高精地图和定位一直是自动驾驶的难点。用传统激光雷达收集地图的方式，不单单传感器成本高，并且数据量庞大，很难实现地图的实时更新。
从 2017 年开始，业内陆续出现了一些基于低成本传感器的众包地图方案，其中包括：
1.Mobileye 的 REM(Rod Experience Mngement)：众包地图概念的先驱，基于前视摄像头方案，捕捉道路上的车道线、交通标识等重要信息上传到云端，通过多车众包形成可更新的图层，从而辅助传统高精度地图定位。
2. 博世的 Bosch Rod Signture 以及大陆的 E-Horizon：概念与 REM 类似，但是在传感器端加入了毫米波雷达。
去年 CES，国内的边缘计算公司地平线向 GeekCr 展示了基于其「征程」第二代芯片架构的自动驾驶计算平台 Mtrix（这个平台今年获得了 CES 2019 的创新奖）。
当时他们就向我们透露，也会基于「征程」二代芯片架构做自己的众包地图方案，今年的 CES，他们兑现了这个承诺，正式发布了 NvNet。
NvNet 是什么？
地平线官方将 NvNet 称为「众包高精地图采集与定位平台」。它所采集的数据效果如下图。
当第一次看到效果图时，你可能会产生一个错觉：「这不是激光雷达所产生的点云图吗？怎么感觉密度有些稀疏？」
事实上 NvNet 与 REM 一样，也是仅仅依靠一个单目摄像头来收集数据的，只不过他们依靠自己的视觉算法计算出了各个像素点的距离。其具体原理可以概括为：
单目摄像头捕捉前方的 2D 画面。
通过感知算法对 2D 画面进行分析及语义分割，找出需要重点标注的道路信息像素点，包括车道线，马路边缘，道路标示，路边的电线杆和树木等。
视觉算法进一步计算出这些标注像素点的距离，并上传至云端生成 3D 点云的效果图。
相较于 Mobileye REM 之前展示的 2D 效果图，地平线 NvNet 给出的 3D 点云图明显有着更高的信息密度。因为使用单目摄像头，地平线的 NvNet 系统的成本和维护费用会远低于现有的激光雷达方案，在量产上有更大的优势，形成大规模众包地图的采集和更新能力。
在 CES 的展馆外，我体验了地平线搭载 NvNet 方案的测试实车——一辆奥迪 Q7。
在车顶上地平线加装了一个单目摄像头，横纵向视角分别为 90 度和 50 度。摄像头通过一根链接线接入车内的芯片系统板。
我坐在车内后排，手中通过他们提供的一台平台电脑来查看 NvNet 实时生成的点云图。下面是演示过程中，平板电脑上的效果视频：
可以看到，NvNet 在实际道路上生成的实时点云图还是很稳定的，道路旁的标志物（白色）树木（绿色）以及马路边缘（紫色）等都通过点云图显示了出来。甚至当我们路过一个大型停车楼时，NvNet 也把它清晰的标注了出来。（上面视频中 2 分 20 秒处）
地平线的余轶南博士告诉我，由于 NvNet 捕捉的地图信息密度高于一般的众包方案，他们通过 SLAM 技术，利用单目摄像头的感知再结合从车辆本身的部分信息，就可以实现车辆在 NvNet 地图中的定位。
NvNet 的商业模式
现今的高精地图领域可谓是商业结构非常复杂，除了传统的图商之外，主机厂、Tier1、芯片供应商以及算法公司等等都有所涉及。
在自动驾驶领域，地平线定位于 Tier2，提供核心芯片和算法方案。在 NvNet 的落地上，余轶南透露地平线会和图商以及车辆运营企业合作，通过众包方案进行地图数据的采集工作，并通过局部地图和云端地图的比较，将地图差异上传到云端，对云端的全局地图进行更新。此外，地平线计划在前装的 ADAS 系统上整合 NvNet 系统，并提供数据给需要地图数据的客户，地平线本身不涉及运营和数据业务。
视客户的不同需求，地平线还可以将 NvNet 的原始点云数据做进一步的结构化处理，形成 2D 的道路环境图层，这样更便于辅助传统的高精度地图。下图便是 NvNet 在中关村收集的数据在结构化之后产出的效果图。
对于地平线这样的 Tier2 来说，推出众包地图方案可以说是出于发展战略的一种必然选择。因为它既可以展示自身芯片+算法的感知处理能力，同时也拓展了在自动驾驶行业中的落地领域。不过，所有基于众包概念的方案，都要依赖庞大的装车量来提供效果，这就意味着地平线必将以进入前装市场作为最终目标。
此次在 CES 见到地平线的 CEO 余凯博士时，他对我说了一句意味深长的话：「做前装是一件困难、复杂且研发周期很长的事，我们一定要耐得住寂寞，不去跟所谓的热点。」相信这句话也会帮助他们走得更远。
