摘要：“无图NOA” 已成为自动驾驶系统的主流方案，该方案降低了对离线高精度地图的依赖，高精度地图的发展遇到挑战。所谓“无图”，其本质是从 “先验地图” 转向 “实时建图”，再进一步发展为 “世界模型”，而ADAS算法从“规则驱动” 向 “数据驱动” 的演进。
佐思汽研发布了《2025年自动驾驶地图（HD/LD/SD MAP、在线重建、实时生成式地图）行业研究报告》。
“无图NOA” 已成为自动驾驶系统的主流方案，该方案降低了对离线高精度地图的依赖，高精度地图的发展遇到挑战。所谓“无图”，其本质是从 “先验地图” 转向 “实时建图”，再进一步发展为 “世界模型”，而ADAS算法从“规则驱动” 向 “数据驱动” 的演进。
所谓无图，实际是在线建矢量级地图再与离线的LD地图匹配，同时获得定位和导航信息，很接近早期的SLAM技术。早期的SLAM技术严重依赖激光雷达，BEV出现后，SLAM技术逐渐被淘汰，在地下停车场等场景仍有使用SLAM技术。
从自动驾驶地图的演进发展历程来看：
2022年以前：产业链侧重于重视几何精度的高精地图（HD MAP），传统的ADAS算法依赖于预设规则处理环境感知；2023-2024年：随着无图NOA的发展，开始推广应用兼具拓扑、语义与鲜度的轻量化地图（LD MAP）；2025年后：随着3D高斯溅射、神经辐射场NeRF（Neural Radiance Fields）等新技术融入，自动驾驶地图从“记录过去”转向“预演未来”，“世界模型” 通过自监督学习从海量驾驶数据中提取时空规律，融合多模态传感器数据（摄像头、激光雷达等）和实时众源数据，构建动态更新的环境知识库，实现道路拓扑、语义信息及交通规则的在线推理。“世界模型” 即利用历史场景观测信息，加上预设条件，预测未来智能驾驶场景变化和自车响应的模型。
自动驾驶算法和地图构建的演进发展历程
自动驾驶地图发展趋势：低成本自动化建图，应用MapTR、VectorMapNet等矢量化高精地图构建技术
百度人机共驾地图Baidu MapAuto 6.5是国内首创的全3D车道级地图、全场景人机共驾地图、同时还提供全能力的数据服务。Baidu MapAuto 6.5，基于百度一体化采集车、车端和路侧数据闭环的多来源数据输入以及上十亿级别参数的地图生成大模型，使得地图生产制作效率提升了一个数量级，有效支撑了百度地图数据的快速更新，有着强大、全能力的数据服务。
Baidu MapAuto 6.5 能够提供SD（导航地图）、LD（轻量化自动驾驶地图）和HD（高精度地图）三种数据。2025年3月，零跑汽车重磅发布LEAP 3.5技术架构，该技术架构搭载百度地图LD数据。
轻成本自动化建图是百度地图重要的发展方向，其核心技术包括BEV静态道路场景重建、自动化特征提取等。
百度的BEV静态道路场景重建融合使用了类似华中科大的MapTR类似的Instance Query和Point Query来进行道路元素以及元素轮廓定点的检测，以及类似清华的VectorMapNet中Auto-regressive decoder的办法来输出特征点之间拓扑关系。
MapTR适用场景：城市道路实时建图、L2+级ADAS系统、硬件资源受限的嵌入式平台。其固定长度点集输出便于与规划控制模块对接；VectorMapNet优势场景：高速公路复杂立交建模、科研领域地图生成研究、需要可变长度精细建模的特殊场景（如施工区域）。自动驾驶地图发展趋势：与驾驶世界模型（Driving World Models, DWM）融合
四维图新提出将地图的时空认知能力，加入到世界模型驱动的智驾技术中，也就是「让世界模型继承地图的时空认知」——“地图已从静态图层进化为世界模型驱动阶段必不可少的动态数据引擎，在提升单车智能水平、减少算力制约、应对突发情况预警等应用场景中，是不可替代的‘先验传感器’。”
驾驶世界模型（Driving World Models, DWM）是下一代自动驾驶系统的核心组件，其通过预测动态驾驶场景的时空演化，帮助车辆更精准地感知环境、理解交互逻辑并优化决策。
世界模型（DWM）通过融合高精度地图数据、实时传感器信息（如摄像头、激光雷达）、车辆状态数据（如速度、转向）、以及外部环境数据（如交通流、天气），构建对物理世界的持续学习和预测能力。其目标是通过数据闭环，让自动驾驶系统具备“理解、预测、规划”三位一体的能力。
驾驶世界模型（Driving World Models, DWM）的核心功能包括：
环境理解：通过自动驾驶地图与实时感知数据，精准定位车辆位置，识别车道线、交通标志、障碍物等关键信息。动态预测：预测其他交通参与者（车辆、行人）的行为轨迹，预判潜在风险（如加塞、急刹）。全局规划：基于对环境的长期模拟（如不同天气、路况下的场景泛化），生成最优行驶路径和驾驶策略。驾驶世界模型（Driving World Models, DWM）的技术特征包括：
基于数据驱动，依赖大规模、高质量数据的持续输入，并通过AI算法（如深度学习、强化学习）不断优化模型。实现闭环迭代，从数据采集→模型训练→仿真验证→部署优化的全流程闭环，实现模型自进化。实现虚实融合，通过仿真环境（如数字孪生）与真实路测数据的结合，加速模型泛化能力。驾驶世界模型（Driving World Models, DWM）的核心价值在于：
场景推演能力：基于历史观测生成未来场景的物理合理性与时空一致性，支持自动驾驶系统预判潜在风险（如鬼探头、施工区动态变化）；多模态融合：整合2D图像、3D点云、Occupancy网格等多模态数据，提升环境建模精度（如nuScenes数据集测试中BEV几何一致性达98.7%）；决策优化：通过强化学习与预测-真实差异微调，实现类人类驾驶的博弈能力（北京市五环路实测通行效率提升28%）。自动驾驶地图发展趋势：OEM主机厂探索部署NeRF（神经辐射场）技术用于自动驾驶地图重建
目前，已经有多家主机厂开始探索或部署NeRF（神经辐射场）技术于自动驾驶地图领域，尤其在动态场景重建与高精度地图生成中表现出显著优势。
NeRF技术可将2D图像重建为3D场景，进而制作高精度地图，实现高精度的车辆定位和地图匹配；NeRF技术可以合成复杂的自动驾驶场景，进而丰富自动驾驶的训练数据，帮助自动驾驶系统进行高效的数据增强；NeRF技术可模拟极端天气和严重的交通事故等恶劣场景，以模拟数据还原真实的恶劣场景，提高自动驾驶的安全性理想AD Max 3.0系统构建了“静态BEV+动态BEV+NeRF增强Occupancy”的三重感知架构，通过将NeRF技术与Occupancy网络深度结合，解决了传统纯视觉方案在远距离感知分辨率不足的问题：
静态BEV网络：通过Transformer架构融合多摄像头数据，生成鸟瞰视角道路结构图。当部分摄像头失效时，NeRF辅助重建缺失区域的道路边缘与车道线。动态BEV网络：采用时空注意力机制跟踪交通参与者，结合NeRF的时空连续性建模，实现运动物体的速度与加速度估算误差小于0.3m/s。Occupancy网络升级：原始Occupancy输出分辨率从0.2m提升至0.1m，通过NeRF的辐射场渲染生成亚像素级细节，可识别30cm高度的路缘石与5cm直径的井盖目前，小鹏、奔驰、理想等主机厂已率先将NeRF技术量产落地，特斯拉、宝马等则通过技术合作探索更深层应用。未来随着硬件算力提升（如Blackwell架构）与开源生态完善，NeRF有望成为自动驾驶地图的底层标配技术，推动行业向“实时生成式地图”演进。
《2025年自动驾驶地图（HD/LD/SD MAP、在线重建、实时生成式地图）行业研究报告》目录
页数：320页
01
自动驾驶地图定义和分类
1.1 自动驾驶地图定义与分类
自动驾驶地图定义
自动驾驶地图从“记录过去”转向“预演未来”，向“世界模型” 演进
自动驾驶算法和地图构建的演进发展历程：2020-2026年
1.2 自动驾驶地图类别一：导航地图（SD MAP）
自动驾驶地图定义：导航地图（SD MAP）
导航地图（SD MAP）装车情况统计
1.3 自动驾驶地图类别二：轻量化地图（LD MAP）
轻量化地图（LD MAP）定义
无图”智驾方案下需要轻量化地图（LD MAP）提供基础数据
轻量化地图（LD MAP）的分类
轻量化地图（LD MAP）的发展：SD MAP 与HD/LD MAP 地图一体化
轻量化地图（LD MAP）方案：图商降低成本、提升更新频率
轻量化地图（LD MAP）方案：部分厂商通过算法在线建图（1）
轻量化地图（LD MAP）方案：部分厂商通过算法在线建图（2）
基于轻量化地图（LD MAP）的城市NOA应用案例：轻舟智航城市NOA采用四维图新HD Lite
基于轻量化地图（LD MAP）的城市NOA应用案例：智驾科技自动化建图记忆
轻量化地图（LD MAP）装车情况（1）
轻量化地图（LD MAP）（高辅地图）装车情况（2）
1.4 自动驾驶地图类别三：高精度地图（HD MAP）
自动驾驶地图定义：高精度地图（HD MAP）
高精地图与感知互补可提升城市NOA安全性
高精度地图（HD MAP）发展路线（1）
高精度地图（HD MAP）发展路线（2）
轻地图”方案下高精度地图（HD MAP）的应用
主机厂对于高精地图的态度
1.5 自动驾驶地图类别四：NeRF在线重建、实时生成式地图等新技术
在线建图新技术应用趋势（1）
在线建图新技术应用趋势（2）
在线建图新技术应用趋势（3）
在线建图新技术应用趋势（4）
1.6 自动驾驶地图类别五：向驾驶世界模型（Driving World Models, DWM）演进
截止2025年1月，全球主流的驾驶世界模型（Driving World Models, DWM）总结
驾驶世界模型（Driving World Models, DWM）技术特点
驾驶世界模型（Driving World Models, DWM）对自动驾驶地图的影响分析（1）
驾驶世界模型（Driving World Models, DWM）对自动驾驶地图的影响分析（2）
1.7 自动驾驶地图政策与法规
国家法规分析（1）
国家法规分析（2）
国家法规分析（3）
地方法规分析（1）
地方法规分析（2）
地方法规分析（3）
02
自动驾驶地图市场现状及竞争格局
2.1 车载地图市场规模
全球车载地图市场规模
全球车载地图乘用车和商用车用车载地图份额
全球车载地图（分类型）市场格局
全球车载地图（分地区）市场格局
中国乘用车自动驾驶等级（分价格段）装机量统计，2023-2024
中国乘用车自动驾驶等级预测，2024-2030E
中国乘用车高精度地图（SD/LD/HD MAP）装车量统计和预测，2024-2030E
中国乘用车高精度地图（SD/LD/HD MAP）市场规模预测，2024-2030E
中国乘用车高精度地图（SD/LD/HD MAP）在不同等级自动驾驶车型上的装配情况预测，2024-2030E
2.2 车载地图市场竞争格局
2024年中国乘用车城市NOA智驾地图市场竞争格局
自动驾驶地图市场主要玩家
自动驾驶地图市场玩家一：国内图商（1）
自动驾驶地图市场玩家一：国内图商（2）
自动驾驶地图市场玩家二：主机厂
自动驾驶地图市场玩家四：国外图商
城市NOA驱动下图商的布局思路
城市NOA驱动下图商的布局策略（1）
城市NOA驱动下图商的布局策略（2）
城市NOA驱动下图商的布局策略（3）
2.3 城市NOA趋势下自动驾驶地图厂商商业模式的变化
自动驾驶地图商业模式分类
自动驾驶地图商业模式总结：国内图商（1）
自动驾驶地图商业模式总结：国内图商（2）
自动驾驶地图商业模式总结：国外图商
城市NOA下自动驾驶地图行业的竞争焦点转向综合能力
城市NOA发展下地图供应商业务模式变化
03
自动驾驶地图行业趋势及新技术应用
3.1 端到端趋势下智驾地图的演进方向
地图是位置数据标准化的载体
智能驾驶中地图与场景的融合
智驾地图的演进：有图VS无图
智驾地图的演进：无图的优势
端到端趋势下智驾地图价值被再次评估
端到端技术中智驾地图的接入方式一：SD地图特征作为key与value输入
端到端技术中智驾地图的接入方式二：作为初始化query输入
3.2 自动驾驶地图重建：自动标注系统和视频片段（Clips）
自动标注系统，以Tesla为例
路面重建流程（1）
路面重建流程（2）
路面重建流程（3）
自动标注可以解决运动目标的遮挡问题
3.3 自动驾驶地图重建：NeRF技术的应用
NeRF在自动驾驶上的应用包括感知、三维重建、定位和地图构建等
NeRF在自动驾驶上的应用潜力：数据增强
NeRF在自动驾驶上的应用潜力：模型训练
NeRF在自动驾驶上的应用潜力：SLAM
NeRF静态地图与动态生成式地图的技术对比
NeRF与生成式地图叠加应用带来最优方案
高精地图技术演进趋势：NeRF重建与实时生成式地图的应用会在2027-28年出现转折
NeRF加速在自动驾驶汽车上的应用案例
3.4 自动驾驶地图重建：利用体素NeRF生产MV-Map
MV-Map可显著提高HD Map的质量
MV-Map的框架
MV-Map的制作步骤
3.5 自动驾驶地图重建：四维时空特征
四维时空特征在自动驾驶上的应用：与智驾地图结合提升预测能力
面向自动驾驶的四维时空预训练算法DriveWorld
四维时空特征在车端的应用情况
3.6 自动驾驶地图重建：3D高斯泼溅
自动驾驶算法，需要构建一张“中间表达图”
3D高斯泼溅（自动驾驶中间表达图）（1）
3D高斯泼溅（自动驾驶中间表达图）（2）
04
主机厂自动驾驶地图应用及技术布局
4.1 不同自动驾驶场景对地图的需求情况
自动驾驶地图的主要应用场景
自动驾驶地图对应的主要应用场景：乘用车NOA对自动驾驶地图的需求
自动驾驶地图对应的主要应用场景：乘用车（L3/L4）无人驾驶对自动驾驶地图的需求
自动驾驶地图对应的主要应用场景：乘用车低速自主泊车对自动驾驶地图的需求
自动驾驶地图对应的主要应用场景：无人驾驶载物对自动驾驶地图的需求
4.2 主机厂对自动驾驶地图的选择
主机厂的自动驾驶地图选择（1）
主机厂的自动驾驶地图选择（2）
主机厂的自动驾驶地图选择（3）
主机厂的自动驾驶地图选择（4）
主机厂的自动驾驶地图选择（5）
4.3 主机厂自动驾驶地图的装配情况
自主品牌量产乘用车智驾地图搭载情况（1）
自主品牌量产乘用车智驾地图搭载情况（2）
自主品牌量产乘用车智驾地图搭载情况（3）
...................
自主品牌量产乘用车智驾地图搭载情况（10）
自主品牌量产乘用车智驾地图搭载情况（11）
自主品牌量产乘用车智驾地图搭载情况（12）
合资品牌量产乘用车智驾地图搭载情况（1）
合资品牌量产乘用车智驾地图搭载情况（2）
4.4 特斯拉
特斯拉自动驾驶软件和地图方案演进趋势总结
特斯拉在线建图和实时生成式地图布局
特斯拉自动驾驶软件：“端到端”技术路线
特斯拉自动驾驶软件：算法端迭代
特斯拉自动驾驶软件： Occupancy Networks（占用网络） 感知技术
特斯拉自动驾驶软件：纯视觉解决方案(1)
特斯拉自动驾驶软件：纯视觉解决方案(2)
特斯拉依托AI技术实现高精度地图（HD MAP）的实时构建与更新
特斯拉FSD方案采用SD地图（1）
特斯拉FSD方案采用SD地图（2）
4.5 小米
小米汽车自动驾驶软件和地图方案演进趋势总结
小米汽车在线建图和实时生成式地图布局
小米SU7以高精度地图（HD MAP）为安全冗余
小米自动驾驶地图：从高精度地图（HD MAP）到端到端
小米端到端大模型采用“三层建模”架构构建物理世界模型
小米端到端大模型采用“三层建模”架构的建模方法
小米汽车数据闭环：物理世界建模
4.6 小鹏
小鹏汽车自动驾驶软件和地图方案演进趋势总结
小鹏汽车在线建图和实时生成式地图布局
小鹏XNGP升级“无图”方案（1）
小鹏汽车自动驾驶软件：新一代感知架构 “X Net”
小鹏XNGP升级“无图”方案（2）
小鹏XNGP升级“无图”方案（3）
小鹏汽车自动驾驶软件：基于XNet自主开发全自动标注系统
小鹏汽车高精地图（HD MAP）方案
小鹏汽车自动驾驶软件：“云端大模型”路线
小鹏汽车云端训练基座：小鹏汽车研发“世界基座模型”（1）
小鹏汽车云端训练基座：小鹏汽车研发“世界基座模型”（2）
小鹏汽车云端训练基座：小鹏汽车研发“世界基座模型”（3）
小鹏汽车云端训练基座：小鹏汽车研发“世界基座模型”（4）
小鹏汽车云端训练基座：小鹏汽车研发“世界基座模型”（5）
4.7 理想
理想汽车自动驾驶软件和地图方案演进趋势总结
理想汽车在线建图和实时生成式地图布局
理想AD Max 3.0升级“无图”方案
理想使用在线建图技术（1）
理想使用在线建图技术（2）
理想汽车闭环仿真系统（1）
理想汽车闭环仿真系统（2）
理想汽车闭环仿真系统（3）
4.8 蔚来
蔚来汽车自动驾驶软件和地图方案演进趋势总结
蔚来在线建图和实时生成式地图布局
蔚来汽车自动驾驶软件：世界模型NWM（1）
蔚来汽车自动驾驶软件：世界模型NWM（2）
4.9 华为鸿蒙智行
华为自动驾驶软件和地图方案演进趋势总结
华为在线建图和实时生成式地图布局
华为自动驾驶软件：乾崑ADS 4.0（1）
华为自动驾驶软件：乾崑ADS 4.0（2）
华为自动驾驶软件：乾崑ADS 3.0 特点（1）
华为自动驾驶软件：乾崑ADS 3.0 特点（2）
华为自动驾驶软件：华为乾崑智驾系统 ADS SE版本
华为自动驾驶软件：华为乾崑智驾ADS SE与ADS高阶版方案对比
华为自动驾驶软件：“无图”方案
华为自动驾驶软件： Petal Maps
华为自动驾驶软件：“无图”方案
华为自动驾驶软件： Petal Maps
华为AI 技术的应用：车端世界行为模型
4.10 上汽智己
智己自动驾驶软件和地图方案演进趋势总结
智己在线建图和实时生成式地图布局
智己自动驾驶软件：智己+Momenta深度合作NOA
智己自动驾驶软件：IM AD3.0 智驾方案（1）
智己自动驾驶软件：IM AD3.0 智驾方案（2）
智己自动驾驶软件：IM AD3.0 智驾方案（3）
智己自动驾驶软件：“量产级”Robotaxi3.0
上汽对高精地图的应用
上汽在线建图技术
4.11 零跑
零跑汽车自动驾驶软件和地图方案演进趋势总结
零跑在线建图和实时生成式地图布局
零跑汽车自动驾驶软件：LEAP3.5 智驾方案
零跑逐步向轻地图方案演进
零跑低成本地图方案
百度LD地图最新应用动态：接入零跑LEAP 3.5技术架构
4.12 吉利&极氪
极氪自动驾驶软件和地图方案演进趋势总结
极氪在线建图和实时生成式地图布局
极氪自动驾驶软件：泛世界模型
极氪自动驾驶软件：极氪千里浩瀚
极氪自动驾驶软件： MLM多模态大模型
极氪自动驾驶软件： G-AES通用障碍物连续自动避让功能
极氪自动驾驶软件：浩瀚智驾2.0（1）
极氪自动驾驶软件：浩瀚智驾2.0（2）
极氪自动驾驶软件：极氪×Mapbox 实时云导航系统
4.13 东风岚图
东风岚图自动驾驶软件和地图方案演进趋势总结
东风岚图在线建图和实时生成式地图布局
东风岚图基于导航地图（SD MAP）实现智驾方案
东风岚图汽车自动驾驶软件：百度地图V20视觉车道级导航
东风岚图系列对智驾地图的应用
东风风行星海系列对智驾地图的应用
4.14 长安汽车
长安汽车自动驾驶软件和地图方案演进趋势总结
长安汽车在线建图和实时生成式地图布局
长安汽车自动驾驶软件：天枢智架（1）
长安汽车自动驾驶软件：天枢智驾（2）
长安汽车自动驾驶软件：天枢智驾（3）
阿维塔自动驾驶软件：华为Petal Maps
4.15 奇瑞汽车
奇瑞汽车自动驾驶软件和地图方案演进趋势总结
奇瑞汽车在线建图和实时生成式地图布局
奇瑞星纪元智驾方案从“有图”走向“无图”
奇瑞汽车自动驾驶软件：奇瑞汽车智驾软件业务布局规划
奇瑞汽车自动驾驶软件： Chery Pilot 4.0 技术特点
奇瑞汽车自动驾驶软件：猎鹰智驾系列（1）
奇瑞汽车自动驾驶软件：猎鹰智驾系列（2）
奇瑞汽车自动驾驶软件：猎鹰智驾系列（3）
奇瑞汽车自动驾驶软件：猎鹰智驾系列（4）
4.16 长城汽车
长城汽车自动驾驶软件和地图方案演进趋势总结
长城汽车在线建图和实时生成式地图布局
长城汽车自动驾驶软件： Coffee Pilot Ultra系统
长城汽车自动驾驶软件： SEE端到端智驾大模型
长城汽车自动驾驶软件：高德地图×长城汽车 出行联合创新LAB
4.17 广汽乘用车
广汽乘用车自动驾驶软件和地图方案演进趋势总结
广汽乘用车在线建图和实时生成式地图布局
广汽乘用车自动驾驶软件：五大智驾产品平台
广汽乘用车自动驾驶软件：VLA模型
广汽乘用车自动驾驶软件： ADiGO PILOT感知算法
广汽乘用车自动驾驶软件：“端云一体”的自动驾驶轻地图解决方案
广汽依赖导航地图（SD MAP）的“无图智驾”方案
广汽Aion高精度地图（HD MAP）的解决方案
广汽Aion电子视野线系统
广汽Aion高精度地图（HD MAP）曲率和坡度
广汽申请在线建图专利
4.18 大众汽车
大众汽车自动驾驶软件和地图方案演进趋势总结
大众在线建图和实时生成式地图布局
大众汽车自动驾驶软件：自研AI高阶智驾系统
大众汽车自动驾驶软件：大众智驾平权的产品路线（1）
大众汽车自动驾驶软件：大众智驾平权的产品路线（2）
大众汽车自动驾驶软件：大众智驾平权的产品路线（3）
大众汽车自动驾驶软件：大众智驾平权的产品路线（4）
4.19 奔驰
奔驰自动驾驶软件和地图方案演进趋势总结
奔驰在线建图和实时生成式地图布局
奔驰自动驾驶软件：自动驾驶软件开发模式
奔驰自动驾驶软件：“无图” L2++高级智驾
4.20 宝马
宝马自动驾驶软件方案和供应链搭建
宝马在线建图和实时生成式地图布局
宝马自动驾驶软件：Personal Pilot L3级自动驾驶特征
宝马自动驾驶软件： L2+与L3自动驾驶系统
宝马自动驾驶软件：宝马新世代车型智驾规划
4.21 丰田
丰田汽车自动驾驶软件方案和供应链搭建
丰田在线建图和实时生成式地图布局
丰田汽车自动驾驶软件：铂智3X 全场景智驾
丰田汽车自动驾驶软件： L4级自动驾驶演进
05
自动驾驶地图厂商研究
5.1 百度地图
百度致力于构建适合自动驾驶的地图
百度车载地图产品体系
百度车载地图产品一：导航地图（SD MAP）
百度车载地图产品一：导航地图（SD MAP）V21升级到智驾级导航
百度车载地图产品二：自动驾驶地图（1）
百度车载地图产品二：自动驾驶地图（2）
百度车载地图产品二：首发智驾级车位导航，无缝衔接停车位
百度车载地图产品三：高精度地图（HD MAP）（2）
地图是百度自动驾驶系统的核心竞争力之一
百度“熟路”地图核心价值一：安全
百度“熟路”地图核心价值二：舒适
百度“熟路”地图核心价值三：高效
百度轻成本构建智驾地图技术一：建图
百度轻成本构建智驾地图技术一：BEV静态道路场景重建（1）
百度轻成本构建智驾地图技术一：BEV静态道路场景重建（2）
百度轻成本构建智驾地图技术二：自动化特征提取
相较高精地图，百度自动驾驶地图进行减负
百度高精度地图（HD MAP）最新应用动态：接入特斯拉
百度LD地图最新应用动态：接入零跑LEAP 3.5技术架构
5.2 四维图新
四维图新自动驾驶地图商业模式转型
四维图新对自动驾驶地图角色的重新定位：从车端收费走向训练模式
四维图新对自动驾驶地图角色的重新定位：变成安全冗余配置
四维图新车载地图产品体系
四维图新车载地图产品一：导航地图（SD MAP）
四维图新车载地图产品二：场景地图（1）
四维图新车载地图产品二：场景地图（2）
四维图新车载地图产品三：高精度地图（HD MAP）（1）
四维图新车载地图产品三：高精度地图（HD MAP）（2）
四维图新车载地图产品三：高精度地图（HD MAP）（3）
四维图新车载地图产品三：高精度地图（HD MAP）（4）
5.3 高德地图
高德车载地图产品一：导航地图（SD MAP）
高德车载地图产品二：自动驾驶地图最新技术进展
高德车载地图产品二：HQ Live MAP
高德车载地图产品二：全域车道级导航装车蔚来ET9
高德车载地图产品三：高精地图
高德HD地图与SD地图的匹配
5.4 腾讯
腾讯车载地图产品一：导航地图（SD MAP）
腾讯车载地图产品二：自动驾驶地图（智驾云图）
腾讯车载地图产品二：自动驾驶地图（智驾地图）
腾讯车载地图产品二：自动驾驶地图（智驾地图 8.0）
腾讯车载地图产品三：高精地图
腾讯车载地图在城市NOA的应用案例：智驾大陆L2+智能驾驶解决方案繁星 Astra
5.5 朗歌科技
朗歌科技智驾地图产品体系
朗歌科技在智驾地图上的竞争优势
朗歌科技四层智驾地图模型
朗歌科技周天数据智能体系
朗歌科技智驾地图的量产交付方案
5.6 易图通
易图通车载地图布局：技术驱动+生态绑定
易图通车载地图产品一：停车场高精地图（1）
易图通车载地图产品一：停车场高精地图（2）
易图通车载地图产品二：自动驾驶地图（车路云一体化地图）
易图通车载地图产品三：高精地图云平台
易图通车载地图应用：自动驾驶仿真测试
5.7 美行科技
美行科技业务布局
美行科技行业资质
美行科技城区智驾解决思路：车云一体路线记忆
美行科技车载地图产品一：众源地图技术
美行科技车载地图产品一：众源地图平台进展
美行科技车载地图产品一：众源地图平台赋能城市NOA
美行科技车载地图产品一：众源地图平台应用效果
美行科技车载地图产品二：高精度地图（HD MAP）融合平台
5.8 立得空间
立得空间基于高精度地图（HD MAP）的自动驾驶技术
立得空间停车场高精度地图（HD MAP）应用：长安
5.9 中海庭
中海庭基于地图的产品线
中海庭车载地图产品一：高精度地图（HD MAP）数据
中海庭车载地图产品二：高精度地图（HD MAP）引擎
5.10 晶众地图
晶众地图车载地图产品：AVP高精度地图（HD MAP）（1）
晶众地图车载地图产品：AVP高精度地图（HD MAP）（2）
5.11 华为
华为车载地图产品一：导航地图（SD MAP）
华为车载地图产品二：在线建图
华为车载地图产品三：自动驾驶地图数据
华为车载地图应用：ADS高阶自动驾驶系统
5.12 全道科技
全道科技轻高精地图自动化建图与更新
全道科技对轻高精地图要素的取舍
全道科技轻地图闭环解决方案（1）
全道科技轻地图闭环解决方案（2）
5.13 Mapbox
Mapbox车载地图产品：导航地图（SD MAP）
Mapbox车载地图产品：高精度地图（HD MAP）
5.14 宽凳科技
来源：佐思汽车研究