend. Die Kosten pro Kilometer liegen weit unter denen der Vermessung. Die Genauigkeit reicht für die meisten Fahrerassistenzsysteme bis Level 2+ und nähert sich dem, was Level 4 braucht.
Hybrid. Eine Grundkarte in Vermessungsqualität entsteht einmal, danach kommt eine Änderungsebene aus Crowdsourcing hinzu. Die meisten modernen Anbieter arbeiten mit einer Variante davon. Die Vermessung liefert das saubere Fundament, das Crowdsourcing die Aktualität.
Lokalisierung: Karte und Wirklichkeit abgleichen
Auch ein Auto mit HD-Karte muss wissen, wo auf der Karte es gerade steht. Ein GNSS-Empfänger auf Smartphone-Niveau ist unter freiem Himmel typischerweise auf etwa 5 m genau, in Städten schlechter. Für autonomes Fahren auf Spurebene reicht das nicht.
Das Fahrzeug löst das Problem mit kartengestützter Lokalisierung. Das Wahrnehmungssystem erkennt in Echtzeit Landmarken (Schilder, Spurmarkierungen, Laternenmasten) und gleicht sie mit der Landmarkenebene der HD-Karte ab. Bei genügend Übereinstimmungen kennt das Fahrzeug seine Position und Ausrichtung auf wenige Zentimeter genau, so genau wie die Karte selbst. Mathematisch ist das im Kern eine eng gekoppelte Fusion aus GNSS, Inertialsensoren (IMU), Radodometrie und den Zuordnungen von Landmarken aus Kamera- oder Lidardaten.
An dieser Stelle wird auch Map Matching Teil der Autonomiesoftware. Das klassische Problem, verrauschte GNSS-Positionen auf die Straßengeometrie zu legen, wird hier allgemeiner: Verrauschte Positionsschätzungen aus mehreren Sensoren müssen auf eine zentimetergenaue Karte passen.
Die Karte aktuell halten
Straßen ändern sich. Eine neue Spurmarkierung kommt hinzu, ein Schild wird versetzt, eine Baustelle sperrt eine Abbiegespur. Eine HD-Karte mit dem Stand des letzten Quartals führt die Autonomiesoftware heute in die Irre, im schlimmsten Fall gefährlich.
Die Aktualität gehört zu den schwierigsten Problemen des Fachgebiets. Drei Ansätze sind im Einsatz.
Regelmäßige Vermessung. Messfahrten im Quartals-, Monats- oder Wochenrhythmus. Zuverlässig, aber langsam und teuer.
Abweichungen aus der Flotte erkennen. Serienfahrzeuge vergleichen, was sie sehen, mit dem, was die Karte sagt. Jede Abweichung erzeugt eine Meldung. Über genügend Fahrzeuge hinweg zeigen die Meldungen echte Änderungen an, und die Karte wird aktualisiert.
Kacheln in Echtzeit ausliefern. Das Fahrzeug hält eine lokale Kopie der HD-Karte vor und lädt nur die Kacheln, in die es gleich hineinfährt. Änderungen erreichen erst die Cloud und dann die Fahrzeuge, in Minuten statt in Wochen.
Der aktuelle Stand der Technik sind Flotten, die Vermessung und Crowdsourcing kombinieren und die Karte kachelweise ausliefern. Updates erreichen die Fahrzeuge laufend statt in großen Paketen.
Das Gegenargument: zuerst die Kamera
Tesla hält HD-Karten offiziell für eine Krücke. Das Argument: Ein ausreichend leistungsfähiges Wahrnehmungssystem sollte die Straße so gut lesen können wie ein Mensch, und jede Karte veraltet irgendwann. Tesla setzt auf die Kamerasoftware im Fahrzeug und leitet die Spurgeometrie daraus ab, ohne eine zentimetergenaue Karte als Vorwissen.
Der Rest der Branche hält dagegen: Eine HD-Karte ist ein Sicherheitsnetz, kein Ersatz. Sie ersetzt die Kamera nicht, sie sichert sie ab. Ist eine Spurmarkierung verdeckt oder fehlt ein Stoppschild, füllt die Karte die Lücke. Zeigt ein Schild „Tempo 30, außer 6 bis 9 Uhr“, hält die Karte die Regel eindeutig fest. Die vorsichtige Sicht lautet: Eine Autonomiesoftware mit aktueller HD-Karte und starker Wahrnehmung ist sicherer als Wahrnehmung allein, selbst wenn diese hervorragend ist.
Der Streit ist echt und nicht entschieden. Die meisten Unternehmen bewegen sich auf hybride Ansätze zu: weniger abhängig von der Karte als die ersten Level-4-Systeme, aber nicht völlig ohne Karte, wie Tesla es vertritt.
Standards und Formate
Ein einzelnes vorherrschendes Format für HD-Karten gibt es nicht. Mehrere Standards konkurrieren miteinander.
OpenDRIVE / OpenSCENARIO (ASAM, ursprünglich aus der Fahrzeugsimulation): weit verbreitet in der Simulation und zunehmend beim Austausch von Karten im Serienbetrieb.
NDS / NDS.Live (Navigation Data Standard): ein Format eines Konsortiums der Autoindustrie. NDS.Live ist für die kachelweise Auslieferung an Serienfahrzeuge gedacht.
lanelet2 (Open Source, vom KIT): im Einsatz bei Autoware und einer wachsenden Zahl von Forschungssystemen. Baidu Apollo nutzt dagegen eine eigene Variante von OpenDRIVE.
Proprietär: HERE, TomTom und Mobileye pflegen jeweils eigene interne Formate mit eigenen Werkzeugen. Kunden greifen über ein SDK darauf zu, nicht über Rohdateien.
Eine Autonomiesoftware im Serienbetrieb hält die Karte oft in einem einzigen internen Format vor und importiert die Daten aus den Formaten der Anbieter, die sie lizenziert hat.
Wohin sich die Kartenbranche entwickelt
Drei Entwicklungen sind klar zu erkennen.
Aktualität durch Crowdsourcing setzt sich bei Kosten und Abdeckung durch, außer bei den sicherheitskritischsten Level-4-Diensten. Die ersten HD-Karten entstanden durch Vermessung. Heute arbeiten die meisten großen Anbieter hybrid.
Offene Formate gewinnen an Boden. lanelet2, OpenDRIVE und NDS.Live machen es Entwicklern autonomer Fahrzeuge leichter, den Lieferanten zu wechseln, eigene Werkzeuge zu bauen und keine Abhängigkeit von einem Anbieter einzugehen. Das geschlossene, proprietäre Modell der ersten Generation von HD-Karten gerät unter Druck.
Die Karte deckt weniger ab. Moderne Autonomiesoftware nutzt die Karte für semantische Informationen (Regeln, Spurtopologie) und die grobe Geometrie. Für feine, sich ändernde Details verlässt sie sich auf die Wahrnehmung. Die Karte übernimmt das Beständige, die Wahrnehmung das Veränderliche. So entsteht eine kleinere, leichtere Karte, die sich schneller aktualisieren lässt.
Wo MapAtlas hineinpasst
MapAtlas erstellt keine HD-Karten für autonomes Fahren nach Level 4. Wir konzentrieren uns auf Karten, Geocoding und Routing für Verbraucherprodukte und B2B-Anwendungen, die genaue Adressen, Isochronen und Routenoptimierung brauchen, nicht zentimetergenaue Spurgeometrie. Für ein Level-4-System brauchen Sie einen spezialisierten Anbieter von HD-Karten.
MapAtlas liefert dafür, was vor und nach der Pipeline des autonomen Fahrens passiert. Die Map Matching API legt verrauschte GNSS-Spuren vernetzter Flotten auf die Straßengeometrie. Das ist derselbe Grundbaustein, auf dem Flottenmanagement, Auswertungen von Fahrerassistenzsystemen und kartengestützte Lokalisierung mit geringerer Genauigkeit beruhen. Die Geocoding API und die Search API liefern adressgenaue Standortdaten für den Flottenbetrieb, die Abholung von Kunden und die Routenplanung bei Lieferungen. Die Isochrone API liefert Reisezeitanalysen für die Planung von Mobilitätsdiensten.
Wie aus Fahrzeugspuren saubere Routen werden, erklärt Was ist Map Matching?. Die Grundlagen, wie aus einer Koordinate ein Ort wird, erklärt Was ist ein Geocode?.
Häufig gestellte Fragen
Was ist eine High-Definition-Karte?
Eine High-Definition-Karte (HD-Karte) ist eine zentimetergenaue, maschinenlesbare Karte des Straßennetzes für autonome Fahrzeuge und Fahrerassistenzsysteme. Anders als gewöhnliche Straßenkarten enthält sie die Geometrie der Fahrspuren, die Verbindungen zwischen den Spuren, Verkehrszeichen, Ampeln, Haltlinien, Fahrbahnmarkierungen und dreidimensionale Landmarken, mit einer Lagegenauigkeit von 10 bis 20 cm. Das Fahrzeug nutzt die HD-Karte als Vorwissen und gleicht sie mit seinen aktuellen Sensordaten (Kamera, Lidar, Radar) ab. So bestimmt es seine Position innerhalb der Spur und weiß, wie die Straße weiter verläuft.
Wie unterscheiden sich HD-Karten von Google Maps oder OpenStreetMap?
Gewöhnliche Karten sind für Menschen gemacht: Sie zeigen Straßen, Namen und Points of Interest mit einer Genauigkeit im Meterbereich. HD-Karten sind für Maschinen gemacht: Sie enthalten geometrische und semantische Details mit Zentimetergenauigkeit, die Topologie auf Spurebene, die Position von Schildern im Raum und maschinenlesbare Regeln (Tempolimits, Spurbeschränkungen, erlaubte Abbiegevorgänge), die eine Autonomiesoftware direkt verarbeiten kann. Google Maps und OpenStreetMap reichen allein nicht für autonomes Fahren nach Level 4. Als Basisebenen und als Eingabe für die Produktion von HD-Karten sind sie aber nützlich.
Wie bleiben HD-Karten aktuell?
Drei Verfahren haben sich durchgesetzt. Vermessung: Eigene Messfahrzeuge mit Lidar befahren jede Straße in regelmäßigen Abständen, danach wird die HD-Karte neu berechnet. Crowdsourcing: Serienfahrzeuge der Flotte melden Abweichungen ihrer Sensoren (eine fehlende Spurmarkierung, eine neue Baustelle, ein versetztes Schild), und diese Meldungen lösen Kartenupdates aus. Hybrid: Eine vermessene Grundkarte wird vierteljährlich gepflegt, und eine Änderungsebene aus Crowdsourcing erfasst, was sich dazwischen ändert. Ans Fahrzeug gehen die Updates kachelweise per LTE oder 5G, sodass nur die geänderten Gebiete übertragen werden, nicht die ganze Karte.
Nutzen alle autonomen Fahrzeuge HD-Karten?
Die meisten, aber nicht alle. Waymo, Mobileye, Baidu Apollo und die meisten Level-4-Dienste stützen sich stark auf HD-Karten. Tesla verzichtet bekanntlich darauf und setzt allein auf Kameras. Das Argument: Karten veralten, und eine ausreichend leistungsfähige Wahrnehmung sollte ohne sie auskommen. In der Branche setzt sich die Sicht durch, HD-Karten als Sicherheitsnetz zu nutzen und seltene Sonderfälle Kameras und Lidar zu überlassen. Die Debatte ist aber offen. Die Frage nach der Karte gehört zu den grundlegenden Architekturentscheidungen beim autonomen Fahren.
