在 0.3 秒内，看清整个世界

引言

驾驶员从路面抬眼看一次地图，再回到路面——这个动作的安全极限，是 0.3 秒。

在这 0.3 秒里，地图必须回答三个问题：我在哪里？我要去哪？下一步该怎么走？

不是「美观」，不是「丰富」，是「可读」。是在颠簸、强光、夜间、暴雨里，依然让驾驶员一眼读懂的——可读。

百度人机共驾地图，是百度地图为一线车企深度定制的车载导航系统。我用三年时间，为十家车企，重写了这套地图的视觉语法。

── Context

车载地图，是 HMI 设计里最严苛的一个品类。它面对的不是"用户在阅读"，而是"用户在以 80 公里时速移动、同时还在阅读"。

承接百度地图车图业务，意味着要同时回答三个看起来矛盾的问题：

── Process

车载地图看似是一张图，但作为一个可被定制的系统，它必须先被拆解。

我把这套地图拆成了四个层级：

每一个元素，都要在不同比例尺、不同视角、不同时段、不同天气、不同车机分辨率下，各自定义。

最终交付的元素总数：超过 600 个。

⌬ AI 实验

600+ 元素的语义命名是一项噩梦。我用 Claude 帮我建立了一套「业务域-元素类型-视角-状态」的四段命名规范，然后让 AI 批量审查已有 Figma 文件里的命名是否符合规范，生成不合规清单。

2 天，跑完了过去 6 个月里积累的全部命名。

车载地图的色彩，不能用设计师习惯的 HSL / RGB 来思考。

因为驾驶员的眼睛，在颠簸车厢里、在变化光照下，对色彩的感知，是非线性的。

我引入了 LAB 色彩空间作为整套地图的色彩底层：

LAB 的优势在于：它和人眼感知的色彩距离是一致的。RGB 里两个看起来相近的颜色，在驾驶场景里可能完全无法区分。LAB 不会让这种事情发生。

基于这套色彩系统，我们定义了：

⌬ AI 实验

车企适配是一个组合爆炸问题——10 家车企 × 3 种模式 × 6 种典型场景 = 180 个组合。

我用 Claude 写了一个 prompt 链，输入车企的品牌色 + 视觉调性关键词，输出一套候选的 LAB 色钩值与对比度验证报告。设计师只需要从 5 个候选里挑 1 个，再做精修。

单家车企的色彩适配，从 2 周压到 3 天。

做车规级 HMI，最反直觉的事情是——设计师的工作 70% 不是加东西，是减东西。

设计师的工作 70% 不是加东西，
是减东西。

3 年里，我做过三次重要的「减法决策」：

01
砍掉了 23 个「看起来很有用」的图层
车企最初的需求清单里，有充电桩、便利店、景点、摄像头、限速带、ETC 站点、加油站价格……我们做了驾驶员视线追踪测试，发现 70% 的图层在驾驶中根本不会被看一眼。最终保留 12 个核心图层，砍掉 23 个伪需求图层。
02
砍掉了「3D 高仿真建筑」
3D 建筑在静态截图里很惊艳，但在实际驾驶中是注意力黑洞——它让驾驶员的眼睛停留时间从 0.3 秒延长到 0.8 秒。我们改用「3D 体块 + 关键地标精模」的混合策略，只为真正的导航锚点（机场、火车站、地标商场）做精模。
03
砍掉了动效
所有车道线变色、转向箭头闪烁、路径流光——这些在产品 demo 里非常好看的动效，我们最后只保留了「转向引导箭头的呼吸提示」一种。其他全部移除。因为任何额外的运动信号，都会让大脑产生「需要响应」的预期，而那 0.3 秒里，驾驶员没有响应的余裕。