高精地图是自动驾驶汽车所读取的地图，与手机上打开的导航地图截然不同。它是对路线上每条车道线、交通标志、停车线和道路边缘的厘米级精度机器可读描述，以自动驾驶系统能与实时传感器数据匹配、精确确定车辆在车道内位置的方式打包封装。
本文介绍高精地图的实际内容、生产与更新方式、在自动驾驶系统中的定位，以及目前仍存在行业分歧的若干开放问题。
高精地图的实际内容
高精地图编码了普通导航地图所不具备的三个道路信息层。
几何层：道路表面、车道中心线、车道边界、路缘石和道路边缘的精确三维形状，水平精度达10至20厘米。每条车道以折线表示而非单一道路中心线，车道宽度连续采集而非取平均值。
语义层：附加在几何数据上的机器可读属性，包括限速、行驶方向、车道类型（普通、公交、自行车、共乘专用）、转向限制、交叉口车道连通关系、停车线位置、人行横道区域。这些信息使自动驾驶系统无需从原始视觉中推断，即可直接判断合法行驶操作。
地标层：交通标志、信号灯及其他持久特征的三维坐标，供车辆感知系统在行驶时实时匹配。这一图层是地图辅助定位的核心。
一张覆盖某大都市区的高精地图未压缩时通常达数百吉字节，远大于同区域的普通导航地图。
自动驾驶汽车为何需要地图
摄像头、lidar 和雷达能感知车辆周围的即时环境，但无法感知下一个弯道之后的情况。高精地图作为长程先验数据，使车辆在传感器感知范围之外便已知晓道路几何形状、前方标志位置和车道拓扑，从而规划更平顺、更安全、更果断的行驶操作。
地图还能覆盖传感器失效的边缘场景：被雪覆盖的车道线、被遮挡的停车标志、阳光眩光时刻、褪色的人行横道。有地图作为备份，车辆仍然知道车道线和停车线应在何处，而没有地图时，这些场景都会成为驾驶降级事件。
此外，地图编码了行驶规则。左转是否允许、该车道在当前时段是否为公交专用、限速是否刚刚降低，这些语义事实有时可通过视觉读取，但经过人工维护的地图能提供更可靠的保证。
高精地图的生产方式
目前主要有三种生产流程。
测绘级 lidar 车队。TomTom、HERE 以及整车厂内部测绘部门运营配备高端 lidar、多目摄像头和测绘级 GNSS-INS 的测绘车队。车辆行驶时记录密集点云和图像，后端流水线拼接数据、提取车道线和标志，最终生成高精地图。这是精度最高的方案，同时也是成本最高、更新最慢的方案。
量产车队众包采集。Mobileye 的 Roadbook 和 Tesla 的数据引擎从数百万辆用户车辆中提取传感器特征。每辆车上传的是紧凑特征（标志检测结果、车道线样本）而非原始视频，后端跨车辆聚合、过滤噪声并持续更新地图。每公里成本远低于测绘级方案，精度已能满足大多数 ADAS 和 L2+ 场景，并逐步接近 L4 级需求。
混合方案。先建立测绘级基准图，再通过众包差分图层叠加变化。大多数主流服务商均采用此类方案，测绘图提供干净的基础，众包数据保证时效性。
定位：将地图与现实匹配
拥有高精地图的车辆仍需知晓自身在地图上的位置。GNSS 在晴空下精度约为5至10米，在城市中更差，无法满足车道级自动驾驶的需求。
车辆通过地图辅助定位解决这一问题。感知系统实时检测地标（标志、车道线、路灯），并与高精地图的地标层进行匹配。匹配结果足够多时，车辆位姿可精确到厘米级，与地图本身精度相当。其数学本质是将 GNSS、IMU、轮速里程计与视觉或 lidar 地标关联进行紧耦合融合。
这也是地图匹配成为自动驾驶系统组成部分的原因。经典地图匹配问题（将噪声 GNSS 轨迹吸附到道路几何）推广为将噪声多传感器位姿估计吸附到厘米级精度地图的通用问题。
保持地图时效性
道路持续变化：新增车道线、标志移位、施工区封闭转向。反映上个季度现实的高精地图会在今天误导自动驾驶系统，有时后果严重。
时效性问题是该领域最难解决的挑战之一。目前有三种方案在生产中使用。
定期测绘。按季度、月度或周度安排测绘车通过。可靠但速度慢、成本高。
车队异常检测。量产车辆将感知结果与地图内容进行比对，发现差异则上报标记。积累足够多车辆的标记后，真实变化得以确认并更新地图。
实时瓦片下发。车辆本地缓存高精地图，并按需拉取即将进入区域的瓦片。变化从云端传播到车辆仅需数分钟而非数周。
当前最先进的方案是综合测绘和众包输入、基于瓦片下发、地图更新持续滚动推送而非批量发布的车队体系。
纯视觉方案的反驳论点
Tesla 的官方立场是高精地图是一种依赖。其论点为：足够强大的感知系统应当能像人类一样读取道路，而任何地图终将过时。Tesla 依赖车载视觉系统和推断得到的车道几何，不使用厘米级精度的地图先验。
行业其他参与者的反驳是：高精地图是安全先验而非替代品，不是用来取代视觉的，而是为视觉兜底。当车道线被遮挡或停车标志缺失时，地图填补了空白。当标志写着「限速30，早6时至9时除外」时，地图明确编码了这条规则。防御性观点认为，拥有新鲜高精地图加上强感知能力的自动驾驶系统，比单纯依赖感知更安全，即便感知已经非常出色。
这场争论是真实存在且尚未解决的。行业大多数参与者正向混合方案收敛：比第一代 L4 系统更低的地图依赖度，但不是 Tesla 所倡导的完全无图方案。
标准与格式
目前没有单一主导的高精地图格式，行业分化为几个竞争性标准。
OpenDRIVE / OpenSCENARIO（ASAM，源自汽车仿真领域）：广泛用于仿真，在生产地图交换中的应用也在增加。
NDS / NDS.Live（导航数据标准）：汽车行业联盟格式，NDS.Live 专为向量产车辆进行瓦片式下发而设计。
lanelet2（开源，来自 KIT）：被 Apollo、Autoware 及越来越多学术系统采用。
私有格式：HERE、TomTom 和 Mobileye 各自维护内部格式及专属工具链，用户通过 SDK 而非原始文件使用。
量产自动驾驶系统通常在内部维护一种规范表示，并从已授权的各供应商格式进行导入。
地图行业的发展趋势
三个趋势已较为明确。
众包时效性在成本和覆盖率上占优，对 L4 级以外的绝大多数场景均如此。五年前高精地图还是测绘级独占市场，如今大多数主流供应商已采用混合流水线。
开放格式持续扩大影响力。lanelet2、OpenDRIVE 和 NDS.Live 使自动驾驶开发者更易切换供应商、构建内部工具、避免锁定。第一代封闭私有高精地图模式正面临压力。
地图的职责范围在收窄。现代自动驾驶系统依赖地图获取语义信息（规则、车道拓扑）和粗略几何，但将精细动态细节交给感知处理。地图负责稳定的内容，感知负责变化的内容。结果是地图更小、更轻、更新更快。
MapAtlas 的定位
MapAtlas 不为 L4 自动驾驶部署构建高精地图。MapAtlas 专注于面向消费级和 B2B 场景的地图、地理编码与路径规划，为需要精确地址、等时圈和路径优化的产品提供服务，而非厘米级车道几何。L4 系统应选择专业高精地图供应商。
MapAtlas 提供的是自动驾驶流程的上下游能力。地图匹配 API 将联网车队的噪声 GNSS 轨迹吸附到道路几何，这与车队管理、ADAS 分析以及较低精度层级地图辅助定位所需的基础能力相同。地理编码 API 和搜索 API 为车队运营、乘客接送和配送路径规划提供地址级位置数据。等时圈 API 支持出行即服务规划中的出行时间分析。
深入了解车辆轨迹如何转化为干净路径，请参阅什么是地图匹配。了解坐标如何转化为地点的基础知识，请参阅什么是地理编码。
常见问题
高精地图是什么？
高精地图（HD map）是专为自动驾驶和高级驾驶辅助系统（ADAS）设计的厘米级精度机器可读道路地图。与普通导航地图不同，高精地图以10至20厘米的定位精度编码车道几何形状、车道连通关系、交通标志、信号灯、停车线、路面标识以及三维地标。车辆将高精地图作为先验数据，再与实时传感器数据（摄像头、lidar、雷达）进行匹配，从而精确确定自身在车道内的位置并预判前方道路状况。
高精地图与 Google 地图或 OpenStreetMap 有何不同？
普通导航地图面向人类用户，以米级精度呈现街道、名称和兴趣点。高精地图面向机器，以厘米级精度编码几何与语义细节，包括车道级拓扑、交通标志的三维坐标，以及自动驾驶系统可直接使用的机器可读规则（限速、车道限制、转向许可）。Google 地图和 OpenStreetMap 单独使用无法满足 L4 级自动驾驶的需求，但可作为底图或高精地图生产流程的输入数据。
高精地图如何保持更新？
目前主要有三种更新模式。测绘模式：配备高精 lidar 的专用测绘车辆定期行驶各路段并重新处理地图。众包模式：车队中的量产车辆将传感器异常（缺失车道线、新施工区、标志位移）上传，触发地图更新。混合模式：维护季度级测绘基准图层，通过众包差分图层实时捕捉变化。实时下发方面，系统通过 LTE 或 5G 以瓦片方式向车辆推送更新，仅下载变化区域而非整张地图。
所有自动驾驶汽车都使用高精地图吗？
大多数使用，但并非全部。Waymo、Cruise、Mobileye、百度 Apollo 以及大多数 L4 级部署都重度依赖高精地图。Tesla 以纯视觉方案著称，认为地图会过时，而足够强大的感知系统不应依赖地图。行业主流趋势是将高精地图作为安全先验、视觉与 lidar 处理长尾场景的混合方案，但争论仍未平息。地图选型是现代自动驾驶架构中最核心的设计抉择之一。
