在自動駕駛發展的早期階段，高精度地圖（High-Definition Map, HD Map）一直被視為實現高階自動駕駛的標準答案和安全底牌。通過提前錄入厘米級的道路信息，車輛得以在受限的算力條件下實現精準的路徑規劃和定位。但隨著智駕系統從封閉高速走向錯綜復雜的城區道路，傳統高精地圖的局限性日益凸顯，促使行業開始重新審視圖在系統中的地位。

所謂的無圖方案，并非徹底拋棄所有地圖數據，而是去高精地圖化，其核心是讓自動駕駛系統擺脫對預設靜態數據的過度依賴，轉而通過車載傳感器實時捕捉環境數據，并利用先進的感知算法構建實時的環境模型。

圖片源自：網絡

這一過程被形象地描述為從死記硬背向舉一反三的進化，車輛不再依賴于一份被框死在厘米精度里、更新緩慢且昂貴的死地圖，而是依靠一張能夠指引方向、提供宏觀預判的活地圖來識別道路。特斯拉負責人Ashok Elluswamy在2021年AI Day上就做過一個比喻，高精地圖之于自動駕駛，就像一個必須依靠詳細劇本才能演戲的演員，一旦劇本出錯或場景變化，系統就會陷入混亂。這一觀點成為后來行業轉向去高精地圖化的核心思想淵源之一。

高精度地圖的興起及其技術瓶頸

高精度地圖是專為機器設計的數字化模型，其精度可達到厘米級。與傳統導航地圖僅記錄路名和基本路徑不同，高精地圖記錄了包括道路幾何形狀、車道線類型、紅綠燈精確三維坐標、路緣石高度、甚至道路的坡度和橫向傾角等極其詳細的物理特征。

在單車智能發展的早期，高精地圖扮演了三個關鍵角色。

第一個是作為超視距傳感器，它能提供兩公里外的立交橋走向或被大型車輛遮擋的紅綠燈位置。

還有就是提供穩定的無源定位方式，車輛通過匹配實時感知的特征與地圖預存特征，在GPS信號弱的環境下可以獲知相對位置。

高精地圖通過預存靜態信息，更能有效地減輕感知層在實時檢測方面的計算壓力，使系統能夠將更多的算力資源集中于動態物體的識別與跟蹤。

圖片源自：網絡

雖然高精度地圖優勢非常明顯，但是在大規模應用時卻出現了很多問題。

城市道路環境的變化速度遠超地圖的更新頻率。高精地圖的制作難度大、成本高，傳統圖商通常只能實現季度級甚至半年級的更新。而城市道路中的施工、臨時改道或交通標志變動，可能在一天之內發生。一旦地圖數據與現實環境不符，基于地圖指引的系統可能會產生嚴重的規控邏輯混亂，甚至導致安全事故。

在2025世界智能網聯汽車大會上，四維圖新CEO程鵬就坦言，地圖的輕重取決于應用場景和自動駕駛級別，高精地圖沒有絕對的理想模式，需要找到商業博弈的平衡點。商湯絕影CEO王曉剛在2025年9月則更直接地提出，智能駕駛正從規則式智駕1.0經端到端智駕2.0，邁入生成式智駕3.階段，地圖的角色正在被重新定義。

高精地圖的采集與維護也極其昂貴，傳統的高精地圖采集車配備了高線數激光雷達、高精度慣導（IMU）和全景相機，單臺車的改造成本將達到百萬人民幣以上。根據《智能網聯汽車高精地圖白皮書》數據，厘米級地圖的測繪成本達到每公里千元，是分米級地圖的100倍；按每天每車100公里采集效率計算，單日成本高達10萬元，若覆蓋全國1000萬公里城市道路，總成本將達到百億元級別，即使頭部車企也難以承受。

圖片源自：網絡

一張城市級高精地圖的制作成本更是高達數億元，更新周期以月計，覆蓋率、時效性都跟不上車企量產節奏。據相關數據顯示，2024年中國高精地圖市場規模已突破80億元，預計到2030年將超過300億元。但傳統采集模式下，一輛專業采集車一天僅能完成幾十公里的采集任務，且后期需要人工核對校準，周期長、成本高。對于需要覆蓋全國數十萬公里城市道路的目標而言，這種投入規模對車企和圖商都是巨大的財務負擔。

對于高精度地圖還有一個不得不面對的問題，那就是安全問題，高精度地圖涉及國家地理信息安全。近年來，相關監管持續收緊，擁有導航電子地圖制作甲級測繪資質的單位數量不斷縮減。這種資質壁壘導致許多車企在數據采集、處理和云端下發過程中都需要解決很多問題，這直接限制了自動駕駛方案的推廣速度。

2025年7月，北京市規劃和自然資源委員會就向某知名圖商下發了《限期整改通知》，原因是該公司現有技術人員不再符合測繪資質標準要求。同年，自然資源部進一步強化了對導航電子地圖制作測繪資質單位和車企的指導監督，要求地圖新增地理信息內容必須進行安全審校并及時備案，嚴格規定從事相關活動的車企、地圖服務商及智能駕駛軟件提供商必須持有相應測繪資質或委托有資質單位。這一系列監管收緊動作，直接加速了車企去高精地圖化的決策進程。

無圖化技術的核心底層邏輯

無圖方案的核心在于重感知，即利用更強的硬件和算法取代高精地圖的輸入。在傳統方案中，每個攝像頭獨立成像并進行2D檢測，這導致跨攝像頭目標融合極其困難，且無法準確獲知物體在3D空間中的位置。

2021年，BEV（Bird's Eye View，鳥瞰圖）技術的出現徹底改變了感知架構。BEV通過將不同視角、不同傳感器的原始數據投影到統一的俯視圖空間，實現了環境信息的全局對齊。

特征提取（Backbone）：利用如YOLOv8等主干網絡提取各攝像頭的深層語義特征。

特征融合（Neck/BIFPN）：采用BIFPN等特征融合結構，將多尺度的視覺特征進行深度整合。

空間轉換（Transformer）：通過Transformer模塊進行空間位置查詢，利用注意力機制將2D圖像坐標系轉換為統一的2D鳥瞰圖坐標系。

圖片源自：網絡

2021年至2023年間，特斯拉在AI Day和CVPR會議上全面公布了基于Transformer的BEV感知、純視覺占用網絡OCC和基于神經輻射場（NeRF）的三維重建技術，這些發布深刻影響了整個行業的技術走向。

占用網絡可以將三維空間劃分為無數個小方格（Voxels），并檢測每個網格的占用狀態及其運動速度。

運動狀態識別：系統通常用藍色表示正在運動的物體，用紅色表示靜止物體。

長尾場景（Edge Cases）處理：對于掉落的紙箱、伸出的樹枝、異形施工車輛等傳統3D目標檢測難以涵蓋的物體，占用網絡能準確識別其物理占據的空間，確保車輛能夠做出正確的避讓決策。

物理規律約束：該架構確保了物理世界的幾何連續性，例如物體不能瞬間位移，兩個實體不能在同一時間占據同一空間。

在國內，小鵬汽車推出的XNet深度視覺神經網絡率先將BEV感知大規模量產落地，依靠強大的實時感知能力，XNet能夠在不依賴高精地圖的情況下識別道路結構、車輛與行人。據統計，截至2025年底，BEV+Transformer架構已被超過80%的主流智駕方案采用。

為了在沒有預制地圖的情況下理解復雜的路口關系，有些智駕系統還引入了實時拓撲推理技術。RCR（Road Connection Reasoner，道路拓撲推理）網絡或MapTR（Map Transformer）技術被用于在行駛過程中實時生成道路連接關系。

這種能力使得車輛在面對磨損的車道線、復雜的環島或沒有導流線的施工區域時，能夠像人類駕駛員一樣，根據路緣石、車流軌跡和地面箭頭推理出正確的行駛路徑。

無圖并非真的沒圖

自動駕駛行業內對于無圖的宣傳存在一定的噱頭成分，其實目前并沒有一家主流車企能夠完全脫離地圖運行，只是將對圖的依賴從高精地圖轉向了標準精度地圖或輕地圖。

在無圖方案中，SD地圖（導航地圖）依然不可或缺。它的主要任務是負責宏觀的路徑規劃，告知系統在哪個路口調頭、在哪個出口下高速。如果沒有SD地圖提供的全局底圖，自動駕駛系統雖然可以避開眼前的障礙，但卻無法引導車輛到達特定的目的地。

在很多企業的宣傳中，還可以聽到輕地圖（LD Map）的概念，所謂輕地圖，可以看作是高精地圖的精簡降級版。相比高精地圖，輕地圖舍棄了厘米級的幾何細節，但保留了關鍵的語義信息（如復雜立交橋的拓撲邏輯、限速信息、隧道位置）。

超視距指引：即使車載傳感器能看清200米外的環境，但在時速120公里的高速行駛中，反應時間依然有限。輕地圖作為一種先驗信息，能讓系統提前預知前方的隧道或復雜彎道，從而預先調整感知權重和加減速策略 。

邏輯兜底：在極端天氣（如大暴雨、暴雪）導致感知系統大面積失效時，輕地圖提供的靜態路徑參考可以作為安全兜底，維持智駕系統的連續性，避免突然的接管需求。

值得一提的是，特斯拉FSD入華時也選擇了輕地圖路線，其采用了百度的輕圖產品，百度的輕圖介于高精地圖和導航地圖之間，相比高精地圖信息更精簡，沒有定位層信息。這一選擇表明，即便是在去高精地圖化最激進的企業那里，一張輕量級的底圖依然是不可或缺的。當前，騰訊地圖也已異軍突起，據《高工智能汽車研究院》數據顯示，騰訊已為蔚來、樂道、極氪、魏牌等品牌的城市NOA提供智駕地圖服務，占新能源乘用車市場標配城市NOA智駕地圖49.01%的市場份額。2024年6月，廣汽與騰訊戰略合作全面升級，基于騰訊的云計算和輕地圖能力，共同推出端云一體的自動駕駛輕地圖解決方案。

圖片源自：網絡

為了解決地圖更新的鮮度問題，有些車企采用了眾源更新網絡。利用量產車上的攝像頭、慣導等傳感器實時采集道路的變化，并上傳至云端進行脫敏和匿名化處理。這些數據經由云端大模型自動標注后，再下發給車端。

Mobileye的REM（道路經驗管理）是業內最早的眾源建圖實踐之一，通過低成本攝像頭為核心，利用眾包數據構建實時更新的全球地圖網絡。在國內，小鵬汽車也在預研將眾包建圖作為智駕方案之一。高德等圖商已建立起大規模的眾源更新網絡，如通過物流車每天數百公里的有效里程，實現對輕地圖的天級更新。這種方案將數據生產從專業采集車集中作業轉變為每一輛量產車都是地圖更新者，大幅降低了更新成本并解決了鮮度問題。

隨著感知能力的跨越，自動駕駛算法結構也正在經歷從模塊化向端到端轉換。傳統的自動駕駛架構采用感知—預測—規控的串行結構。這種結構的缺陷在于每個模塊之間存在明顯的信息損耗，且各模塊之間的硬編碼邏輯規則難以覆蓋無窮盡的真實交通場景。感知層輸出的一個微小噪聲，可能會在規控層被放大為一次危險的急剎。

端到端模型的核心特征是通過神經網絡直接建立從攝像頭視覺輸入到行駛軌跡輸出的映射關系。

全局式端到端：思路清晰，研發成本相對較低，無需人工標注數據集，依賴于大規模高質量人類駕駛數據的模仿學習。

駕駛直覺的形成：模型通過學習數億英里的真實駕駛數據，形成一種類似人類的駕駛直覺，能夠理解物理規則和博弈邏輯，而不僅僅是看圖說話 。

輕舟智航創始人于騫在2026北京車展上指出，自動駕駛規則模塊化的小模型時代已經結束，下半場是大模型，或者說物理世界的基座模型。他給出一組關鍵數據，小模型架構的天花板大概能做到百公里接管一次，而特斯拉FSD V14可以做到千公里級接管，差距達一個數量級。

2025年，理想、小鵬、元戎啟行等在兩周內先后宣布VLA大模型上車，VLA被業內視為端到端方案的智能增強版，其中V代表視覺感知，A代表動作執行，而中間的L則是大語言模型，其功能是用語言數據訓練模型做隱式邏輯推理。

圖片源自：網絡

理想汽車在2025年將空間理解、語言理解與行動決策統一到同一模型框架，構建了基于VLA、世界模型與強化學習三大技術棧的VLA司機大模型，并于當年8月隨理想i8交付正式推送。2026年3月，小鵬汽車第二代VLA正式推送，何小鵬透露該系統可實現識別各種異形車輛、繞行事故現場、對起伏爛路提前降速、夜間禮讓小動物等能力，極端場景接管率較上一代下降62%，Ultra車型用戶首周日均智駕開啟率高達98.52%。

為了解決端到端模型在應對未見過場景時的泛化難題，世界模型（World Model）也成為了2025年前后的技術熱點。

世界模型能根據傳感器輸入信號和車輛運動狀態，生成高度逼真的虛擬駕駛場景。這種能力使得智駕系統可以通過與模擬的真實世界交互，深度理解物理法則。

強化學習（RL）：通過構建世界模型生成大量虛擬訓練場景，模型在閉環仿真中不斷迭代，明確區分合理操作與危險行為。

MindVLA范式：將視覺、語言和動作（VLA）模型相結合，構建符合物理規律的仿真環境，解決訓練偏差問題，顯著提升在復雜空間理解和交通博弈中的表現。

卓馭科技首席科學家陳曉智在2025年云棲大會上特別強調，世界模型、VLA、一段式端到端等概念并非互斥的技術路線，而是解決自動駕駛不同層面的問題。2026年4月，卓馭科技推出首個原生多模態基礎模型，并宣布與中國一汽達成深度戰略合作，標志著智駕大模型方案從新勢力向傳統車企加速滲透。蔚來也在2026北京車展上發布了面向自動駕駛的世界模型（NWM），強調通過自研平衡技術迭代與成本控制。

圖片源自：網絡

最后的話

自動駕駛中的無圖并不是真的不需要地圖，而是地圖在系統中的權力讓渡。隨著BEV、占用網絡和端到端模型等技術的成熟，智駕系統對外部數據的依賴已經從厘米級幾何指令轉變為米級邏輯導引。

在可預見的未來，智駕系統將形成感知與地圖的深度融合，車端負責實時的厘米級動態博弈和幾何重建，云端通過輕量化的眾源地圖提供長效記憶和宏觀引導。這一演進將是智能體從對齊模板向理解世界的跨越式進化。當車輛能夠憑借自身的駕駛直覺在任意陌生的復雜路口自如穿梭時，地圖將真正回歸其作為導航工具的本質角色，而全場景、全天候的自動駕駛也將由此成為現實。

-- END --

       原文標題 : 從高精地圖到無圖，智駕企業為什么要這么做？為什么敢這么做？