打开手机叫车,你盯着屏幕上那个小蓝点,它正落在一条你从没注意过的巷子里。你放大,再放大,发现那条巷子甚至画出了人行道的宽度和路边的便利店。你大概不会去想,这个蓝点是怎么跑到地图上的,更不会想,为了让这个蓝点不漂移、不跳进隔壁小区,背后有多少人对着屏幕一根线一根线地描。这就是“可供标注的地图”最日常的出场方式——它不声不响,却决定了你每一次点“确认上车”的底气。

可供标注的地图:从数据采集到智能应用的完整指南

所谓可供标注的地图,说穿了就是一张还没写完的答卷。基础底图给出了道路、建筑、水系的轮廓,但轮廓里面是空的。哪里能停车、哪个路口有临时红绿灯、哪段路晚上六点后禁止左转,这些信息机器不知道,只有人能告诉它。标注就是把这个“告诉”的过程标准化。举个具体的例子,高德地图上北京五环内一个普通十字路口,标注项超过四十个:车道数、转向箭头、斑马线位置、停止线偏移量、信号灯相位。采集员骑着电动车过去,手机架在车把上,每过一个路口就停下来拍十几张照片,回去再对着照片把每条车道线描出来。一个人一天能标三到五个路口,北京有五万多个路口。这个数字摆在这里,你就知道标注不是点几下鼠标的事。

数据采集只是第一步,真正磨人的是标注本身。标注分两种:一种是几何标注,把现实世界的形状变成矢量多边形或折线;另一种是属性标注,给这些形状贴上标签。几何标注要求精度,比如一条车道线偏移超过十五厘米,自动驾驶的横向控制就会出问题。属性标注要求语义准确,同样是“限速60”,在白天和夜间、晴天和雨天的含义完全不同。标注员坐在电脑前,一遍遍看街景、对比卫星图、查市政公告,有时候为了确认一个“禁止掉头”的标志,得翻三个不同年份的街景。这份工作枯燥,但漏掉一个标志,可能就意味着某个路口的导航会给出一个违章建议。

标注好的地图不会直接送到用户手里,中间还要过一道“质检关”。质检不是抽查,是全查。每一条新标注的线、每一个新加的属性,都要跟原始采集数据比对。比对方法很笨:把标注结果叠加到街景画面上,看是否贴合。贴合度低于阈值的打回去重标。一个中型地图厂商,质检团队通常比标注团队还大。为什么?因为标注可以外包,质检不能。质检员要理解交通规则、要懂坐标系转换、还要能判断采集数据本身是否可靠。比如某段路正在施工,街景拍到的车道线是临时的,跟卫星图对不上,这时候质检员得去查施工公告,确认临时车道线的有效期,再决定是标还是等。

标注完、质检完,数据入库,接下来才是智能应用登场。这时候地图不再是一张画,而是一个结构化数据库。导航软件读这个数据库,算出你从A到B的最优路径;自动驾驶系统读这个数据库,提前三百米就知道下一个路口该走哪条车道。更聪明的应用还在后面。比如某条路连续三天在同一时段出现拥堵标注,系统会自动推测这里可能有临时交通管制,然后推送给即将经过的车辆。再比如,多个用户在同一路段反复标注“路面有坑”,系统会把这个点标红,提醒后续车辆减速。这些应用的前提是,标注数据足够细、足够准、足够新。

问题也出在这里。标注数据更新太慢。一条路今天改了单行线,从市政发布公告到地图更新,平均要三到七天。这三天里,导航还在按旧数据指路,司机开过去发现是逆行。解决方向有两个:一是众包标注,让用户随手报错,系统快速验证;二是AI预标注,用模型先猜一遍,人工只做修正。众包标注的难点在于恶意标注和误报,一个人说“这里可以掉头”,另一个人说“不行”,系统得判断谁对。AI预标注的难点在于长尾场景,模型没见过那种奇怪的临时标志,猜出来的结果还不如不猜。目前比较靠谱的方案是混合模式:AI标百分之七十的常规要素,人工标百分之三十的复杂要素,众包做实时纠错。

走到这里,回头再看“可供标注的地图”这六个字,它其实指向一个更大的转变。过去地图是给人看的,画得好看就行;现在地图是给机器读的,标得准才行。人看地图,错过一个路口还能绕回来;机器读地图,标错一个属性就可能撞上去。所以标注这件事,从边缘工种变成了基础设施。你每一次顺利到达,背后都有一群人在屏幕前描线、贴标签、查公告。他们不露脸,但他们的工作定义了你和机器共同理解的世界。这张地图永远不会完工,因为路在变,规则在变,标注就得跟着变。而所谓智能应用,不过是让这种“跟着变”变得更快、更准、更不打扰你。