宇多田撰文

高精地图市场的诱惑与忧虑:你扮演的技术供应商角色,也许生存空间不大 | 深度

这个市场远远不止 94 亿美元,但厮杀却要来的更加残酷。

时间真的很「贵」。相信高精地图测绘师对此最有发言权。

几个月前,百度千里迢迢将自己价值百万的采集车运到一处园区内,准备给这个方圆不到 20 公里的地儿绘制一幅高精地图。

事实证明,这不单单是一项体力活。

以园区内一处能够「一览众山小」的屋顶作为基准站,工程师小哥扛着那套价值 30 多万的 GPS 接收器爬上屋顶后,还得用水泥浇筑出一个厚实的墩子(底座)用来固定设备。

随后,便是 48 小时的「静置期」。而这一期间,哪怕这水泥墩子有 1 毫米的移动,那么 48 小时就相当于「废掉」,一切都要推倒重来。

48 小时过后,才终于轮到高精地图采集车上场。

顶着那个熟悉的 64 线「全家桶」,配置齐全的百度采集车在园区的道路上来回绕圈。单向道跑 5 遍,双向道跑 10 遍,但时速并不快,颇为小心翼翼。

虽然半天就基本搞定了道路采集工作,但如果仔细一算,刨去非车道,实际采集的道路长度其实不到园区面积的一半。

而「正餐」过后,又是漫长的收尾工作——再将 GPS 定位系统静置 72 小时,采集工作才算真正落幕。而这耗费的 5 天半时间,还不包括把数据传回总部,进行清洗、标注、建模以及制图等等一系列后续工作。

以上整个流程来自一位业内人士的亲眼所见。

正是高精地图这昂贵的时间成本与物力成本让他对无人驾驶乘用车的上路时间表疑虑丛生:

站在使用者角度,如果要将高精地图作为自动驾驶中置信度最高的传感器,考虑到测绘难度与实时性,这个应用场景在现阶段一定要够「狭窄」,够「单调」。

而对于那些一头扎进高精地图市场的图商大佬与创业公司来说,为了降低采集成本与获取足量数据,「众包模式」的确是一条殊途同归的道路。

但是,这掩盖不了该行业在成长前期需投入巨额资本的现实。

从 2015 年开始,各类围绕高精地图展开的收购与融资活动在今年达到了一个小高潮;

而不久前,就连高盛也给出了「2025 年高精地图市场将达到 94 亿美元」这样一组漂亮的数据。

根据粗略统计,仅 2016 年后创立的高精地图技术公司就超过了 15 家,这还不算上那些对该市场跃跃欲试的自动驾驶零部件公司与老牌测绘服务公司。

而其中,大部分创业者试图用「众包」和「更便宜的软硬件采集方案」,让商业回报显得唾手可得。

但我们仍需要先弄明白这几点:

  • 让「众包」可行的前提,是百万甚至千万级的终端设备覆盖量。

  • 卖软硬件方案给车厂,也要确保后者拿到方案后,真的能用这套方案马上做出自己的高精地图来(高德与凯迪拉克合作了三年之久,足以见得其中的难度)。


不过,众包确是目前最节省成本的高精地图制作方法。

3 年前,Mobileye 开始利用众包切入高精地图市场的优势,在于其占据了 ADAS 市场高达 80% 的份额。

而截止 2018 年 7 月,全球共有 2700 万台汽车搭载了 Mobileye 的设备和技术。

根据其官方声明,公司正在通过渐进的路线,为车上的导航地图一步步融入自己传感器中所涵盖的高精地图信息。

但即便如此,利用车辆上的摄像头与配套软件采集简单道路标识与车道线,在一定程度上构建的仍然是低级的、碎片化的、属性不完整的,甚至数据有大量重叠与冗余的地图形式。(这也能解释几年过去,Mobileye 的高精地图网络为何不能成型。)

就像文章在开头所描述的场景一样,如果不采集多遍,我们不能确保一条公路的车道线是否已被完全覆盖,也不能确保像北京大山子路口这种异常复杂的道路形态细节能否被精准识别。

也就是说,专业的测绘人才与专业级的精密采集设备, 无论如何都是不可或缺的。 

图:大山子南路:北京路口最著名的拥堵路口之一

不过话又说回来,与 Mobileye 以及大型图商的众包覆盖量相比,创业公司的胜算有几何?

以「聪明」的国外地图创业公司 IvI5 为例,为了收集图像数据,这家公司鼓励 Uber 司机们下载他们的摄像 APP,并将手机固定在车窗上方。如果司机开车时打开应用录制视频,他们每十英里可以得到约几美分的回报。

但这样的「悬赏」式众包,需要建立在足够的 APP 下载量基础上。而像 Google、高德以及百度这样已经具备众包经验的头部导航 APP,显然会更具优势。

另外,获得软银巨额投资的 Mapbox 采用的众包方式是「开放」(开放平台熟悉不?),而众包的主力军则是「开发者」。

这家公司的主要地图数据来源是一个开放的地图社区 Open Street Map,公司将这些地图数据进行收集和整合再提供给开发者;反过来说,他们也可以源源不断获取开发者上传到社区中的数据。

但问题也同样存在,这些地图数据的质量参差不齐,需要平台将很多时间放在数据清理上面;此外,「信息不完整」这个众包的致命伤仍然没有被解决。    

而如果创业公司依靠与车厂以及物流公司结盟的方式进行众包采集,有分析师认为「远水解不了近渴」:


目前,对覆盖量掌握一定话语权的车厂对高精地图有需求,但很审慎,普遍采取多条腿走路模式——公开与若干高精地图大小公司建立合作,但却都只是停留在「研究」模式。

很遗憾,尚没有一家在自己的量产车上,哪怕是一个细分的产品型号上采用高精地图产品。

因此,截止当下,虽然各家都喊着「众包」,但国内没有一家高精地图创业公司公开给出过明确的众包商业解决方案;

而迫于商业化节奏和制图资质问题,大部分创业公司都在以提供技术和收取测绘服务费的商业模式在市场中立足。

譬如上上周,被曝光正在悄然进入中国市场的高精地图明星创业公司 DeepMap,就是一直以技术供应商及测绘服务商的身份开展商业活动。

与大多数技术创业公司一样,DeepMap 暂时没有做图商的打算,这家被阿里和滴滴投资的技术公司,更像是一家「一站式制图外包服务商」:

既可提供软硬件采集方案(工具),又可提供采集服务,也可以为客户做出一张定制化地图。

有业内人士向机器之能透露,DeepMap 在国外的测绘服务费用为每公里 5000 刀;而在进入中国市场后,为了规避资质风险,它将会以合资公司的形式开展国内业务。

不过,尽管这种切入高精地图市场的模式极受资本及创业公司的推崇,但仍有一些公司不认同这种市场准入策略。甚至坚持走最原始、最难的那条路:

做一个新图商,对标高德与百度。

在很多报道中,宽凳科技与其他如 Momenta、Deepmotion 等创业公司一起,被划分为技术解决方案供应商。

在接受机器之能采访时,宽凳科技联合创始人冯汉平立即否认了这个说法:

「我们不想采用相对取巧的方式,公司架构的设计也考虑了传统图商的设计,采集、测绘、制图、编译、质量管理,一个都不能少。

同时,再融入深度学习图像处理及一系列自动化技术,用技术解决规模化的问题。」

他认为,地图的制作与绘制是一个很繁复的过程,而这里面涉及到的技术问题可能仅占50%。

测绘车队的管理,基站的选择,数据采集、整理、标注工艺、识别、建模、编制等每一道制图工序的质量校检,甚至是地图制作中对每一种标识物进行编绘的先后顺序,都是一些不可忽视却很容易出现问题的环节。


「你别看这些小细节,其实都是我们踩过的坑。

怎么调参才能保证地图采集的精准性,怎样质检才算合格,这些坑都是层出不穷。因为只要你地图不上车,东西可能根本就没法用。」

因此,他并没有否认图商创业前期需要耗费巨大资本:

「任何一家图商都必须投入大量人力和物力去组建人工团队——地图制作团队与外业采集团队,技术好可以提高自动化程度,但也离不开传统测绘人才」。

宽凳做的高速公路高精地图一角:黄桷湾立交桥。红色:地面标识;绿色:标识牌                                                    
而之所以要走这种「全栈」路径,他给出了三个理由:

一个是顺应客户及市场需求,另一个则是为「众包模式」铺路。但最终目的,是为了迅速扩大规模,提升市场占有率。

「与车厂接触多了你会发现,对比精度,他们更注重地图质量;

比起给一套采集方案,国内车厂更喜欢坐在那里看你把量产的高精地图产品直接摆到他们的面前。」

实际上,据冯汉平透露,车厂对一幅高精地图内的要素完整性和丰富性非常在意,他们最不希望看到的不仅包括「有没有这个东西」,也包括「这个东西标注错了」。

「譬如一张标注为 80 的限速牌,实际数字应该是 70。这种直接的错误肯定不能忍。

另外高精地图的逻辑性错误也很致命。比如,理论上这个地方是不能左转的,但你没有加上限制,那么车就会按照地图的指引在这地方左转,出现安全问题。」


而另一方面,与国外车厂相比,国内车厂对「拎包入住」式服务的偏爱,我们也从很多技术解决方案公司口中得到过相同的答案。

「如果仅仅提供一个工具,或者底层技术,他们可能懒得再去找另一家会做图的供应商,不如全都交给一家公司(去做)。」

黄桷湾立交桥

至于「为众包模式铺路」,则是由于碎片化和低精度的特性,让「众包」更适合做道路数据的填充剂,而不是做原始数据的积累。

因此,他们选择了一种更为折中的形式——完全由自己采集和制作出基于全国城快及高速公路的第一张高精地图。

「先把骨架给搭起来,然后利用众包的形式补充更新。这个也符合很多无人驾驶汽车的场景落地次序——园区和高度公路内的车上路肯定更快一些。」

这种形式与高德等大图商制作高精地图的路径几乎一致。

后者也多次在公开场合表达过「先将重心放在高速公路地图的搭建上,然后再利用已经建立好的众包奖励机制进行后续更新。」

但是,作为创业公司,与大型图商相比,如何更好地控制成本是参与竞争的一个重要前提。

也就是说,一方面公司不能在前期投入上太过吝啬;但另一方面,也需要将钱有的放矢,尽可能利用技术来降低成本。

因此,宽凳科技在自己的地图采集方案中,舍弃掉了传统图商测绘套件中的很多昂贵的设备,包括激光雷达,将软硬件成本从千万与百万级别下调了一个量级。

而此前,同样以计算机视觉方案为主的自动驾驶公司 Deepmotion 在接受机器之能采访时曾表示,能够将高精地图采集软硬件采集方案降至千元级别,但平均精度可以控制在 10-20 厘米左右。

但冯汉平却强调,那些千元级消费级硬件并不一定真能达到高精地图产品的精度与质量要求。

「我们进行了很多种软硬件采集方案的尝试,完全可以证明在高速公路场景下,计算机视觉技术能让产品达到激光雷达方案才有的精度。

这不代表千元机就能做出符合标准的高精地图。我们验证的结果证明,要想保证地图质量,你必须要用几十万级别的 GPS+惯导套件(专业级 GNSS 组合惯导)。」

也就是说,充分利用计算机视觉技术的知识产权,是宽凳控制整套制图成本的核心。

「举个很简单的例子。灯杆、路牌,这些标识物其实都很稀疏,依靠这些是无法做很稳定精准定位的;

而唯一频繁稳定出现的,就是车道上虚线的起终点。所以我们制图时,就利用视觉方案把每一个虚线的起终点做得非常精准。这对我们的定位方案有很大的帮助。

很多图商如果以激光雷达方案为主,其实是很难做出这种东西来的。」

需要注意的是,在宽凳提供给机器之能的一份核心团队名单中,除了大部分人来自于Google、百度与高德的相关应用团队,公司AI总架构师王轶轮的背景更为引人注目。

这位毕业于斯坦福大学的计算机视觉专家,还有一个很亮眼的头衔——最近非常火爆的美国无人车创业公司 Zoox 的前技术负责人。

黄桷湾立交桥
     
既然第一份原生地图要自己做,当务之急,是要把全国的城快与高速都跑一遍。

「我们数十辆采集车已经上路,预计半年多时间就能把全国一百座城市的高速公路跑一遍。

当然,也会马上启动夜间采集,毕竟比起白天,在晚上测绘的效果会更好。」

对于公司能否在这样一个短时间内完成采集和制图,时间未到,我们不能做出任何评价。

但是,即便是变化频率相对较低的高速公路场景,也必然对「现势性」(专用术语,可理解为实时性)有一定要求。

因此,在第一张初始图制作完毕后,「众包」将逐渐成为高精地图更新的主要手段(测绘车肯定会不停得在外面跑,但从成本和速度考虑,众包更有优势),但这又会让他们落入刚才所讲到的、诸多对创业公司并不友好的条条框框中。

不出意料,现阶段宽凳暂时也不能透露更多关于「众包」的具体细节,只给出了「我们正在与你能想到的大型国内国外车企进行商务合作与接触」这个答案。

回看全球传统导航地图市场的发展史,前期快速发展阶段涌现出数十家同类公司,但到行业后期,95% 的市场份额(除中国)仅掌握在 4、5 家图商手中;

而在国内,高德、百度与四维图新这三大图商盘踞了 99% 的前装市场份额。

根据长江证券研究所的分析,造成这种市场结构的原因,是地图数据的采集和维护占固定成本绝大比重。

而在与竞争对手投入相当的情况下,如果没有稳定市场份额和良好的盈利,就无法与其他具有先发优势并已形成规模的对手竞争。

因此,如果历史重演,那么在高精地图市场,谁规模扩得足够快,谁就拥有优势。

而留给创业公司的机会在于,没有人知道谁将最终胜出。

因为到现在为止,尽管市场很热闹,但任何一家大型图商、车厂与创业公司都不确定,什么样的策略是最优的。

宽凳认为,与其作为外包服务商给每家公司单干,不如尽快「量产」高精地图。通过收取每家「使用许可费」的方式来分摊原始制图成本,扩大市场占有率。(走传统地图授权模式)

而作为一个早期产品,这份「量产高精地图」可能并不足以满足所有车厂的需求。

因此在前期,公司会根据每家车厂的要求,对这份初级地图进行适应性修改,最终由宽凳将其整合成一套相对完善的地图系统。

「即便每家有自己的想法,但高精地图的基础模式总归是一致的。」

而这个想法,并不是宽凳独有。

实际上,包括高德和百度在内的很多图商,都正在采取这个策略,以一份与 A 车厂合作的模板为基础,再在接下来与 B 车厂和 C 车厂的合作中将其不断完善。

「也许我们与那些有 BAT 背景的图商在车厂心目中的地位不同,后者会让他们生出更多警惕心,因为他们害怕沦为附庸。」

但是,「复制模板」、「量产」与「实时更新」在某种程度上意味着数据的共享,而如何说服车厂与平台打通,也是宽凳自己还没有解决的问题。

如此看来,对比那些声称「不要数据,只做服务」的技术公司,留给宽凳科技管理团队的难题更全面,更繁琐,解决周期也更长。

或许我们不能否认,这种「重模式」能够建立更高的竞争门槛,但「长战线」与「高投入」是否容易会在资本层面遇冷?

「说实话,我们的团队和技术,甚至接到过巨头抛来的收购意愿,反正到目前为止从来没有为融资发过愁。」冯汉平似乎认为这并不是什么大事。

「当你发现这条路只有自己一家在走的时候,就意味着距离已经拉开了。」

我是机器之心高级编辑宇多田(微信:fudabo001),欢迎业内人士与我们分享在 AI 圈发生的一切好玩故事。

产业高精地图自动驾驶
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

推荐文章