然而，一辆完全无人驾驶的汽车——可以在任何时间和任何地点行驶，它只需要人工输入来告诉它目的地——仍然是一个遥远的目标。为实现这一目标，汽车将必须了解到自己在世界上的确切位置，而且精度远高于目前GPS等技术所能达到的水平。这在某种程度上预示着新地图比你在附近加油站买的任何地图都要精确得多。

  充分意识到这种需求，宝马奥迪奔驰福特等汽车制造商一直在用钱包投票。他们投资了像Here和Civil Maps这样的公司，这一些企业正在建立收集所需数据的平台。最终的结果会是一张高清的3D路网图，以及周围几米内的一切，在车辆行驶过程中会不断更新。

  该公司负责高度无人驾驶的副总裁桑杰索德(Sanjay Sood)表示，高清地图的制作始于2013年。“HD的概念图是作为一个联合项目在这里创建的，戴姆勒奔驰也由此诞生。我们开发了一项核心技术，HD map是作为一个研究原型创建的，旨在通过德国农村推广汽车的功能，”他告诉ars。“在无人驾驶方面，地图成为了另一个帮助无人驾驶汽车做出决策的传感器。”

  第一步是创建初始地图，包括传感器覆盖的地图车，这让谷歌的街景车相形见绌。这里使用的车辆配备了车顶传感器桅杆，该桅杆配备了9600万像素的摄像头、32束威力登激光雷达扫描仪和高精度Novatel GPS惯性测量单元。这些测绘车辆四处行驶，以3D方式扫描道路及其周围环境，并将其发送到Here的云。通过云，这一些数据被整合到真实世界的精确数字再现中。

  苏德说：“从去年开始，我们基本上一直在建立一个道路网络，以便第一批使用这项技术的汽车能够正常的使用这张地图。这项技术将在2020年左右出现在道路上。”所以我们一定要在生态系统中植入一张地图.

  同样，Civil Map刚刚发布了Atlas DevKit，这是一款为客户开发的即插即用解决方案。“对那些想要测试和部署无人驾驶汽车技术的人来说，高级本地化、地图创建和众包是关键挑战，”Civil Map的联合发起人兼首席执行官Sravan Puttagunta说。“Atlas DevKit平台加快了创新的步伐，使研发人员能快速、经济地定位车辆，构建动态地图，并与其他车辆实时众包关键信息。”

  和这里一样，Civil Maps的Atlas DevKit也使用了安装在车顶的桅杆(能安装不同的传感器)，但它也有一个更便宜的版本，能够正常的使用光学、超声波和雷达传感器，这些传感器已经在许多新车上使用。

  当然，对于一项人们应该相信自身生活的技术来说，“画”一张地图是不够的。相反，地图要一直更新，以反映封锁，道路工程和其他主要障碍。

  这里有一些解决这一个问题的方法。“我们已在世界各地部署了数百辆这样的测绘车，”索德解释道。“我们与许多城市和地区当局很有深厚的关系。所以一般来说，当一个大型建设项目开始时，我们甚至在它开始之前就知道了。在许多情况下，我们大家可以在道路对公众开放之前将车开到那里。”这将允许在道路开通或关闭的当天向车辆部署更新的地图(通常以2km2km的形式从Here的云到达)。

  但一个更具可扩展性的解决方案是使用已经使用高清地图导航的汽车中的内置传感器。“如今，许多高端汽车不仅有LTE连接，还配备了一套先进的传感器；前视摄像头，前视和后视雷达，我们正在与许多原始设备制造商合作，将传感器数据传输到我们的云端。”这将意味着数以百万计的数据点不断上传到云端，这里的服务器将做大量的工作来弄清楚一切。

  “我们有机器学习算法和聚合算法来过滤数据，并试图从世界上的噪音或失真中提取变化。一旦我们检测到这些变化，我们将更新地图，然后将其部署到飞机上。”索德解释道。你很有可能会想，这也代表着要制定一套标准，叫做传感器——，这样不同的汽车就不会上传完全不同的数据。毕竟宝马7系）的雷达传感器可能比）贵，而且安装的地方不同，这在某种程度上预示着每辆车看世界的角度略有不同。

  “你如何把所有这些异构数据放在一起，然后放到一个大数据湖中去理解它们？”苏德告诉我们了。这就是很多专业技能发挥作用的地方.

  你可能只知道它是itsGPUs，但英伟达正在成为该领域的一个相当大的参与者，这要归功于该公司在机器学习和深度神经网络方面的专业相关知识。这些在无人驾驶领域有大量的应用，英伟达在这里与他们合作，还有在地图和云到车平台上与TomTom、百度和Zenrin合作。“高清地图对自动驾驶汽车很重要，”英伟达创始人兼首席执行官黄仁勋说。“在云到车地图系统中采用我们的深度学习技术，将加快汽车制造商部署无人驾驶汽车的能力。”

  英伟达的技术——和英特尔的技术——也会被要求削减带宽成本，这些成本肯定会跟着众包地图车队。Sood说：“我们正在为汽车开发一个计算平台，汽车本身能检测到变化。”“目前，大量的变更检测发生在云中。一旦你的车里有了地图，你就可以开车环游世界，我们的目标是让这些汽车自己进行变化检测。所以它发送到云端的不是传感器数据流，而是具体的‘这是环境的变化’，这是汽车看到的和地图上显示的区别。”这在某种程度上预示着在汽车中优化所有深度学习和传感器融合工作，而不是在强大的服务器场中。