独家试乘“飞轮式”L4自动驾驶，Momenta还藏了哪些大招？

在 2020 年上半年的最后一天，6 月 30 日自动驾驶企业 Momenta 飞轮式 L4 的亮相着实给了业内一个惊喜。

这也是 Momenta 继去年 12 月发布 MSD（Momenta Self Driving）实车路测视频后带来的最新进展，包括首次公开的 飞轮式 L4 自动驾驶完整架构与产品理念、基于 飞轮式 L4 技术的商业应用场景之一 Robotaxi 的落地规划。

事实上，Momenta 的 飞轮式 L4 并不单指 L4 级自动驾驶技术本身，而是指量产数据、数据驱动算法以及闭环自动化形成的飞轮架构，三大因子不断积累和迭代，飞轮将越转越快，形成厚积薄发之势，带来产品和商业的爆发增长，最终实现无人驾驶规模化落地。

事实上，从创立之初，这家自动驾驶公司就秉持量产自动驾驶、完全无人驾驶两条腿走路的战略。

即利用量产自动驾驶（类似于 ADAS 产品）获取海量量产数据来为完全无人驾驶进行系统迭代，同时后者又可以为前者带来技术反馈。统一量产传感器基础及技术路线是两条腿战略的前提。

但由于 L2/L2+ 与 L4 级自动驾驶本身不在一个维度，业内也逐渐形成跨越式与渐进式自动驾驶的两个阵营。

而 Momenta 的独特之处在于，用 飞轮式 L4 架构打通了 L2 和 L4 话语体系，将两者拢聚到了一个阵营，为自动驾驶的实现提供了一种全新的思路。

独家试乘 Momenta 飞轮式 L4 MSD

事实上，去年 12 月 Momenta 就已经放出了 MSD（Momenta Self Driving）的部分实地路测视频，但其中的细节并不能被尽数了解。

这次的发布会，Momenta 采用了媒体试乘与云直播的方式来呈现 MSD 的细节。新智驾作为唯一试乘媒体，也尝试还原 Momenta 飞轮式 L4 的实地表现。

从外部传感器来看，Momenta 的 MSD 车辆采用的是以视觉为主、几乎都是可量产的传感器，包括 12 个摄像头、12 个超声波雷达、5 个毫米波以及 1 个用以辅助感知的 velodyne 激光雷达。

Momenta CEO 曹旭东正在云直播介绍 MSD 车辆

为了更加直观地呈现 MSD 车辆的感知、决策、控制过程，Momenta 在车内放置了三块可视化屏幕。通过屏幕，能够看到车辆当前的自动驾驶状态、车速、油门、红绿灯情况；同时也能看到 Momenta 高精度地图作为静态感知的痕迹，以及行人、轿车、卡车、车辆行驶轨迹预测等动态感知内容。车辆后备箱则是搭载了自动驾驶 GPU 计算平台。

此次试乘时间约为 30 分钟，范围在苏州相城区高铁站附近 10 公里左右的开放道路。从道路的复杂程度来看，路上人车混行严重，车流往来不绝，包括形状各异的卡车、随时窜出的电动车等。

总体试乘下来，车辆速度不超过车道限速，总体在 40 公里每小时以内，全程无接管。车辆的行驶平滑，甚至在启动时有一点小小的推背感，既不激进也不保守。车辆能够顺利应对车道数量三变二、大货车行人避让、路口左转等交通场景。

以路口左转为例。一般来说，自动驾驶车辆的左转是个有技术难度的场景。Momenta CEO 曹旭东向雷锋网新智驾解释：因为左转路线本身就比较长，其次路口左转会遇到不同方向的来车，意味着容易出现多车争抢路权的情况。这种情况下，自动驾驶车辆如何在保证安全的前提下，同时兼顾乘客的体验舒适性、以及车辆的智能性而非一味地停让。 Momenta 的 MSD 车辆也多次顺利完成了路口左转的任务。

此外，Momenta MSD 车辆在经过路口时，也遇到与大货车争抢路权的情况。但 Momneta 车辆并没有出现急刹的情况，而是在预判大货车继续往左变道之后，选择减缓车速。无论是预判还是操作，车辆的表现都不比人类驾驶员逊色。

云直播之后，Momenta 还公布了其一镜到底包含全程中间技术结果的晚高峰路测视频。可见 Momenta 对 MSD 技术的自信。而这种自信的来源，正是 飞轮式 L4 。

Momenta 进化的关键： 飞轮式 L4

如果说两条腿走路是 Momenta 的战略理念与产品呈现，那么 飞轮式 L4 则是 Momenta 两条腿得以真正走起来的底层支撑。

从产品架构来看， 飞轮式 L4 主要由量产数据、数据驱动算法、以及两者之间形成的闭环自动化三个因子构成。

首先来看量产数据。

Momenta CEO 曹旭东认为： 自动驾驶的终局一定是规模化的完全无人驾驶，以 Robotaxi 落地为例，规模化 L4 指的不是一个区域或城市，而至少是路况复杂的十个城市，每个城市至少一万辆车，否则难以称之为商业化落地。

而这种规模化 L4 的最终实现，要有千亿公里的数据以发现长尾问题。那么海量数据从哪里来？光靠 L4 自动驾驶车辆的缓慢积累是远远不够的。

因此 Momenta 通过将量产自动驾驶产品 Mpilot 搭载在车辆上，在为客户解决问题、创造价值的同时，进行海量量产数据的原始积累。而这，恰恰是 飞轮式 L4 的动力源泉，通过海量量产数据的 喂养 ，帮助 MSD 不断迭代，使得完全无人驾驶系统不断进化。

当数据来源得到保证之后，如何高效地驱动这些数据，是飞轮跑起来的关键。

Momenta 认为，要解决真实场景中的海量问题，必须通过数据驱动（Data-Driven）的算法才能高效解决。什么叫数据驱动的算法？

Momenta 研发副总裁夏炎用了一个例子来解释：MSD 车辆在路上经常会遇到红绿灯识别被阻挡的问题。

Momenta 早期的做法可能是通过代码规则来告诉车辆，遇到某种具体的情况该怎么做。但当规则写了一百条甚至是上千条的时候，底层的代码就会变得难以维护，并且很难复制到别的城市场景。因为有限的规则是无法完全覆盖无限问题的。

因此，Momenta 采用数据驱动的方式，自动化地解决了绝大部分的问题。相比见招拆招的解决单一问题，Momenta 内部更加鼓励团队将更多的精力放在搭建一套数据驱动（Data-Driven）的算法框架上。

只要收集到足够多的数据和长尾问题，随着量产数据的不断流入，算法进行自动化学习，就能驱动飞轮式 L4 不断迭代，自动化地解决自动驾驶的长尾问题。 曹旭东如是说。

此外，在拥有量产数据与数据算法驱动之后，闭环自动化是 Momenta 飞轮式 L4 得以维持高速运转的第三个因子。

无论是数据采集、存储、还是处理、标注、模型训练等环节来说，一旦以海量数据作为单位，那么每个环节都会变得艰难。而 Momenta 的闭环自动化就是一套高效、自动化的工具链：通过建立对问题自动化发现、记录、标注、训练、验证的闭环过程，为技术和产品提供自动化的迭代能力，驱动 飞轮式 L4 高速转动。

以新智驾试乘体验为例，Momenta 的闭环工具链在 30 分钟的试乘数据中就自动抓取了 979 份数据，包括预测数据为 618 份、规控数据为 288 份、感知数据为 49 份、手动录制 17 份。

自动或者半自动的闭环工具，无疑为 Momenta 的数据处理省去了很多不必要的麻烦。

Momenta 飞轮式 L4 规模落地的可行性有多高？

正如 Momenta 总结地那样：在两条腿走路战略落地过程中，左腿量产自动驾驶是最先构造起来的，并且最先进入产品化和商业化阶段；然后 Momenta 在去年年末正式迈出右腿，发布完全无人驾驶技术 MSD。

而构建这两条腿的底层核心能力，就是飞轮架构。由此，Momenta 两条腿走路战略得以完全打通，实现相互协同。

但新智驾好奇的是，在实际落地上，究竟是先有鸡还是先有蛋？

海量数据是 飞轮式 L4 驱动的前提之一，那么 Momenta 如何获得海量数据？没有数据，Momenta 飞轮式 L4 无从谈起。

对此，Momenta 回应道，从去年发布可量产的自动驾驶方案 Mpilot（包括 Mpilot Hightway、Mpilot Parking）之后，Momenta 就已经进入产品化和商业化的阶段，今年年内会有部分量产产品上市，大规模的量产上市时间在 2022 年左右。加上此前发布的后装 ADAS 途铃系列产品的上车，Momenta 已经积累了一定的数据。

那么与主机厂的数据会否顺利返流给 Momenta？夏炎表示： 数据的所有权归属车厂是无疑的，但如何用数据来创造价值是 Momenta 擅长的事情。利用数据迭代自动驾驶系统，这是我们能够为主机厂创造的价值。

诚然，数据的价值是通过挖掘得到的，否则也只是一堆数字罢了。

那么，在实际落地能力上， 飞轮式 L4 规模落地的可行性有多高？

由于当下规模化 L4 还处在 无人区探索 的状态，Momenta 认为规模化 L4 面临的是 行驶千亿公里，解决百万问题 的巨大挑战。而千亿公里意味着 100 万辆车，每天 10 个小时不间断运行，连续跑 1 年。

这种包括资金、车队数量在内的巨大投入对自动驾驶初创公司来说无疑是不可承受之重。但 Momenta 的 飞轮式 L4 将这种巨大的成本一再降解、分割为可接受的账目。

在总成本的计算上，Momenta 将规模化 L4 的总成本可分为数据成本和研发成本。

具体而言，研发成本取决于问题个数（N）和解决单个问题研发成本（R）；数据成本取决于里程数（M）和单公里数据成本（D）。

虽然目前还无法准确评估 L4 遇到的问题个数（N）和里程数（M）的大小，但 Momenta 认为，问题个数（N）至少达到百万量级，里程数（M）至少是千亿公里。

得益于量产数据驱动的方式，Momenta 能够跨数量级地降低解决单个问题的研发成本（R）和单公里数据成本（D）。

在单个问题研发成本（R）方面，常规规则驱动（Human-Driven）的挑战是用有限人力解决上百万个问题。而通过量产数据驱动（Data-Driven）的方式，只要收集到足够的数据，就可以自动化地解决绝大部分问题，从而降低研发成本。

在单公里数据成本（D）方面，Momenta 一方面为客户提供量产自动驾驶解决方案，另一方面也提供持续的软件算法迭代升级。在为客户解决问题、创造价值的过程中，和客户一起回收了长尾问题的数据，把单公里数据成本降到了几乎为零。

由此，通过 飞轮式 L4，Momenta 将实现规模化 L4 的总成本跨数量级降低。

2024 年关键节点：Robotaxi 单车盈利、无安全员、多地规模运营

可见，在 Momenta 眼里，自动驾驶从来就不单是一个技术问题，可靠的技术方案和可落地的成本方案缺一不可。

眼下， 飞轮式 L4 已经开始转动。Momenta 表示，在环境感知、高精地图、预测等环节已实现了完全数据驱动，并通过闭环自动化持续迭代升级。

预计到 2022 年，Momenta 可以实现全流程数据驱动的算法；

到 2023 年，利用闭环自动化实现算法 100% 自动化迭代。

2024 年，量产自动驾驶 Mpilot 也将会大规模量产上路。Mpilot 和 MSD 将协同增效，实现 飞轮式 L4 的快速成长。

基于 飞轮式 L4 的商业化场景—— Robotaxi，Momenta 也给出了落地时间表。

事实上，今年 6 月 Momenta 就已经获得苏州第一块 Robotaxi 示范应用牌照。按照 Momenta 的计划：

今年年底会跟苏州政府进行 robotaxi 的试运营，明年可能会有大规模的对外开放；

2022 年，做到苏州 Robotaxi 部分车辆车端无安全员试运营；

2024 年，车端 100% 无安全员，实现单车盈利；

2024 年开始，结合已经回流的大规模量产数据，Robotaxi 实现多地规模化落地运营。

从两个时间表规划来看，2024 年是 Momenta 的一个关键节点。

曹旭东解释道：随着 飞轮式 L4 的发展，2024 年 Momenta 将在苏州实现车端完全无安全员的商业运营，从而降低车辆运营成本，实现单车盈利，完成商业模式 0-1 的验证。

也就是说，在 0-1 阶段，Momenta 会专注于技术和商业模式的验证，在两者还没有在样本城市得到完全验证之前，不会做大规模扩张。

他认为：Robotaxi 城市扩张的关键因素在于数据储备。每一个城市的 Robotaxi 落地，都需要海量数据的积累。如果每到一个城市都花上几年时间重新开始积累，那么技术与商业落地的领先性很容易扩散和被稀释掉。

而 Momenta 的量产自动驾驶能在 0-1 阶段进行大规模的数据回流，提前做好数据储备，然后在 2024 年形成爆发点。 如果这个阶段做得不够扎实就进行城市复制与扩张，那么一定会耗费大量资源，收益不成反倒带来大量的资金亏损。

未来，2024 年随着量产车型大规模上市，量产数据大规模回流，此时数据和技术上 1-N 的储备也已到位，具备了扩张条件。Momenta 将开始进行多地落地，从而以极快的速度实现规模化 L4。 曹旭东表示： 在一个城市先实现单车盈利，再复制到其他城市，是无人驾驶规模化落地的最精益的模式。

纵观业内，Momenta 的 Robotaxi 运营看似比其他玩家的时间晚一些，但如果从后续爆发的力量以及城市的扩张速度来看，Momenta 是不容小觑的。

用 Momenta 的话来说，厚积薄发，将是他们的后发优势。

总结：

总地来看，Momenta 用 飞轮式 L4 证明了，L2 与 L4 之间并不是泾渭分明的界限与派别。

另一方面，从业内进展来看，即便是号称在 2020 年向完全自动驾驶进发的特斯拉，其 L4 也还处于低调隐匿的状态。

所以不能不承认，Momenta 甚至比特斯拉更快地向业界提供了一个清晰的 L2 向 L4 演进的思路与技术。未来，Momenta 这个无车壳版的 特斯拉 ，会否成为自动驾驶界的下一条 鲶鱼 ？

以下为雷锋网新智驾活动前期采访内容：

Q：量产自动驾驶和完全无人驾驶还是蛮不同的，你们要怎么用低维度的量产数据来反哺比较高维度的完全无人驾驶？怎么整理出完全无人驾驶所需要的数据？

夏炎：我们把自动驾驶这个系统拆成感知部分、预测部分、规划决策部分。对于预测和规划决策部分，Mpilot 和 MSD 其实没有太大不同。比如预测的输入实际上就是结构化的一个世界模型，输出是未来轨迹的分布。从抽象化的、结构化层面来讲，Mpilot 和 MSD 的预测和规划可以用一套体系完成。

但感知层面会有一些区别，量产自动驾驶以 camera 为主，其他家大多数的 L4 都是以激光雷达为主，在这种情况下两种技术路线的数据很难相互利用。

但 Momenta 不是这样，MSD 里虽然有激光雷达，但是以 camera 为主，这是两套独立的感知的系统。而量产自动驾驶采用的传感器方案只是少了激光雷达，这样一来，MSD 是可以复用量产自动驾驶里的部分数据的。

Q：试乘过程中，发现 Momenta 的计算芯片平台还是 GPU，未来你们的计算硬件层面会怎样迭代？

夏炎：我们今天的确用的是 GPU，还没有上嵌入型的计算平台，从我们当下发展的阶段来看，GPU 可能是最合适的。因为 L4 级自动驾驶需要的算力是几百到一千 T 的级别，那么对应的芯片绝对不是现在的芯片，而是未来几年量产的芯片。我们的考虑是先用 GPU 去做，等到未来几年有完全符合 L4 需求的量产芯片之后，再一次性迁移，这样就不用多次迁移。

Q：未来 Robotaxi 的运营你们是自己来合作还是说会交给专门的运营方？

夏炎：实际上，我们 Robotaxi 商业模式落地应该是，在 0-1 阶段是 旗舰店 ，在 1-N 阶段是 麦当劳 （通过和合作伙伴形成标准 robotaxi 运营方案，各地运营方进行加盟合作）。如果在全国很多城市做运营，重资产的生意对我们来说显然不科学。在最开始旗舰店的过程中，和技术相关性比较高的运营内容，我们可能会深度参与。但长期来看，肯定是形成一个标准方案，和各地的运营方合作，由当地的运营方做实际运营。这其实和整个生态成熟度是有关系的。

Q：总的来说，Robotaxi 量产大规模化会包括哪些要素，最难的地方在于什么？

夏炎：大规模化的 L4 实现，政策上要有支持，商业上要实现商业闭环，实现单车盈利，技术上要有可行的技术路径。对我们来讲，飞轮式 L4 这样一个技术路径。这个技术路径再往上拆解的话，飞轮式 L4 需要海量数据，海量的数据需要量产，然后需要数据驱动的算法和闭环自动化的工具链，所以是这样一个链条。

Q：比较难的地方在哪里？

夏炎：单车盈利这件事情是 L4 的一个关键，怎么才能实现单车盈利呢？一定要去掉安全员才有可能赚钱，要不然是亏钱的。从技术上来看，需要自动驾驶足够安全，才能足够自信才能把这个去掉。Momenta 的目标是在 2024 年要实现单车盈利，并且有具体的实现路径。

Q：那 Momenta 今年着力的重点是什么？

夏炎：对于我们来讲，量产自动驾驶 Mpilot 已经迈入产品化的阶段，所以 Mpilot 的产品化和商业化是重点要做的事情；对于 L4，MSD 是从去年中开始发力，现在处于厚积薄发刚开始的阶段。可以看到它的时间跨度是很长的，从现在到 2024 年还有很多要积累的东西。所以量产自动驾驶和完全无人驾驶各有不同的侧重点，这是从外的表现。从内在来看，两者之间技术流和数据流的协同是我们的核心重点。

（雷锋网） 雷锋网