作為高頻使用的地圖類產品，從最開始的導航到路線規劃，到現在的展示各種信息，以及添加各種內容功能上，似乎大家都還沒有找到下一步更新的方向。從地圖類產品的用途出發，我們需要關注的是什麼？路線，導航，信息，還有其他的麼？這篇文章，作者告訴我們，「解決擁堵」可能是一個很好的進化方向。
眾所周知，地圖是現實世界的抽象化表達，核心功能在於回答人們“我在哪”、“怎樣到達”、“如何更快到達”三個問題。但由於受屏幕承載信息限制，我們在地圖上看到的點、線、面、體地理要素必然受到了不同程度折損——正如歷史學家理查德·W.昂格所言：地圖總是把複雜的世界變得不復雜。地圖對物質世界的陳述通常是失實的，因為重現陸地的實際情況是不可能的。
對真實世界陳述的“失實”，讓地圖產品經理不得不用人為方式翻譯信息，以便回答用戶的三個問題。例如將道路通行能力劃分為不同等級，再用相應顏色來對號入座，紅色標色擁堵、綠色表示暢行等，這時用戶便可根據顏色進行出行決策。
問題在於：現實世界的路況，真是幾種顏色就能說清的嗎？
道路發生擁堵背後有無數種可能，而每一種可能所帶來的擁堵時長又往往不盡相同。是等待10分鐘恢復暢行，還是繞20分鐘遠路求穩？
靠顏色回答不了用戶的疑問。
一、滴滴地圖的「千裡眼」
滴滴地圖在近日推出“千裡眼”導航功能，用以獲取擁堵路段的真實畫面。憑此功能，滴滴地圖成為市面上第一款也是唯一一款，可以幫助用戶看到實時路況圖像的地圖應用。
具體操作上，用戶在路徑規劃頁輸入起終點後，便有機會查看行程路線上擁堵路段的實景圖像，圖像內容包括且不限於交通管制、交通事故、事故所涉車道等詳細信息（如下圖）。
“千裡眼”功能的出現，是導航功能步入成熟後的一次大膽嘗試，也對行業未來發展有一定啟發意義。
過去十餘年裡，為掌握真實的前方道路情況，業內進行過一系列摸索：從早年間主要依靠地磁線圈獲取車速、到城市大量安裝使用監控探頭，再到圖商們廣泛使用採集車.而隨著移動互聯網的迅猛發展，眾包式採集也開始佔據主流,基於海量GPS數據進行大規模的快速計算以及鼓勵車主隨時在端內上報變得愈發重要。
但是，如果導航軟件缺乏交警路網數據等第三方數據校驗，或者對異常數據難以剔除，很容易鬧烏龍。其中最具代表的便是前幾年的虛擬交通擁堵事件——一位行為藝術家導航推著裝滿開啟導航應用的手機的購物車，不慌不忙地走在街上，結果被系統誤認為是該路段擁堵嚴重，實際卻是這條路幾乎空無一人。
二、“看得見”有助於緩解信息缺失焦慮
歸根結底，地圖是一種幫助用戶理解複雜情況的信息展示工具。而民用地圖的複雜又可大致分為兩種：一種是靜態信息的複雜，例如街道建築；另一種則是動態信息的複雜，典型場景是城市交通。
相較於靜態信息，路況信息變化極快且難以捕捉；早年間有某些地區的交通頻道等電臺廣播會將真實路況信息播報給司機，但這些消息存在滯後性，等到了實際地點往往事與願違。
針對靜態信息的處理，目前市面上主流地圖應用在完善POI的同時，也在積極開展AR方面的嘗試，以此為用戶還原1：1的真實世界。
關於大家為何同時將顆粒度更細、保真度更高作為地圖應用的未來發展方向，一個比較科學的解釋是：人腦對於圖像的處理與理解都更加迅速。
2014年，麻省理工學院發佈報告稱人們大腦處理一張圖像信息僅需13毫秒。據統計，過去一百年裡，報紙中可視化信息的使用量增加了142％，標誌著圖像在信息傳遞過程中開始佔據主導地位。
但目前對道路交通等動態信息的真實畫面捕捉上，業界還一籌莫展。
因為以當前的技術條件，無論是採集設備、網速、算力，都沒法支持全量道路數據的實時拍攝、傳輸、和處理。在此背景下，代替圖像傳達信息的其它翻譯手段都更像是權宜之計，無法真正緩解人們對於路況信息缺失的焦慮。
那回到滴滴導航這裡，“千裡眼”功能是如何做到對路面真實場景捕捉的呢？
據瞭解，在設備端，滴滴導航在桔視行車記錄儀上搭載一套低功耗算法，算法能只定向對地面上的標識進行識別。比如事故後，車主在路上擺放的三角牌、交通管制的錐桶等，並不涉及個人信息。
而在雲端，滴滴搭載了一套更復雜的視覺感知模型，能對設備端的識別結果進行校驗，以保證識別準確率。同時，自動基於桔視識別的結果，對事故進行車道級定位並自動對車牌、人臉等敏感信息進行脫敏，最大程度保護隱私，並快速將實景視頻或畫面更新至 App 內，有效緩解堵車焦慮。
目前，桔視已經覆蓋網約車50%的訂單。結合大量的用戶上報數據和軌跡分析數據，滴滴導航每天可以對外展示數十萬張實景照片和視頻。同時，系統也會基於這些更豐富的道路信息，為車主推薦更合適的路線。
這種為用戶建立直接觀感的做法，能夠給駕駛員提供了更明確的等待預期、臨場感，以及安全出行建議。大幅降低以往“預估消散時間”帶來的不確定性，
三、滴滴地圖的邊緣創新
與傳統測繪圖商所關注的數據維度不同，滴滴導航更多從自身所處場景下的差異化需求出發，打造符合未來發展趨勢的導航功能。
“千裡眼”的出現，正是滴滴導航團隊講目光聚焦於出行場景而非通用場景下的成果（如下圖）。
（網約車場景下的產品邏輯拓撲圖）
看懂了千裡眼背後的誕生邏輯，就不難理解滴滴導航團隊在過去幾年的發力方向：
比如滴滴是國內第一家把機器學習成功應用到ETA（預估到達時間）的公司。從2018年開始，滴滴創新性將深度學習技術引入ETA，能充分結合乘客與司機的地理位置信息、路況信息、出行數據、司機行駛習慣、路網狀態等，進一步提升了預測準確性；
再比如路徑規劃上，經過網約車高度複雜場景的打磨，以及大數據的積累，滴滴導航將自駕場景下的用戶體驗大幅度提升，採用全新的架構方案來設計路線規劃相關算法，在確保安全的基礎上，將“快”做到極致，在行程中實時預測找到更符合駕駛員期待的路線，同時綜合考慮乘客是否方便到達、車輛是否方便通行、車主停車是否安全、停車是否易違章等因素，為車主推薦更好的落車點，有效幫助避免違章。
本文由 @WangZY 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自Unsplash，基於 CC0 協議
轉載請超鏈接註明：頭條資訊 » 滴滴“千裡眼”，下一代互聯網地圖？
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。