Eine High-Definition-Karte ist die Karte, die ein selbstfahrendes Fahrzeug liest. Sie ist nicht die Karte, die man auf dem Smartphone öffnet. Sie ist eine zentimeterenaue, maschinenlesbare Beschreibung jeder Spurmarkierung, jedes Verkehrsschildes, jeder Haltlinie und jeder Straßenkante entlang einer Route, verpackt so, dass ein Autonomie-Stack sie mit Live-Sensordaten abgleichen und genau wissen kann, wo das Fahrzeug innerhalb seiner Spur steht.
Dieser Leitfaden erläutert, was eine HD-Karte tatsächlich enthält, wie sie produziert und aktualisiert wird, wo sie in einem autonomen Fahrzeugstack einzuordnen ist und welche offenen Fragen die Branche noch beschäftigen.
Was eine HD-Karte tatsächlich enthält
Eine HD-Karte codiert drei Informationsschichten des Straßennetzes, die eine Verbraucherkarte nicht bietet.
Geometrische Schicht: die präzise 3D-Form der Fahrbahnoberfläche, Spuermittellinien, Spurgren zen, Bordsteine und Straßenränder mit horizontaler Genauigkeit von 10-20 cm. Jede Spur ist eine Polylinie statt einer einzelnen Straßenmittellinie, und die Spurbreite wird kontinuierlich erfasst statt gemittelt.
Semantische Schicht: maschinenlesbare Attribute, die an die Geometrie gebunden sind. Geschwindigkeitsbegrenzung, Fahrtrichtung, Spurtyp (regulär, Bus, Fahrrad, HOV), Abbiegebeschränkungen, Spurkonnektivität an Kreuzungen, Haltlinienpositionen, Fußgängerübergangsbereiche. Diese Schicht ermöglicht es dem Autonomie-Stack, erlaubte Fahrmanöver direkt zu bestimmen, ohne sie aus rohen Sensordaten ableiten zu müssen.
Landmark-Schicht: 3D-Positionen von Verkehrsschildern, Signalanlagen und anderen persistenten Merkmalen, gegen die der Perception-Stack des Fahrzeugs in Echtzeit abgleichen kann. Diese Schicht ist die Grundlage der kartengestützten Lokalisierung.
Eine typische HD-Karte für ein Ballungsgebiet umfasst unkomprimiert Hunderte von Gigabyte, weit mehr als eine Verbraucherkarte derselben Region.
Warum selbstfahrende Autos überhaupt eine Karte brauchen
Kameras, lidar und Radar können wahrnehmen, was sich aktuell um das Fahrzeug herum befindet. Sie können nicht wahrnehmen, was sich hinter der nächsten Kurve befindet. Eine HD-Karte fungiert als weitreichender Prior: Das Fahrzeug kennt die Straßengeometrie, die kommenden Schildpositionen und die Spurtopologie weit jenseits der Sensorreichweite und nutzt diesen Prior für glattere, sicherere und entschlossenere Manöver.
Die Karte deckt auch Randfälle ab, bei denen Sensoren versagen. Eine verschneite Spurmarkierung, ein verdecktes Stoppschild, ein Moment mit Sonneneinstrahlung, ein verblasstes Zebrastreifenmuster: Mit der Karte als Fallback weiß das Fahrzeug noch, wo die Spurlinie und wo die Haltlinie sein sollten. Ohne die Karte wird jeder dieser Momente zu einem beeinträchtigten Fahrereignis.
Schließlich codiert die Karte die Regeln. Ob ein Linksabbiegen erlaubt ist, ob eine Spur zu dieser Stunde nur für Busse gilt, ob die Geschwindigkeitsbegrenzung gerade gesunken ist: Das sind semantische Fakten, die Vision manchmal ablesen kann, eine kuratierte Karte aber garantieren kann.
Wie HD-Karten gebaut werden
Drei Produktionspipelines dominieren.
Vermessungsfahrzeuge mit Survey-grade-lidar. Unternehmen wie TomTom, HERE und dedizierte Kartierungsabteilungen in Automotive-OEMs betreiben Flotten von Vermessungsfahrzeugen, ausgestattet mit hochwertigen lidar-Systemen, Multi-Kamera-Rigs und Vermessungs-GNSS-INS. Jedes Fahrzeug nimmt dichte Punktwolken und Bilder auf, während es fährt. Backend-Pipelines fügen die Daten zusammen, extrahieren Spurlinien und Schilder und produzieren die HD-Karte. Dies ist der genaueste Ansatz, aber auch der teuerste und langsamste bei der Aktualisierung.
Crowdsourced aus Serienflotten. Mobileyes Roadbook und Teslas Daten-Engine ziehen Sensorsignaturen aus Millionen von Kundenfahrzeugen. Jedes Fahrzeug lädt kompakte Merkmale hoch (Schilddetektionen, Spurlinienproben) statt rohem Videomaterial. Das Backend aggregiert über Fahrzeuge hinweg, filtert Rauschen und aktualisiert die Karte kontinuierlich. Die Kosten pro Kilometer liegen deutlich unter dem Vermessungsansatz. Die Genauigkeit reicht für die meisten ADAS- und L2+-Anwendungsfälle aus und nähert sich dem an, was L4 benötigt.
Hybrid. Eine Survey-grade-Basiskarte wird einmalig erstellt, anschließend wird eine crowdsourced Delta-Schicht für Änderungen angewendet. Die meisten modernen Anbieter fahren eine Variante davon. Die Vermessungskarte liefert das saubere Fundament, der Crowdsource-Anteil die Aktualität.
Lokalisierung: Die Karte mit der Realität abgleichen
Ein Fahrzeug mit HD-Karte muss noch wissen, wo auf der Karte es sich aktuell befindet. GNSS liefert bei freiem Himmel etwa 5-10 m Genauigkeit und schlechter in Städten. Das reicht für spurebene Autonomie nicht aus.
Das Fahrzeug löst dies mit kartengestützter Lokalisierung. Der Perception-Stack erkennt Landmarks (Schilder, Spurlinien, Lichtmasten) in Echtzeit und gleicht sie gegen die Landmark-Schicht der HD-Karte ab. Bei ausreichend vielen Übereinstimmungen ist die Fahrzeugpose auf wenige Zentimeter genau bekannt, dieselbe Genauigkeit wie die Karte selbst. Die Mathematik dahinter ist im Wesentlichen eine eng gekoppelte Fusion aus GNSS, IMU, Rododometrie und visuellen oder lidar-basierten Landmark-Assoziationen.
Hier wird auch Map Matching Teil des Autonomie-Stacks. Das klassische Map-Matching-Problem (Einrasten von verrauschtem GNSS auf Straßengeometrie) verallgemeinert sich auf das Einrasten von verrauschten Multi-Sensor-Posesch ätzungen auf eine zentimeterenaue Karte.
Die Karte aktuell halten
Straßen ändern sich. Eine neue Spurmarkierung erscheint, ein Schild wird versetzt, eine Baustelle sperrt eine Abbiegespur. Eine HD-Karte, die die Realität des letzten Quartals abbildet, wird den Autonomie-Stack heute irreführen, mitunter gefährlich.
Das Freshness-Problem gehört zu den schwierigsten im Bereich. Drei Ansätze sind in der Produktion im Einsatz.
Periodische Vermessung. Vierteljährliche, monatliche oder wöchentliche Vermessungsfahrten. Zuverlässig, aber langsam und teuer.
Anomalie-Erkennung aus der Flotte. Serienfahrzeuge vergleichen, was sie sehen, mit dem, was die Karte angibt. Abweichungen lösen ein Flag aus. Über genügend Fahrzeuge hinweg konvergieren die Flags auf reale Änderungen und die Karte wird aktualisiert.
Echtzeit-Kachel-Auslieferung. Das Fahrzeug hält einen lokalen HD-Karten-Cache vor und lädt nur die Kacheln herunter, die es in Kürze befahren wird. Änderungen propagieren in Minuten statt Wochen in die Cloud und von dort zu den Fahrzeugen.
Der aktuelle Stand der Technik sind Flotten mit sowohl Vermessungs- als auch Crowdsource-Inputs und kachelbasierter Auslieferung, mit Kartenaktualisierungen, die kontinuierlich statt in Bulk-Releases zu den Fahrzeugen ausgeliefert werden.
Das Vision-First-Gegenargument
Teslas offizielle Position ist, dass HD-Karten eine Krücke sind. Das Argument: Ein hinreichend leistungsfähiges Perception-System sollte in der Lage sein, die Straße ebenso gut zu lesen wie ein Mensch, und jede Karte wird irgendwann veralten. Tesla setzt auf seinen fahrzeuginternen Vision-Stack und abgeleitete Spurgeometrie, ohne zentimeterenauen Map-Prior.
Das Gegenargument der restlichen Industrie lautet, dass eine HD-Karte ein Safety-Prior ist, kein Ersatz. Sie ersetzt Vision nicht; sie sichert Vision ab. Wenn eine Spurmarkierung verdeckt oder ein Stoppschild fehlt, füllt die Karte die Lücke. Wenn ein Schild "Tempo 30 außer 6-9 Uhr" anzeigt, codiert die Karte die Regel eindeutig. Die defensive Sichtweise: Ein Autonomie-Stack mit frischer HD-Karte plus starker Perception ist sicherer als Perception allein, selbst wenn die Perception exzellent ist.
Die Meinungsverschiedenheit ist real und ungelöst. Der Großteil der Industrie konvergiert auf hybride Ansätze: weniger Kartenabhängigkeit als Erstgenerations-L4-Stacks, aber nicht den vollständig kartenlosen Ansatz, den Tesla propagiert.
Standards und Formate
Es gibt kein dominantes HD-Karten-Format. Die Landschaft teilt sich in mehrere konkurrierende Standards auf.
OpenDRIVE / OpenSCENARIO (ASAM, ursprünglich aus der automobilen Simulation): weit verbreitet in der Simulation und zunehmend im produktiven Kartenaustausch.
NDS / NDS.Live (Navigation Data Standard): ein Automotive-Industrie-Konsortiumsformat, wobei NDS.Live für die kachelbasierte Auslieferung an Serienfahrzeuge konzipiert ist.
lanelet2 (Open Source, vom KIT): wird von Apollo, Autoware und einer wachsenden Zahl akademischer Stacks genutzt.
Proprietär: HERE, TomTom und Mobileye pflegen jeweils interne Formate mit formatspezifischem Tooling. Kunden konsumieren sie per SDK statt als Rohdateien.
Ein produktiver Autonomie-Stack hält die Karte oft in einer kanonischen internen Repräsentation vor und nimmt lizenzierte Vendoren-Formate als Input auf.
Wohin sich die Kartierungsindustrie entwickelt
Drei Tendenzen zeichnen sich klar ab.
Crowdsourced Freshness gewinnt bei Kosten und Abdeckung für alles außer den sicherheitskritischsten L4-Deployments. Vor fünf Jahren waren HD-Karten ausschließlich Survey-grade. Heute betreiben die meisten großen Anbieter hybride Pipelines.
Offene Formate gewinnen an Boden. lanelet2, OpenDRIVE und NDS.Live erleichtern es AV-Entwicklern, Lieferanten zu wechseln, interne Tools zu bauen und Lock-in zu vermeiden. Das ursprüngliche geschlossene proprietäre HD-Karten-Modell der ersten Generation steht unter Druck.
Die Karte schrumpft im Umfang. Moderne Autonomie-Stacks stützen sich auf die Karte für semantische Informationen (Regeln, Spurtopologie) und grobe Geometrie, verlassen sich aber auf Perception für feinkörnige dynamische Details. Die Karte übernimmt das Stabile; Perception übernimmt das Veränderliche. Das Ergebnis ist eine kleinere, leichtere Karte, die sich schneller aktualisieren lässt.
Wo MapAtlas passt
MapAtlas erstellt keine HD-Karten für L4-Autonomiedeployments. Der Fokus von MapAtlas liegt auf Consumer-grade- und B2B-Kartierung, Geocoding und Routing für Produkte, die genaue Adressen, Isochronen und Routenoptimierung benötigen, nicht auf zentimetergenaue Spurgeometrie. Für einen L4-Stack wird ein dedizierter HD-Karten-Anbieter benötigt.
Was MapAtlas bietet, ist das Vor- und Nachgelagerte der autonomen Fahrzeugpipeline. Die Map Matching API rastet verrauschte GNSS-Traces von vernetzten Flotten auf Straßengeometrie ein, dasselbe Grundprimitive, das Flottenmanagement, ADAS-Analytik und kartengestützte Lokalisierung auf niedrigeren Präzisionsstufen antreibt. Die Geocoding API und die Search API liefern adressgenaue Standortdaten für Flottenoperationen, Kunden-Pickup und Lieferrouting. Die Isochrone API treibt Reisezeitanalysen für Mobility-as-a-Service-Planung an.
Einen tieferen Einblick, wie Fahrzeugtraces zu sauberen Routen werden, bietet Was ist Map Matching. Die Grundlagen, wie eine Koordinate zu einem Ort wird, erklärt Was ist ein Geocode.
Häufig gestellte Fragen
Was ist eine High-Definition-Karte?
Eine High-Definition-Karte (HD-Karte) ist eine zentimeterenaue, maschinenlesbare Repräsentation des Straßennetzes, konzipiert für autonome Fahrzeuge und fortschrittliche Fahrerassistenzsysteme. Im Gegensatz zu Verbraucherkarten codieren HD-Karten Spurgeometrie, Spurkonnektivität, Verkehrsschilder, Signalanlagen, Haltlinien, Fahrbahnmarkierungen und 3D-Landmarks mit einer Positionsgenauigkeit von 10-20 cm. Das Fahrzeug nutzt die HD-Karte als Prior und gleicht sie mit Live-Sensordaten (Kamera, lidar, Radar) ab, um die eigene Position innerhalb der Fahrspur zu bestimmen und den weiteren Streckenverlauf zu antizipieren.
Wie unterscheiden sich HD-Karten von Google Maps oder OpenStreetMap?
Verbraucherkarten sind für Menschen konzipiert: Sie zeigen Straßen, Ortsnamen und Points of Interest mit Genauigkeit im Meterbereich. HD-Karten sind für Maschinen konzipiert: Sie codieren geometrische und semantische Details mit Zentimetergenauigkeit, spurgenauer Topologie, Schildpositionen im 3D-Raum und maschinenlesbaren Regeln (Geschwindigkeitsbegrenzungen, Spurbeschränkungen, Abbiegeerlaubnisse), die ein Autonomie-Stack direkt verarbeiten kann. Google Maps und OpenStreetMap reichen für Level-4-autonomes Fahren allein nicht aus, sind aber als Basisschichten und als Eingabe in HD-Karten-Produktionspipelines nützlich.
Wie werden HD-Karten aktuell gehalten?
Drei Muster dominieren. Vermessungsbasiert: dedizierte lidar-ausgestattete Vermessungsfahrzeuge befahren jede Straße periodisch und verarbeiten die HD-Karte neu. Crowdsourced: Serienfahrzeuge der Flotte laden Sensor-Anomalien hoch (eine fehlende Spurmarkierung, eine neue Baustelle, ein versetztes Schild), die Kartenaktualisierungen auslösen. Hybrid: Eine Vermessungsbaseline wird quartalsweise gepflegt, während eine crowdsourced Delta-Schicht Änderungen dazwischen erfasst. Die Echtzeitauslieferung ans Fahrzeug erfolgt über kachelbasierte Updates per LTE oder 5G, sodass nur geänderte Bereiche heruntergeladen werden.
Nutzen alle autonomen Fahrzeuge HD-Karten?
Die meisten tun es, aber nicht alle. Waymo, Cruise, Mobileye, Baidu Apollo und die meisten Level-4-Deployments stützen sich stark auf HD-Karten. Tesla verzichtet bekanntermaßen auf HD-Karten zugunsten eines rein bildgebenden Ansatzes mit dem Argument, dass Karten veralten und ein hinreichend leistungsfähiger Perception-Stack sie nicht benötigen sollte. Der Branchenkonsens bewegt sich in Richtung HD-Karten als Safety-Prior, während Vision und lidar den Long Tail abdecken, doch die Debatte ist real. Die Kartenfrage ist eine der zentralen Architekturentscheidungen in der modernen Fahrzeugautonomie.
