在高精自采车打底的基础上，加入UGC、PGC、GGC等多种合作方式获取数据源，通过大数据挖掘、图像识别和自动化生产能力提升，打造一条全要素的高效率的机器和人工相结合的生产体系，建立一套完备的数据生态体系。

受成本、技术、社会环境等的影响下，车厂对自动驾驶的需求回归理性，自动驾驶方案转变为智能驾驶成为主流，同时高精地图面临高价格、低鲜度等问题，各大车厂相继推出轻地图、重感知方案。
在市场大环境以降本增效为主的情况下，结合腾讯地图市场定位，提供一份低成本、高鲜度、与感知能力匹配的，可同时服务于自动驾驶和智能座舱的地图数据。

· 新兴车厂或AD供应商逐步转向轻依赖高精地图的城市级NOPINOA方案；
· 城市道路的高精地图需求量在收缩；
· 因城市级高精地图生产维护成本居高不下，图商谨慎扩量或转向轻HD。

通过数据+引擎集成的解决方案，面向L2+及以上的辅助驾驶、自动驾驶，打通的座舱域与自动驾驶驾驶域名，实现导航和辅助驾驶、自动驾驶的无缝衔接。

1、通过HD Air数据+自研引擎集成，实现手图车道级导航，并对外提供完整车道级应用解决方案；
2、输出HD Air数据与AD供应商适配集成，或与0EM直接合作，实现自动驾驶应用与服务。

围绕车 - 云 - 车打造一体化的HD Air Map更新体系。

基于不同的数据源，按照设备能力、属性建立分要素、分层的HD Air Map更新发布体系。

· HD Map： High Definition Map
主要指位置准确且语义丰富的车道级道路电子地图，可提供超视距、高可信的车道级要素信息，用于支撑车端定位以及车辆控制决策，满足车路协同、自动驾驶/辅助驾驶、车道级导航等应用需求。
· HD Map主要数据内容。

· 道路模型、车道模型、交通对象等三层模型

· 覆盖要素种类200+。

· 根据自动驾驶需求，定制要素及其制作工艺，如路口外专用掉头口，人行横道路口、交通灯关联等

ODD是在行车过程中，为自动驾驶车辆提供前方道路的信息，包括静态信息 (如隧道/弯道/匝道等) 和动态信息 (如施工，拥堵、交通事件等)，为自动驾驶车辆提供能否开启自动驾驶功能提供数据和服务支撑。

基于精细的车道级地图数据，升级传统TBT导航模式，特别是在道路变窄、连续分歧、长实线、非可通行车道 (公交和潮汐) 等场景下，帮助车辆提前规划车道级路径及最佳变道时机，让自动驾驶更智能。

基于车端感知数据和轨迹大数据挖掘，云端动态构建车道级路网及其拓扑关系，扩展车道级地图数据覆盖以及车道级路径规划范围，动态优化、调整自动驾驶车辆的行驶范围和路线，获得更好的自动驾驶体验。

· 数据格式：同一数据存储方式，同一母库规格，衍生多种产品交换规格，如SD、HD、ADAS、HD Light等

· 生产工艺：一套工艺流程、一套生产平台和质量保障体系，SD&HD无缝关联

· 更新模式：共用资料源，更新周期和频率保持同步。

资料类数据产品是原始采集资料在进行预处理加工后的数据产品，它往往具备更多的原始采集信息，为后续的应用提供数据底座。

原始资料带有丰富的现场信息，如具有高精度的坐标信息，现场多方向的照片，时间序列信息等。数字孪生仅依赖高精数据不足以高还原现场，因此需要结合照片和点云，对现场进行拟真表达和建模渲染。前端界面的美术可以基于点云和照片进行现场的精修。

Mapscene项目，对全国的主要城市提出道路照片数据收集的需求。该需求的目的是为了自动驾驶路测平台提供可视化路况的数据，助力自动驾驶路测路线规划。
基于各种类型的照片，

为客户自动驾驶团队提供两种应用：
1、城市道路场景的收集为自动驾驶路测的预先设计路线提供可能
2、大量的道路要素的预标注照片为感知训练提供素材。

如图所示，是平台前端将收集和处理完成的照片数据进行展示，照片附加准确的位置信息，能够帮助驾驶测试进行更准确的路径规划。