基于統一量產傳感器方案，Mpilot 為 MSD 提供“數據流”，MSD 為 Mpilot 提供“技術流”，兩者之間高效的閉環自動化迭代，將重新定義實現無人駕駛的關鍵路徑：通過量產自動駕駛產品獲得海量數據，持續研發數據驅動的核心算法，打造閉環自動化工程體系，發揮數據價值，高效迭代技術，最終實現完全無人駕駛。
一、一鏡到底揭秘MSD (Momenta Self Driving)
MSD 一鏡到底路測視頻
此次公布的MSD路測視頻，采集于蘇州市相城區城市路段，屬城建頻繁區域。路線全程約12km，沿途經過30余個紅綠燈路口，既包括無保護左轉等典型場景，也含有非機動車混行、立交橋下長路口等復雜路段。路線上有多處施工工地，也有學校、居民區、寫字樓、商業中心等人流聚集的繁忙場景。
MSD使用Momenta統一量產傳感器為主傳感器，其中視覺傳感器和毫米波雷達，與今年早些時候發布的量產方案Mpilot Highway、Mpilot Parking傳感器保持一致。同時，加入激光雷達的設計則為MSD提供額外冗余，更具安全性。
通過繁忙路口：穩中有“進”，快速通過
城區十字路口交通情況復雜，穿行車輛絡繹不絕， MSD采取“穩中有進”的策略。MSD在左轉的過程中，謹慎避讓來自各個方向的三輪車、電動車和其他機動車，并且可以準確并識別車輛背后突然出現的非機動車，保證了通過路口的安全性。 MSD全程不斷觀察、預測周圍車輛的運動狀態和軌跡情況，當判斷有較大可通過空間時便快速起步通過。
復雜混行路段：從容不“迫”，應對自如
城區的混行路段中交通狀況十分復雜，交通參與者如“布朗運動”一般毫無跡象可循。自車必須具有足夠強大的感知和預測能力，才可面對復雜場景做出合適的決策和規劃。MSD首先準確感知到右側小路右轉匯入的車輛，并及時進行減速避讓。隨著左前方逆行的三輪車靠近，在綜合“考慮”三輪車和右側來車后，MSD判斷三輪車是必須避讓的目標，且右側有足夠的避讓空間，順利做出避讓操作。
購物中心場景：左右“逢”源，游刃有余
購物中心附近有大量穿行馬路的行人、自行車，同時臨近地下停車場出入口，交通狀況相當復雜。通行過程中，MSD首先感知到斜前方對向車道的自行車，通過其運動軌跡，預測出斜穿馬路的行為并及時避讓。隨后，MSD行至地下停車場連續出車處。在出口附近視線遮擋嚴重的情況下，及時準確地感知并讓行黑色轎車后，預測到白色轎車會避讓自行車從而預留出可以通行的時間 后，“果斷”超車通過。MSD在注重安全的同時盡量做到有勇有謀，并非一路保守避讓，不會造成后方車輛的大量停滯影響交通。
變道超越大貨車：舉“重”若輕，進退得當
城區道路中時常見到的大貨車給自動駕駛帶來多方面的挑戰：貨車形態各異、載貨品類多樣，需要強大的感知系統識別道路中的各類異型車輛。同時大貨車在行為上也更加激進，與之交互的危險性也更高。視頻中MSD跟隨慢速行駛的大貨車一段時間后，“決定”變道超車，但在超車過程中仍保持對貨車一定的安全距離，通過接近路口的實白線后才拉大橫向距離超車，保證了超車過程中的安全性。
二、量產自動駕駛和完全無人駕駛，兩條腿走路
實現無人駕駛，最關鍵的問題是安全。機器超越人類司機駕駛的安全性，需要通過千億公里級別的測試，這是實現完全無人駕駛安全性的前提。而千億公里的數據，必須通過量產自動駕駛獲得，才能真正實現快速規模化落地。
這也是 Momenta 的戰略：量產自動駕駛 (Mpilot) 與完全無人駕駛 (MSD) 兩條腿走路。左腿量產自動駕駛, 旨在為行業交付一流可量產的自動駕駛系列產品，并提供源源不斷的數據流;右腿完全無人駕駛，持續研發更先進的數據驅動算法，致力于打造L4級別的完全無人駕駛技術，并反饋給量產產品領先的技術流。在統一量產傳感器方案基礎上，通過數據、數據驅動的算法和兩者之間的迭代閉環，推動自動駕駛技術落地量產，并最終實現無人駕駛。
基于統一量產傳感器方案的兩條腿戰略
Momenta能做到前裝量產自動駕駛和完全無人駕駛兩條腿走路，絕非一日之功。其依托了公司創立初期，對實現無人駕駛關鍵路徑的深刻洞察：數據、數據驅動的算法，以及兩者之間的高效閉環自動化。
【千億公里數據】
完全無人駕駛的最終實現，需要千億公里的數據來發現長尾問題。
千億公里，意味著需要100萬輛車，每天10個小時不間斷運行，連續跑1年。再加上傳感器和計算單元成本，對任何公司來說都是非常大的投入。如何實現至少在百萬級別的車輛規模下進行數據收集和驗證?需要通過量產自動駕駛才有可能。
除了數據的獲得外，數據的使用也同樣面臨著巨大挑戰。Waymo的技術難以復用給Tesla的產品，Tesla的數據也很難幫助Waymo的技術提升，皆歸因為兩家公司選擇完全不同的傳感器方案和技術路線。因此要實現兩條腿戰略跑通，量產自動駕駛和完全無人駕駛必須共享統一的量產傳感器方案——只有如此，數據流和技術流才能打通，形成閉環。
因此，Momenta做了很多的技術創新，MSD以量產傳感器為主，與Mpilot保持一致。通過量產自動駕駛Mpilot，數據像 “活水”一般源源不斷反饋給MSD，使得完全無人駕駛系統不斷進化。
【要有數據，也要有數據驅動(Data-driven)的算法】
完全無人駕駛的最終實現，要解決真實場景中的長尾問題，必須通過 Data-driven的算法才能高效解決。
可以用100個人的團隊一年的時間解決100個問題，但是不可能有100萬個人在一年的時間里去解決100萬個問題。唯一的可能，就是通過 Data-driven 的方式，自動化地解決絕大部分的問題。通過這種方式，來解決完全無人駕駛的長尾問題。
基于規則驅動(Human-driven)的算法框架，遇到一個問題，需要人工設計對應的算法或參數予以解決。如果遇到百萬個問題，使用Human-driven 并不現實。最好的途徑是設計一套Data-driven的算法框架，用統一的框架去解決大量的問題。
MSD 在感知、預測、建圖、定位等核心技術模塊，均已使用Data-driven算法。以 MSD 中的紅綠燈感知算法為例，不僅需要檢測視野中紅綠燈的位置和類別，還需要根據時序信息，對當前的紅綠燈狀態進行識別，如綠閃狀態、黃燈狀態等。以往Human-driven的算法，往往需要基于規則來決定紅綠燈結果的連續幀狀態輸出，難以適應不斷擴展的路線上遇到的不同變化規律的紅綠燈。MSD 則采用 Data-driven的紅綠燈圖像感知與多幀融合算法，只要輸入時序的訓練數據，就可以自動學習紅綠燈的語義與狀態跳轉模式，而無需手工的調參和狀態設計，隨著路線的不斷擴展，以及千變萬化的天氣、光照情況，算法可以隨著數據的不斷收集，不斷自我進化，提高泛化性，最終完善地解決這一感知問題。
【高效閉環自動化迭代】
完全無人駕駛的實現，需要數據和算法之間形成自動迭代的反饋閉環。
為了加速數據和數據驅動的算法快速迭代，Momenta 創新性地提出 “閉環自動化”這一方法論，通過建立對問題自動化發現、記錄、標注、訓練、驗證的閉環過程，為技術和數據提供自動化的迭代能力。
以MSD的預測模塊為例，Momenta已建立起自動化、完全由數據驅動、端到端的主動學習系統。例如，在路測過程中，當Momenta車輛面臨可能的cut-in場景時，車端實時運行的智能篩選器可將算法預測的他車軌跡與實際觀測到的他車軌跡進行在線對比，主動選擇、采集和上傳有問題的預測——例如，預測他車會cut-in但實際未發生的場景，反之亦然。
這些高價值樣本回收到云端后，系統會利用同時記錄的觀測結果對數據進行全自動標注。累積一定數據后，可自動觸發無人工干預的模型訓練迭代，利用超大規模深度學習計算集群，在一天半內完成全量數據訓練。
最后，模型評測自動啟動，研發團隊只需閱讀由系統所推送的評測報告來決定模型發版，即可完成整個閉環。新發版的預測模型在車端又會重復這一過程，篩選采集新的數據，藉由閉環自動化能力將長尾數據不斷消化吸收，持續擴展性能邊界。
Momenta 閉環自動化：實現從數據到算法的快速迭代
三、結語
2019年，Momenta 已先后推出量產自動駕駛解決方案中面向高快速道路的 Mpilot Highway 和面向泊車場景的Mpilot Parking。此次完全無人駕駛技術 MSD 的正式發布，標志著 Momenta 戰略雛形形成，及無人駕駛關鍵路徑的明晰。
現在起至2024年，隨著量產自動駕駛Mpilot大規模部署在量產車型，為終端用戶使用的同時，將會有源源不斷的數據為完全無人駕駛MSD提供數據流，算法完全實現數據驅動，量產自動駕駛和完全無人駕駛實現匹配。此時是Momenta的兩條腿戰略的戰略成型期。
Momenta的戰略爆發期，將會持續至2028年。屆時，Momenta的兩條腿戰略完全打通，海量數據源源不斷進來，通過完全數據驅動的算法，以自動化的方式，發現和解決海量問題，實現高效的迭代和提升，完成無人駕駛規模化落地。
2028年之后，Momenta將步入戰略超越期。隨著兩條腿戰略越跑越快，Momenta將最大化發揮數據價值，高效迭代算法，輸出領先世界的無人駕駛產品和技術。
