Momenta大规模量产转折点会在2024年出现，一方面，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。另一方面，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。

文丨AutoR智驾  明阳

Momenta带着低成本Robotaxi量产方案“飞”来了。

刚刚，Momenta对外公布了“飞轮式”L4（MSD, Momenta Self Driving）最新进展，这也继其在去年12月发布的MSD实车路测视频后，内部L4最新进展及推进时间表的首次披露。

话不多说，先看技术成果。

在苏州Momenta通过直播的方式展示了“飞轮式”L4路测表现，Momenta将“飞轮式”L4方案技术集成在一辆林肯MKZ车型上，从车辆外观看，Momenta团队只对林肯MKZ车型进行了一些的改动。

具体来看，全车硬件设备包括12个摄像头、12个超声波雷达、5个毫米波以及一个辅助型激光雷达 。

对于传感器硬件来说，除辅助传感器激光雷达之外，其他都是可量产的传感器组合，价格可控制在千元级别，其中某些具备L2级别的自动驾驶汽车已实现部分硬件标配。

林肯MKZ车内则是配置了一个平板电脑作为可视化界面，其显示内容主要有前摄像头视角传输画面、车速、转向能力等。

在约10公里接近城乡结合部的公共道路中，Momenta自动驾驶汽车完成直行加速、红绿灯减速、左转避让卡车、三车道回流双车道、避让电动自行车等常见场景。

这其中，值得关注的是左转避让卡车、避让电动自行车场景。

我们知道卡车在自动驾驶技术一直是一个比较特殊的车型，特斯拉多次事故也是因为识别卡车识别而导致。

Momenta这次路测中在左转汇流路口遇到拉货的卡车，它的表现是左转减速慢行进入直行靠左边的车道，而卡车进入靠右边的车道，卡车位置稍超于Momenta车辆，此时，自动驾驶汽车并未急于加速，其原因是该车提前预测到卡车有向左变道的动作，这一提前预判不会导致自动驾驶汽车的突然刹车，并且增加了乘客的乘坐舒适度。

同样，在红路灯左转路口时，Momenta自动驾驶汽车遇到了横穿马路的电动自行车，此时，该车也未紧急刹车，而是在保障安全的前提下减速慢慢通行。

在短短几十分钟的自动驾驶过程中，Momenta自动驾驶汽车就产生了979份数据，其中，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。

这些数据中大部分数据将自动进行用于算法的验证测试。

云直播之后，Momenta本次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。

通过云直播与一镜到底的视频我们可以与前几天滴滴的直播进行一个对比，发现Momenta L4级别自动驾驶行驶更为稳健、中间复杂路段未进行接管。

这就是“飞轮式”L4的魅力所在。

看完技术成果，接下来详细说一下Momenta“飞轮式”L4技术构架。

“飞轮式”L4，指随着量产数据、数据驱动的算法以及两者闭环自动化的不断积累和迭代。

简单的来说，量产数据、数据驱动的算法、闭环自动化是实现“飞轮式”L4的三要素。

第一，量产数据。

实现规模化L4级别自动驾驶面临最大的问题就是要通过千亿公里的路测数据来发现长尾问题。

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。

人类司机的驾驶水平约为一亿公里出现一次致命事故，要实现规模化L4，至少要做到人类司机的安全水平，最好可以比人类司机水平高一个数量级。

因此，需要进行至少千亿公里的测试，解决百万长尾问题，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。

如此海量的数据规模，大部分企业的做法是采用模拟仿真，从而发现问题所在。

而Momenta是除了仿真外通过将量产自动驾驶产品Mpilot搭载在车辆上，来为客户解决问题、创造价值的同时，回收海量数据，从而更好的迭代产品。

其优势在于这些来自真实世界的海量量产数据，并且可以不断的进行数据的迭代，做到自动收集问题、解决问题，推动MSD不断升级，使得完全无人驾驶系统不断进化。

第二，数据驱动的算法。

解决了量产数据问题，接下就是规模化自动驾驶中的真实场景中的海量问题。

我们知道基于规则驱动（Human-Driven）的常规算法框架，可以用100个人的团队一年的时间解决100个问题，但是不可能有100万个人在一年的时间里去解决100万个问题。

这里唯一的可能性，就是通过数据驱动的方式，自动化地解决绝大部分的问题。

Momenta认为这一问题必须通过数据驱动的算法才能高效解决。

对此，Momenta内部推行“架构师”文化，相比于见招拆招的解决单一问题，Momenta鼓励团队把更多的精力放在如何搭建一套数据驱动的算法框架上。

从而，随着量产数据的不断流入，数据驱动的算法会驱动飞轮式L4不断迭代，自动化地解决自动驾驶的长尾问题。

第三：闭环自动化。

规模化L4的最终实现，要量产数据和数据驱动的算法之间形成自动迭代的闭环，闭环自动化正是这样一套高效、自动化的工具链。

该工具链就是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。

“飞轮式”L4构架搭建完成，Momenta发布了三项计划：

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，部署100辆Robotaxi。

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

如何实现盈利？

Momenta内部采用“飞轮公式”来计算这一成本，即实现规模化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）。

由于实现规模化L4还处在“无人区探索”的状态，因此无法准确评估问题个数（N）和里程数（M）的大小，但可以肯定，N至少达到百万量级，M至少是千亿公里。

和行业现有路径相比， Momenta以量产数据驱动的方式，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）的最大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，目前行业自建车队费用不会低于打车费用，现在打车费用国内通常在2-4元/km，国外会更贵，如果是千亿公里，自建车队至少是2000-4000亿的成本。

而在“飞轮式”L4中，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。

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

更直接的计算就是，假设一个使用周期内一辆出租车的使用成本是50万元，那么，使用Momenta方案的Robotaxi成本在50万以下，这就表示Momenta实现了单车盈利。

同时，为了让合作伙伴、OEM共同实现盈利，Momenta首先在苏州完成试点工作，进而再复制到其他城市。

这是无人驾驶规模化落地的最精益的模式。

也是Momenta从0-1（完成技术和商业验证），从1-N（快速扩张）的商业模式。

值得注意的是，从1-N这个阶段，Momenta已经具备Mpilot的量产能力（进行其他城市的数据储备）和资金的储备。

Momenta CEO曹旭东表示，“Momenta的两条腿产品战略，左腿量产自动驾驶Mpilot,为行业交付一流可量产的自动驾驶系列产品，并提供源源不断的数据流，右腿完全无人驾驶MSD，致力于打造L4级别的完全无人驾驶，并反馈给量产产品领先的技术流。两条腿战略需要建立在统一量产传感器基础及统一的技术路线上，两者相互协同打通。”

可见，对于Momenta而言，大规模量产这个转折点会在2024年出现，一方面，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。

另一方面，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。

当前，国内外不少公司都公布了Robotaxi大规模运营计划，并且以联盟的方式出现也使得无人驾驶将成为刚需。

无人驾驶公司的发展必将经历实现固定路线的自动驾驶、实现小片区域任意点对点自动驾驶、实现较大区域内的自动驾驶测试和运营、在限定区域限定时间的全无人驾驶测试和试运营、实现大范围大规模的全无人驾驶运营五个阶段。

对于Robotaxi来说，只要能把人挪掉，剩下的账一定能算得过来，并不一定到全部替代司机时才能盈利，替代一半司机的时候就可能会实现盈利。