高德和百度做的是人类的地图，而高精地图公司做的是机器人使用的地图。这两种地图都是帮助用户基于地理位置做决定的工具，但它们的终端用户差别很大。也正是由于终端用户的不同，其类型与信息量就千差万别。
1、人与机器使用的地图：到底有什么实质不同?
我们先回答一个问题：什么是人类使用的地图?
智能手机中地图 APP 已经可以囊括一切。打开地图应用，蓝色的点会告诉你身在何方。而设定好目的地后，你的路线就会浮现在屏幕上。
手机上的地图确实非常好用，只需要一个简单的 GPS 芯片，手机就能在地图上定到你的位置，误差只在几米之间。
除此之外，它还有追踪通勤习惯，推荐行车路线，提供打折信息等数百万种应用场景。
这些地图上有用的语义学数据包括兴趣点(POIs)、街名和地址等。
在车上，地图则会给出路径指示，比如告诉你「在某某大街右转」。
像谷歌地图这样成熟的产品甚至还会包含更加细化的信息，比如车道数量，这也是你会在开车时听到「保持左侧两车道行驶」之类提示的原因。
人类使用的地图是非常好的资源，但想把它编进代码却并不容易。毕竟它是人类数百万年进化的产物，是人类大脑对周边无数信息进行消化吸收的结晶。
简言之，人类的常识比计算机的模式匹配能力要强大多了。
常识的力量强大了，人类的地图就无需那么精确，即使 GPS 无法识别其中不同，一个蓝色的小点也能保证你在驾驶时不会驶向转盘上的花坛。
在隧道里或高层建筑间，GPS 信号可能会偶尔消失，但你还是能靠着常识继续驾驶，直到蓝色小点重新出现。
即使没有常识，机器的地图，加上超强算力也能输出正确决策。机器人的地图里「信息」更多，它能为计算机提供更多补充资源。
与人脑一样，自动驾驶汽车搭载的超级计算机也能在驾驶时进行实时决策，不过由于缺乏常识，它理解起周边环境来要困难不少。
因此，机器的地图必须非常精确，其精度甚至要达到 10 厘米级别。
除了更加精准，它提供的信息还要非常直观，指令更是能多细就多细。
比如：
车辆当前处在哪个车道，该车道需要注意哪些交通标识和信号灯。
车辆与道路的高度也非常重要，这是自动驾驶汽车在城市高架行驶时的必备数据(车辆要知道自己是不是在高架桥上)。
机器的地图还必须永远在线，并在 GPS 信号不稳定甚至彻底消失时持续为车辆提供精确信息。
说到这里，什么是机器地图，大家就很清楚了。
与人类不同，机器不需要精美的界面，也无需夜间模式和精挑细选的字体。
简言之，机器地图就是一个信息仓库，足够机器导航使用。
周边环境的 3D 模型加上 3D 数据上的语义信息层就是自动驾驶汽车的「常识」
2、3D 点云图
关注自动驾驶汽车的人，对 3D 点云图并不陌生。
点云属于空间数据，本质上来说是 3D 高程点的集合。
一个精准的实时 3D 点云地图是自动驾驶汽车执行多种基本任务的必要条件：
首先，它让车辆能找到自己的位置。
任何使用激光雷达的自动驾驶汽车都会实时生成点云图，将点云图叠加到现有地图上后，车辆就能找到自己的精确位置(即使当时 GPS 不可靠)。
激光雷达会实时工作，帮助车辆进行物体探测和躲避，而一个精确的点云图可充当环境的基线视图。
点云信息越丰富，车载计算机就越轻松，它也能分出更多算力专注于移动物体。
3、简单的语义信息：每条车道的行车路线
点云图上要叠加一层语义信息，它能告诉自动驾驶汽车应该遵守什么样的规则。
除此之外，语义信息还能为车辆 AI 提供周边环境情况并充当这个世界的蓝图。
总得来说，语义信息的层次越多，车载计算机导起航来就越轻松，毕竟前路上会出现越来越多规划好的环境。
这些语义信息包括：
1. 车道标线
2. 行驶方向
3. 交通信号灯与标识
4. 人行横道
5. 马路牙子标记与泊车规则
6.「高可信路径」(最容易行驶的道路)
7. 建筑工地和任何临时规则
如果能将这一层层信息都融合进去，我们就能得到一套强大的点云图。
当然，到底哪些语义信息对自动驾驶行业最有用，现在依然充满变数，但未来几年这些语义信息肯定还会受到持续关注。
同时，这也意味着，图商得抓紧在自己的地图中添加语义信息层。
