1. 城市NOA使用HD MAP的难点
城市NOA相对于高速NOA最大的难点在于城市场景的多变性，主要包含静态要素和动态要素，这里我们先讨论一下对静态要素的识别，主要包含道路划线信息、分割、隧道、交通灯、人行道等这些在传统HD MAP中均会包含的道路特征信息。但是城市场景的道路信息更新速度远比高速道路信息的快，这也意味着如果采用“强HD MAP”去做城市NOA会存在比较大落地难度（HD MAP信息精度高但是更新速度慢，往往会出现视觉感知道路信息与HD MAP不相符合导致功能降级的现象。但是如果只是用传统的SD MAP（导航地图），那么在城市复杂场景，特别是大型不对称路口、多道施工路口等情况下，仅仅通过现阶段BEV视觉感知，单维度传感器在多车受限情况下对可达空间的感知和路径规划都存在很大的限制。
2. 这篇文章主要讲的是什么？
简单读了一下，理解肯定不准确。文章主要讲基于传统的地图测绘（HD MAP），在线的地图测绘更新（类似ME 的REM技术）都存在一定缺陷。因此研究者在在线地图测绘更新过程中加入了一个叫做（Global Neural Map Prior）全局先验的神经网络修正的功能。其功能主要是通过不同的车辆（理想AD MAX传感器）在不同时间段，驾驶过同一个路口，例如在晴天、雨天、雾天等不同天气情况下驾驶同一个路口，通过BEV感知将道路信息测绘提取路网信息然后将信息上传（这里有点疑问，上传的信息是哪些？）到训练服务集群，并通过不同时间段、不同车辆对于同一个道路口特征（复杂路口更为重要）规划后，将其提前下放到每个具有城市NOA理想汽车的车载芯片中，然后在这个车启动城市NOA，BEV感知前就进行了修正引导。该文章指出，有了这个NMP的加持，利用BEV对道路网格的识别的精度会显著提高，最重要的是在恶劣天气下（雨雪雾），传感器受限情况下的道路网络预测准确度会相较于无NMP会有大幅度提高（即利用晴天的路网特征信息去引导车辆在雨天情况下的路网识别预测）。在这里，我猜测一下无论未来AD MAX的车主是否启动城市NOA，后台都是在默默收集每个道路口的信息（还有就是驾驶策略的拟人化，如果感兴趣我再写一点我的疑问和思考）。而且最重要的一点，因为这个信息并不是传统意义上的SD/HD MAP，而是道路的特征信息，在文章中也指出了通过NMP+BEV能实现在某些情况下，比HD MAP更好的还原真实的道路网格信息（见文章图4）。
3. 为什么需要这个技术去帮助实现城市NOA
因为城市道路系统现阶段设计主要是是基于驾驶员去驾驶车辆，我们驾驶员在城市驾驶的过程中，大家能感知到每天开的路开起来比开到自己城市默认道路轻松很多，前者就是我们脑子里面有了一套所谓的动态“高精度地图”，它也是通过道路特征识别记忆在我们大脑里，我们每到一个路口进行匹配识别就知道这里要右转了（是左3车道右转）；当我们到一个陌生的地方，我们就要先用眼睛看哪个车道右转，啥时候变道，所以会很累。如果车子没有这个动态的先验的道路特征信息，而仅仅用BEV实时识别道路信息然后做规控的话，就意味着这个车子的NOA始终是在陌生的一个城市环境里面驾驶（不能走一步想10后面的10步）。而如果使用传统的HD MAP确实可以帮助车子跑好城市NOA，毕竟有“拐杖”，但是现阶段城市HD MAP更新太慢，导致这个拐杖经常会有问题（高精度地图和实际信息不符）。在这里ME 用的是REM技术（分布式低信息量的亚高精度地图更新每km的特征信息只有几十kb至1mb），理想用的是NMP进一步优化BEV对道路信息的识别来进一步帮助城市NOA的落地，而现阶段小鹏似乎是优先使用HD MAP，如果没有HD MAP则用实时视觉来对道路信息进行感知。
4. 那么NMP这个技术的道路口特征到底是不是高精度地图是否涉及到测绘行为
首先，NMP做的道路特征信息明确是会上传到云，然后再下放到车端。我觉得可以理解这个路口特征信息仅仅是给神经网路识别做的一个先验映射，而不是传统的高精度地图信息（比如说包含和路网、分割、曲率等等，具体见高境地地图标准），因此我并不认为是一个高精度地图，但是经过NMP+BEV生成的动态路网信息，这个感知过程、信息上传的过程是否是一个测绘行为有待商榷（不过理想既然有乙测，也公开了这个技术，我个人认为这个过程是合规），不过也希望理想能给出更多的技术细节学习一下。
未完待续.太迟了，明天还要去看工厂..
