Un mapa de alta definición es el tipo de mapa que lee un coche autónomo. No es el mapa que abres en el móvil. Es una descripción centimétrica y legible por máquina de cada línea de carril, señal de tráfico, línea de parada y borde de carretera a lo largo de una ruta, empaquetada para que una plataforma de autonomía pueda compararlo con los datos en vivo de los sensores y saber exactamente dónde se encuentra el vehículo dentro de su carril.
Esta guía explica qué contiene realmente un mapa HD, cómo se produce y actualiza, dónde encaja en una plataforma de conducción autónoma y las preguntas abiertas que todavía dividen al sector.
Qué contiene realmente un mapa HD
Un mapa HD codifica tres capas de información viaria que un mapa de consumo no tiene.
Capa geométrica: la forma 3D precisa de la superficie de la carretera, los ejes centrales de los carriles, los límites de carril, los bordillos y los bordes de la vía, con una precisión horizontal de 10-20 cm. Cada carril es una polilínea en lugar de un único eje central de carretera, y el ancho de carril se captura de forma continua en vez de promediada.
Capa semántica: atributos legibles por máquina vinculados a la geometría. Límite de velocidad, sentido de la marcha, tipo de carril (normal, bus, bici, HOV), restricciones de giro, conectividad de carriles en intersecciones, posiciones de las líneas de parada, zonas de paso de peatones. Esto es lo que permite a la plataforma de autonomía razonar sobre maniobras legales sin inferirlas de la visión en bruto.
Capa de puntos de referencia: posiciones 3D de señales de tráfico, semáforos y otras características persistentes contra las que la plataforma de percepción del vehículo puede compararse en tiempo real. Esta es la capa que impulsa la localización asistida por mapa.
Un mapa HD típico para un área metropolitana ocupa cientos de gigabytes sin comprimir, mucho más que un mapa de consumo de la misma zona.
Por qué los coches autónomos necesitan un mapa
Las cámaras, el lidar y el radar pueden percibir lo que rodea al vehículo en este momento. No pueden percibir lo que hay tras la siguiente curva. Un mapa HD funciona como una referencia de largo alcance: el vehículo conoce la geometría de la carretera, las posiciones de las próximas señales y la topología de los carriles mucho más allá del alcance de los sensores, y usa esa referencia para planificar maniobras más fluidas, seguras y decisivas.
El mapa también gestiona los casos extremos en los que los sensores fallan. Una línea de carril cubierta de nieve, una señal de stop tapada, un momento de deslumbramiento solar, un paso de cebra borrado: con el mapa como respaldo, el vehículo sabe igualmente dónde debería estar la línea de carril y dónde debería estar la línea de parada. Sin el mapa, cada uno de esos momentos se convierte en un evento de conducción degradado.
Por último, el mapa codifica las normas. Si un giro a la izquierda está permitido, si un carril es solo para autobuses a esa hora, si el límite de velocidad acaba de bajar: estos son hechos semánticos que la visión a veces puede leer pero que un mapa curado puede garantizar.
Cómo se construyen los mapas HD
Hay tres pipelines de producción dominantes.
Flotas lidar de grado topográfico. Empresas como TomTom, HERE y los departamentos de cartografía propios de los OEM operan flotas de vehículos topográficos equipados con lidar de alta gama, rigs multicámara y sistemas GNSS-INS de precisión. Cada vehículo graba nubes de puntos densas e imágenes mientras circula. Los pipelines de backend ensamblan los datos, extraen líneas de carril y señales, y producen el mapa HD. Es el enfoque de mayor precisión, pero también el más caro y el más lento para actualizarse.
Crowdsourcing desde flotas de producción. El Roadbook de Mobileye y el motor de datos de Tesla extraen firmas de sensores de millones de vehículos de clientes. Cada vehículo sube características compactas (detecciones de señales, muestras de líneas de carril) en lugar de vídeo en bruto. El backend agrega los datos entre vehículos, filtra el ruido y actualiza el mapa de forma continua. El coste por kilómetro es mucho menor que el topográfico. La precisión es suficiente para la mayoría de los casos de uso ADAS y L2+, y se está acercando a lo que necesita L4.
Híbrido. Se construye una base topográfica de precisión y luego se aplica una capa delta de crowdsourcing para los cambios. La mayoría de los proveedores modernos ejecutan alguna variante de esto. La base topográfica ofrece una fundación limpia; el crowdsourcing aporta frescura.
Localización: comparar el mapa con la realidad
Un coche con un mapa HD necesita saber dónde se encuentra en ese mapa en cada momento. El GNSS ofrece una precisión aproximada de 5-10 m en cielo abierto y peor en ciudades. Eso no es suficiente para la autonomía a nivel de carril.
El vehículo resuelve esto con localización asistida por mapa. La plataforma de percepción detecta puntos de referencia (señales, líneas de carril, farolas) en tiempo real y los compara con la capa de puntos de referencia del mapa HD. Con suficientes coincidencias, la posición del vehículo se conoce con pocos centímetros de error, la misma precisión que el propio mapa. La matemática es esencialmente una fusión estrecha de GNSS, IMU, odometría de ruedas y asociaciones de puntos de referencia visuales o lidar.
Aquí es también donde el map matching se convierte en parte de la plataforma de autonomía. El problema clásico del map matching (ajustar GNSS ruidoso a la geometría viaria) se generaliza al ajuste de estimaciones de posición multisensor ruidosas a un mapa con precisión centimétrica.
Mantener el mapa actualizado
Las carreteras cambian. Aparece una nueva línea de carril, una señal se mueve, una obra cierra un giro. Un mapa HD que refleja la realidad del trimestre pasado puede desorientar a la plataforma de autonomía hoy, a veces de forma peligrosa.
El problema de la frescura es uno de los más difíciles del campo. Hay tres enfoques en uso en producción.
Relevamiento periódico. Pasadas de vehículos topográficos trimestrales, mensuales o semanales. Fiable pero lento y caro.
Detección de anomalías desde la flota. Los vehículos de producción comparan lo que ven con lo que dice el mapa. Las discrepancias generan una alerta. Con suficientes vehículos, las alertas convergen en cambios reales y se actualiza el mapa.
Entrega de teselas en tiempo real. El vehículo mantiene una caché local del mapa HD y descarga solo las teselas de la zona que está a punto de entrar. Los cambios se propagan a la nube y luego a los vehículos en minutos, no en semanas.
El estado del arte son las flotas con entradas topográficas y de crowdsourcing y entrega por teselas, con actualizaciones del mapa que llegan a los vehículos de forma continua en lugar de como versiones masivas.
El contraargumento de la visión como única fuente
La posición oficial de Tesla es que los mapas HD son una muleta. El argumento: un sistema de percepción suficientemente capaz debería ser capaz de leer la carretera tan bien como un humano, y cualquier mapa acabará quedándose obsoleto. Tesla confía en su plataforma de visión a bordo y en la geometría de carriles inferida, sin ninguna referencia centimétrica previa.
El contraargumento del resto del sector es que un mapa HD es una referencia de seguridad, no un sustituto. No reemplaza la visión, la respalda. Cuando una línea de carril está tapada o falta una señal de stop, el mapa cubre el hueco. Cuando una señal indica "Límite 30 excepto de 6 a 9h", el mapa codifica la norma sin ambigüedad. La visión defensiva es que una plataforma de autonomía con un mapa HD actualizado más una percepción sólida es más segura que la percepción sola, aunque la percepción sea excelente.
El desacuerdo es real y no está resuelto. La mayor parte del sector está convergiendo en enfoques híbridos: menor dependencia del mapa que las primeras plataformas L4, pero sin llegar al enfoque totalmente sin mapa que defiende Tesla.
Estándares y formatos
No existe un formato dominante único para los mapas HD. El panorama se divide en varios estándares en competencia.
OpenDRIVE / OpenSCENARIO (ASAM, originalmente para simulación automotriz): ampliamente usado en simulación y cada vez más en intercambios de mapas en producción.
NDS / NDS.Live (Navigation Data Standard): un formato del consorcio de la industria automotriz, con NDS.Live diseñado para la entrega por teselas a vehículos de producción.
lanelet2 (open source, de KIT): utilizado por Apollo, Autoware y un número creciente de plataformas académicas.
Propietario: HERE, TomTom y Mobileye mantienen formatos internos con herramientas específicas. Los clientes los consumen a través de SDK en lugar de archivos en bruto.
Una plataforma de autonomía en producción suele mantener el mapa en una representación interna canónica e ingesta desde los formatos de cada proveedor que tiene licenciado.
Hacia dónde va el sector cartográfico
Hay tres tendencias claras.
El crowdsourcing gana en coste y cobertura para todo excepto los despliegues L4 más críticos en seguridad. Hace cinco años los mapas HD eran exclusivamente de grado topográfico. Hoy la mayoría de los grandes proveedores ejecutan pipelines híbridos.
Los formatos abiertos están ganando terreno. lanelet2, OpenDRIVE y NDS.Live facilitan que los desarrolladores de vehículos autónomos cambien de proveedor, construyan herramientas internas y eviten el lock-in. El modelo propietario cerrado de mapas HD de primera generación está bajo presión.
El mapa está reduciendo su alcance. Las plataformas de autonomía modernas dependen del mapa para información semántica (normas, topología de carriles) y geometría aproximada, pero se apoyan en la percepción para los detalles dinámicos finos. El mapa gestiona lo que es estable; la percepción gestiona lo que cambia. El resultado es un mapa más pequeño y ligero que se actualiza más rápido.
Dónde encaja MapAtlas
MapAtlas no construye mapas HD para despliegues autónomos L4. El foco de MapAtlas es la cartografía de consumo y B2B, el geocoding y el routing para productos que necesitan direcciones precisas, isócronas y optimización de rutas, no geometría de carriles centimétrica. Para una plataforma L4 necesitas un proveedor de mapas HD especializado.
Lo que sí ofrece MapAtlas es la parte anterior y posterior del pipeline de conducción autónoma. La Map Matching API ajusta trazas GNSS ruidosas de flotas conectadas a la geometría viaria, el mismo primitivo que impulsa la gestión de flotas, el análisis ADAS y la localización asistida por mapa en niveles de precisión más bajos. La Geocoding API y la Search API entregan datos de localización a nivel de dirección para operaciones de flota, recogida de clientes y routing de entregas. La Isochrone API impulsa el análisis de tiempos de viaje para la planificación de movilidad como servicio.
Para ver en detalle cómo las trazas de vehículos se convierten en rutas limpias, consulta Qué es el map matching. Para entender cómo una coordenada se convierte en un lugar, consulta Qué es un geocode.
Preguntas frecuentes
¿Qué es un mapa de alta definición?
Un mapa de alta definición (HD) es un mapa legible por máquina con precisión centimétrica de la red viaria, diseñado para vehículos autónomos y sistemas avanzados de asistencia a la conducción. A diferencia de los mapas de consumo, los mapas HD codifican la geometría de los carriles, su conectividad, señales de tráfico, semáforos, líneas de parada, marcas viales y puntos de referencia 3D con una precisión posicional de 10-20 cm. El vehículo usa el mapa HD como punto de partida y lo compara con los datos en vivo de los sensores (cámara, lidar, radar) para localizarse dentro de su carril y anticipar el tramo de carretera que tiene por delante.
¿En qué se diferencian los mapas HD de Google Maps o OpenStreetMap?
Los mapas de consumo están pensados para personas: muestran calles, nombres y puntos de interés con una precisión de metros. Los mapas HD están pensados para máquinas: codifican detalles geométricos y semánticos con precisión centimétrica, topología a nivel de carril, posiciones de señales en 3D y reglas legibles por máquina (límites de velocidad, restricciones de carril, giros permitidos) que una plataforma de autonomía puede consumir directamente. Google Maps y OpenStreetMap no son suficientes por sí solos para la conducción autónoma de nivel 4, pero son útiles como capas base y como entrada a los pipelines de producción de mapas HD.
¿Cómo se mantienen actualizados los mapas HD?
Hay tres enfoques dominantes. Basado en relevamiento: vehículos especializados equipados con lidar recorren cada carretera periódicamente y reprocesean el mapa HD. Crowdsourcing: los vehículos de producción en flota suben anomalías detectadas por los sensores (una línea de carril borrada, una obra nueva, una señal movida) que desencadenan actualizaciones del mapa. Híbrido: se mantiene una base de relevamiento trimestral y una capa delta de crowdsourcing captura los cambios intermedios. La entrega en tiempo real al vehículo usa actualizaciones por teselas sobre LTE o 5G, de modo que solo se descargan las zonas modificadas, no el mapa completo.
¿Todos los vehículos autónomos usan mapas HD?
La mayoría sí, pero no todos. Waymo, Cruise, Mobileye, Baidu Apollo y la mayoría de los despliegues de nivel 4 dependen en gran medida de los mapas HD. Tesla evita deliberadamente los mapas HD y apuesta por un enfoque solo de visión, argumentando que los mapas se quedan obsoletos y que una plataforma de percepción suficientemente capaz no debería necesitarlos. El consenso del sector se inclina hacia los mapas HD como referencia de seguridad, con visión y lidar gestionando los casos extremos, pero el debate sigue abierto. La pregunta sobre el mapa es una de las decisiones arquitectónicas más determinantes en la autonomía moderna.
