從蘇州相城區高鐵新城兆潤領寓21層的Momenta辦公室望出去，外面一半是田園河流，一半是廠房工地。樓下停着三輛Momenta自動駕駛測試轎車和另一家科技公司的自動駕駛卡車。

　　離蘇州工業園區十多公里的這片區域，因爲毗鄰高鐵蘇州北站近些年才被逐漸開發，已經有二十多家自動駕駛相關企業入駐，地方政府打造智能駕駛產業集羣的意圖明確。相比更成熟的上海、蘇州工業園區，它的優勢是更優厚的條件和更多可塑性。

　　3月25日，Momenta在這裏舉行發佈會，爲總部新大樓揭幕。落戶近一年，公司已在這裏建立起工程中心、產品中心和商務中心，搭建起大數據、大計算、大測試三大基礎平臺，部署規模化的車隊，全面推動自動駕駛技術量產化。

　　2016年創建Momenta時，CEO曹旭東30歲，創始團隊都是與他相仿的年輕人，他們對這件事的判斷是“技術可能10年時間會成熟，產品、商業和生態20年時間會成熟。這麼有挑戰的一件事，要聚集一批牛人把這件事做成。”

　　根據創業團隊的技術強項，Momenta選擇了“打造自動駕駛大腦”的Tier 2定位——聚焦基於深度學習的環境感知、高精度地圖和規劃決策技術。在量產領域，Momenta專注軟件、算法與數據，在高速、泊車和城市道路場景，爲Tier 1和OEM提供自動駕駛解決方案。

　　曹旭東認爲他們躬耕的領域也是整個自動駕駛產業鏈創造最多新增價值的環節。目前公司累計完成融資超過2億美元，估值超過10億美元。

　　25日的發佈會上，Momenta首次發佈了結構化道路的自動駕駛解決方案 Mpilot，採用符合車規級、可量產的感知方案，其利用攝像頭、毫米波雷達、高精度地圖與定位技術融合的方式，能夠實現高速公路上下匝道、主動變道、應對緊急加塞等複雜場景的自動駕駛，並在雨天、黃昏繁忙時段、夜晚等極端環境下依然保持良好的性能。

　　據稱，這是國內首個利用可量產傳感器實現自主上下匝道及智能變道的方案。

　　高速公路試乘

　　發佈會前，《汽車商業評論》記者在一輛Momenta自動駕駛實路測試車上感受了Mpilot。

　　試乘路程40多公里，用時約一小時，進入高速公路後全程開啓Mpilot，司機雙手離開方向盤，雙腳離開油門剎車。主要感受如下：

　　1.加速、剎車、停車、啓動、拐彎、匝道行駛等動作線性柔順且高效，非常接近人類駕駛風格，沒有機器的頓挫感，沒有急剎急停急加速，彎道軌跡與速度控制得很合理，乘坐的舒適感讓人印象深刻。

　　2.遇堵車時，Mpilot控制車輛也非常接近人類，無論行駛還是停車離前車距離相對很近，減少被加塞的概率。這與我們試乘過的另一家自動駕駛企業測試時車輛離前車老遠就開始減速，最終的停車點也遠離前車相比要更智能、更自然。

　　3.自主變道，自主控制速度。本次測試設定的最高時速是80公里，車輛會在路況允許時儘量達到這個速度。前方有車時它會減速，如果前車緩慢、旁邊車道有足夠空間，車輛就會主動變道到臨近車道加速、超車，變道前自動打轉向燈。

　　4.上下匝道自如。試乘中多次上下匝道，車輛能提前併線、減速，與前車保持合理距離，還能以40公里時速在彎道上流暢行駛。

　　比較有意思的一個細節是，一次從匝道駛入主路時，主路最右道的車輛非常密集，以比較高的速度依次從測試車左側飛馳而過，測試車一直沒有找到變道切入的機會。匝道即將到盡頭，車輛不得不停了下來，等待數秒後終於抓住空檔變道成功，駛進主路。

　　這跟人類在相同場景下的駕駛非常接近了，匝道入主路需要有勇有謀。

　　爲了量產

　　這套Mpilot系統在前向、後向和側向配置了 6 個攝像頭，車身周圍 4 個環視魚眼攝像頭，車身四角和前向一共安裝了 5 個毫米波雷達。這就是感知方面的所有硬件，沒有激光雷達。

　　該系統能探測到前後150米、左右多車道的車輛和車道線信息，並對移動目標跟蹤預測。魚眼攝像頭用於檢測10米內的車輛位置，對變道加塞進行判斷和決策。

　　硬件成本是多少？曹旭東說“攝像頭平均20美元，10個一共200美元，5個毫米波雷達總價也是200美元。”以上都是量產價格。

　　而在激光雷達領域，Velodyne最受歡迎的16線激光雷達曾在2018年初宣佈降價一半，但降價後它的價格仍需3999美元。因爲激光雷達成本高昂的原因，Mpilot量產方案裏中並沒有使用。曹旭東認爲，“量產和規模化是自動駕駛落地的關鍵，攝像頭和毫米波雷達融合的感知方案能夠讓整車廠率先量產，這是最重要的。如果激光雷達便宜了，把激光雷達再加進來很容易，但如果一開始做的這套系統就必須使用激光雷達，不用激光雷達就沒法跑了，（那這樣的系統）現階段是沒法量產的。”

　　Mpilot的所有攝像頭都是單目，Momenta的解決辦法是使用先進的算法和海量的數據來解決3D場景重建的精度和魯棒性的問題。

　　不採用雙目、三目攝像頭，而是用算法彌補，同樣是基於成本與量產考慮。

　　在計算硬件上，曹旭東說很多自動駕駛測試車上採用的單片GPU成本需要幾百美元，幾片加起來動輒上千美元，功耗是百瓦級。“我們的算法模型適用的芯片功耗只有幾瓦，量產下來的價格會低於100美元。”

　　數據與衆包

　　環境感知、高精度地圖、決策規劃需要軟件算法，也需要海量的大數據支持深度學習，就像AlphaGo閱讀越多的棋譜就會對每一步棋做出更優判斷。

　　Momenta的測試車曾經遇到前面的大巴車尾部印着巨幅中國好聲音導師的人像廣告，起初攝像頭會把人像誤讀爲行人，因爲尺寸原因還會把跟“人”的距離判斷得很近。

　　測試車還遇到過三輪車上運動物的情況，如果系統檢測出的是獨立的動物而沒有識別出動物與三輪車的包含關係，很可能採取不必要的剎車措施。類似的還有大卡車上運載多輛小轎車在路上跑。

　　Momenta的L4級自動駕駛路試車，車頂有激光雷達

　　這類特殊情況還包括全國各地不同的交通信號系統等，只有上路真正去跑、跑夠一定時間和里程才能遇到、採集並進行深度學習算法訓練，最終作出正確的駕駛決策。

　　只用測試車去採集是遠遠不夠的。爲了更快獲取海量感知數據，Momenta採取了衆包模式，目前已有衆包設備運行在全國20多個城市的各種車輛上，採集各種路況數據豐富數據庫。

　　而且這個產品先於公司其他產品實現了商業化。“我們做了一款產品，是給車隊做安全管理的，一個前視攝像頭一個內視攝像頭，前視的攝像頭看路，內視的攝像頭看人。”曹旭東說。

　　內視攝像頭和前視攝像頭能夠幫助車隊提升駕駛安全，同時也爲Momenta獲取到更多的數據。

　　高精地圖

　　高精地圖是自動駕駛不可獲取的必要條件，也是Momenta三大核心技術之一。

　　2018年下半年，成立僅2年的Momenta拿到了導航電子地圖測繪資質。

　　截至目前，我國具有該測繪資質的單位只有17家，其中4家爲事業單位，4家是BAT和滴滴子公司擁有強大背景，Momenta是17家中極少數的自動駕駛初創企業。

　　曹旭東稱他們團隊所研發的地圖精度已達到10釐米以內，定位精度大多數情況下小於10釐米。

　　他認爲除了精確定位、精確導航，Momenta爲高精地圖提供了新的價值，包括數據更新、動態圖層、經驗圖層、定位圖層。

　　地圖的更新指地圖隨着環境變化而變化。類似感知數據的衆包，Momenta在高精地圖方面也採用衆包模式，將各類衆包數據上傳到雲端，雲端大腦將這些元素製作成高精地圖。實現量產後，每一輛車的定位系統都將成爲高精地圖的更新入口，環境變化越快，這種模式的優勢越明顯。

　　動態圖層指的是遇到交通事故、施工等突發情況能迅速播報到與該路段有關的車輛端，以避免連環事故，甚至讓車輛自行改變路線躲避事故和擁堵。

　　經驗圖層指的是記錄司機的駕駛方式，例如從什麼位置、如何進入匝道，在匝道中的速度和路線，從哪個位置、什麼速度出匝道等。這些駕駛方式是人類司機的駕駛經驗，經過大量記錄和分析，這些經驗會進入決策規劃，讓自動駕駛更智能。

　　定位圖層一般是高精地圖的必選項，但普通高精地圖定位使用RTK GPS技術，即差分GPS，有成本高和信號不穩定、定位不精確的問題。Momenta用一套基於攝像頭和計算芯片的低成本定位方案，給定位圖層帶來新的競爭力和價值。

　　前文提到曹旭東對自動駕駛的判斷是“技術可能10年時間會成熟，產品、商業和生態20年時間會成熟”，但Momenta的節奏遠遠快於這個判斷。

　　他們的時間表是：

　　2019年第一季度推出高速自動駕駛量產方案，即3月25日發佈的結構化道路解決方案Mpilot。

　　2019年第二季度發佈限定場景內的自主泊車方案。

　　2019年第三季度發佈完全無人駕駛的方案。

　　2020年第一季度推出城區的自動駕駛解決方案。

　　科學家們

　　產業變革讓汽車這門古老的生意越來越和前沿科技掛鉤，成功的關鍵往往取決於在相應領域有沒有頂尖的、足夠數量的科學家與工程師。寧德時代的成功就得益於擁有幾百名電化學領域的科學家。

　　自動駕駛更是這樣，人工智能、深度學習領域的科學家在全世界被瘋搶，近幾年自動駕駛領域的跳槽和知識產權糾紛在硅谷和國內高頻上演就生動說明瞭“知識就是力量”。

　　Momenta的核心團隊是一羣年輕的人工智能與深度學習科學家。

　　普通人感受到深度學習的力量是在2016年春天谷歌的AlphaGo戰勝人類棋手李世石。而科技界深度學習的最近一場革命發生在2012年，Momenta的核心團隊成員當時已經開始做這方面的深入學習研究。

　　研發總監任少卿畢業於中科大與微軟亞研聯合培養博士項目，提出適用於物體檢測的高效框架Faster RCNN和圖像識別算法ResNet，後者相關論文於2016年獲得計算機視覺領域頂級會議CVPR 的Best Paper Award。這兩項成果幫助微軟在2015 ImageNet，2015 MS COCO Challenge等比賽中獲得多項冠軍。任少卿的自動駕駛論文引用量如今已經超過三萬次。

　　研發總監孫剛在2015年參與設計了包含144塊GPU的深度學習訓練系統“Minwa超級計算機”，這是當時世界上第一個用大規模GPU集羣做深度學習的系統。

　　研發總監夏炎在微軟亞洲研究院讀博期間的研究方向之一是用盡量少的人工幹預構建大規模數據集。畢業後在商湯科技工作期間，夏炎又對文字識別進行了探索，並將算法迅速落地，開發出身份證識別、銀行卡識別、票據識別等實用產品。

　　2016年，這羣85後的年輕人決定創業，以基於深度學習的環境感知、高精度地圖、決策規劃打造自動駕駛大腦，提供不同級別的自動駕駛解決方案。

　　從全行業來看，2015年左右國內同時掀起兩股創業潮。一是新能源智能汽車整車領域，即所謂的造車新勢力，蔚來、小鵬、威馬、車和家等等，這些OEM需要整合各路技術和供應商、打造品牌、探索商業模式。二是聚焦自動駕駛的科技創業公司，如地平線、馭勢科技、小馬智行、圖森未來、智行者、禾多等等。由於自動駕駛本地數據的重要性，這些本土創業公司有機會先於跨國汽車巨頭和硅谷科技大鱷在國內取得突破，實現真正意義上的彎道超車。

　　相比整車OEM，後一類科技創業公司更依靠原創技術實現自身能價值，推動行業變革，也有機會改變“中國創業公司大多是商業模式創新，硅谷的創業公司偏愛死磕技術難題”的標籤。