أصدرت شركة ResearchAndMarkets.com تقريرًا بعنوان "تقرير سوق الخرائط المستقلة للقيادة لعام 2025"، الذي يركز على تطور صناعة خرائط القيادة الذاتية، ويتناول التحول في تركيز المنافسة نحو القدرة الشاملة تحت مفهوم "NOA في المدن". يشير التقرير إلى أن الحلول التقليدية التي تعتمد على الخرائط عالية الدقة (HD Maps) تفقد تدريجيًا أهميتها، بينما يتصدر مفهوم "القيادة بدون خرائط" (Mapless NOA) المشهد. تُعتبر "القيادة بدون خرائط" منهجية جديدة تعتمد على بناء خرائط في الوقت الفعلي بدلاً من الاعتماد على خرائط خارجية ثابتة. تختلف هذه المنهجية عن تقنية SLAM التي كانت تعتمد في السابق على ليزر الدرونز (LiDAR)، لكنها تُستخدم حتى الآن في سيناريوهات مثل المواقف تحت الأرض. مع تطور تقنيات مثل "BEV" (Bird's Eye View)، بدأت تقنية SLAM في التراجع، لكنها ما زالت ذات أهمية في بعض المواقف الخاصة. بعد عام 2025، ستبدأ خرائط القيادة الذاتية في تبني تقنيات متقدمة مثل "3D Gaussian sputtering" و"NeRF" (الحقول الإشعاعية العصبية)، مما سيسمح لها بـ"التنبؤ بالمستقبل" بدلًا من "تسجيل الماضي". تُعتبر "نماذج العالم" (World Models) محورًا رئيسيًا في هذا التحول، حيث تستخرج هذه النماذج أنماطًا مكانيّة وزمانيّة من كم هائل من بيانات القيادة، وتدمج بيانات أجهزة الاستشعار متعددة الأنواع (الكاميرات، ليزر، وغيرها) مع بيانات مصادر الجمهور في الوقت الفعلي، لبناء قاعدة بيانات محيطية قابلة للتحديث بشكل ديناميكي، وتُمكّن السيارات من التفكير والتحليل في الوقت الفعلي. تُستخدم نماذج العالم لتوقع التغيرات المستقبلية في السيناريوهات الذكية، وتُساعد في فهم سلوك المركبات الأخرى وتحسين اتخاذ القرارات. كما أنها تُعتبر عنصرًا أساسيًا في أنظمة القيادة الذاتية المستقبلية، حيث تدمج بيانات الخرائط عالية الدقة مع معلومات الاستشعار الحالية وبيانات حالة المركبة والبيئة الخارجية، مما يسمح بتطوير أنظمة قيادة ذكية قادرة على "فهم"، "تنبؤ"، و"تخطيط" الطرق بشكل دقيق. في سياق تطوير هذه التقنيات، تظهر اتجاهات جديدة مثل خرائط عالية الدقة مُستندة إلى النمذجة المتجهية (Vectorized HD Maps)، مثل تقنيات "MapTR" و"VectorMapNet"، والتي تهدف إلى تقليل التكاليف وزيادة الكفاءة في إنشاء الخرائط. كما تُظهر شركة "بaidu" تقدمًا كبيرًا في هذا المجال من خلال إطلاق إصدار "Baidu MapAuto 6.5"، وهو أول خريطة لLane-level ثلاثي الأبعاد وتمكين القيادة بالتعاون بين الإنسان والآلة في جميع السيناريوهات. تعتمد هذه الخريطة على مجموعات بيانات متكاملة من مركبات جمع البيانات، ودمج بيانات متعددة من السيارات والطرق، ونماذج توليد الخرائط التي تحتوي على ملايين المعلمات، مما يُحسّن من كفاءة إنتاج الخرائط بشكل كبير. تُعد نماذج العالم (DWMs) عنصرًا محوريًا في أنظمة القيادة الذاتية القادمة، حيث تُساعد في تحسين قدرة المركبات على فهم البيئة وتحليلها واتخاذ قرارات أكثر دقة. تُعتبر هذه النماذج مكملة للخرائط، حيث تُحوّلها من "طبقات ثابتة" إلى "محركات بيانات ديناميكية" لا غنى عنها في مراحل القيادة الذكية. فيما يتعلق بالشركات الرائدة في هذا المجال، تشير التقارير إلى أن "NavInfo" تسعى إلى دمج قدرات التعرف على الوقت والمكان في خرائطها مع أنظمة نماذج العالم، مما يُعزز من دقة وفعالية القيادة الذاتية. كما تُظهر الشركات الأخرى مثل "بaidu" تطورًا في تقديم خدمات بيانات شاملة وفعالة. يهدف هذا التقرير إلى تقديم رؤى عميقة حول تطور صناعة خرائط القيادة الذاتية، مع التركيز على الاتجاهات الجديدة وتقنيات التجميع والتحليل. يُعد تقرير ResearchAndMarkets.com مرجعًا هامًا للمهتمين بالتطورات التكنولوجية في مجال القيادة الذاتية، ويقدم معلومات حول السوق الحالي والتنافسية، بالإضافة إلى التخطيط التكنولوجي لشركات السيارات (OEMs) وشركات توريد الخرائط.