配置显而易见，目前量产传感器方案大致趋同，都因为价格原因抛弃了激光雷达，取而代之的是多个摄像头、毫米波以及超声波雷达为主。

  特斯拉无人驾驶车辆配有总共有 8 个摄像头，1个毫米波雷达和12个超声波雷达；理想汽车、蔚来、小鹏P7都拥有8个摄像头和5个毫米波雷达的方案，而Momenta、Nullmax等，在量产全场景方案中则搭载了12个摄像头，5个毫米波雷达的多传感器融合方案。这些合理规避了激光雷达的量产方案，既能使车辆尽量满足L2＋场景功能要求，又能实现车辆向更高阶无人驾驶的软件升级。

  目前量产传感器的配置确定性很高，无论是摄像头安装的地方、分辨率选择，还是毫米波雷达的使用上，方案都逐渐收敛，在硬件差异化越来越小的形势下，如何更新软件和算法，快速挖掘数据潜力，是实现无人驾驶从L2＋到L4升级的关键。

  Momenta对外分享了其“飞轮式”L4（MSD， Momenta Self Driving）最新进展，详解了实现规模化L4的关键路径。这也是他们自去年12月发布的MSD实车路测视频后，首次披露内部L4最新进展及推进时间表。

  “飞轮式”L4是由量产数据驱动的完全无人驾驶方案，Momenta通过将量产无人驾驶产品Mpilot搭载在车辆上，在为客户处理问题、创造价值的同时，回收海量数据，助力产品更好的迭代。这些来自真实世界的海量量产数据，就像“活水”一样，源源不断地进入“飞轮式”L4的循环中，推动MSD一直在升级，使得完全无人驾驶系统不断进化。

  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，自动化地解决无人驾驶的长尾问题。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。

  Momenta这种听起来很玄妙的“飞轮式”L4并不是只浮于理论，该方案已在苏州落地测试应用。在发布会现场，Momenta直播了在飞轮式L4方案驱动下的无人驾驶车辆，如何在复杂城市道路中穿行。期间有多个左转场景，红绿灯以及异型车辆的Cut in等，车辆全程没有接管，而且运行流畅，缓缓制动，像极了一个成熟的老司机。

  比如狭窄小路人车混行，遭遇三轮逆行、卡车加塞、电动车斜穿、平板车抢道的场景：

  规模化L4的最终实现，要解决隐藏在千亿公里数据下的长尾问题，还要让量产数据和数据驱动的算法之间形成自动迭代的闭环。

  Momenta飞轮三因子中的“闭环自动化”正是这样一套高效、自动化的工具链。路测现场直播结束后，工具链将本次路测数据拆解分析，通过场景筛选器，筛选出有价值的场景样本，然后系统会对黄金数据来进行全自动标注。当数据积累到一定水平，就会自动触发无人工干预的模型训练迭代，完成训练。模型评测自动启动，研发团队只需阅读由系统所推送的评测报告来决定模型发版，就可以完成整个闭环。

  随着“飞轮式”L4开始转动，Momenta的研发效率也得到了显著提升。目前Momenta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能轻松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。

  2020年上半年，百度、滴滴纷纷启动了无人驾驶打车出行服务，Momenta也于近期取得了苏州第一块的 Robotaxi 示范应用牌照，而无人驾驶出行服务真正的完成商业化仍需要找到盈利的空间，否则只是一味的烧钱博流量。

  “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。”Momenta CEO曹旭东表示。

  与Momenta同属一个战壕的文远知行也表示，不拿掉安全员，所有Robotaxi商业模式都是伪命题。然而，在没办法保证安全的前提下，拿到安全员又是何其艰难。

  据测算，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，有必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。

  如何计算规模化L4的总成本？Momenta介绍了他们的“飞轮公式”来计算，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，但能确定，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（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，以此来降低研发成本。 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。

  Robotaxi是“飞轮式”L4的重要商业化落地场景。Momenta已于今年6月取得苏州第一块Robotaxi示范应用牌照，并计划在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；从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。

  “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。”曹旭东表示，“对于Momenta而言，这个转折点出现在2024年。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，以此来降低车辆经营成本，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 将开始做多地落地，从而以极快的速度实现规模化L4。”

  “十问十答” /

  模型，以识别和理解道路环境，从而做出正确的决策和行动，实现准确、稳定和安全的

  集的现状与挑战 /

  需要5G？ /

  感知识别、决策规划、控制执行三个核心系统中，和传统汽车零部件行业贴合最近的就是控制执行端，说的再明确一 些就是

  中的线控系统综述 /

  的核心技术主要是人工智能中的机器学习与深 度学习两个方向。在本文中，我们的关注点在于机器学习

  中的机器学习 /

  的商业模式与挑战 /

  技术概述 /

  、控制规划、感知识别、建图定位、电气架构、车载控制器、验证 体系等等，有太多的角度可以去切入。对于

  软件架构介绍 /

  分级和定义 /

  集DAIR-V2X /

  是现代工业生产里的关键领域，它利用先进的技术和设备来实现生产过程的

  AMD Versal AI Edge自适应计算加速平台之PL通过NoC读写DDR4实验(4)

  AMD Versal AI Edge自适应计算加速平台之PL LED实验（3）

  使用Altera Interface Planner高效设计FPGA引脚布局

  I.MX6ULL-飞凌 ElfBoard ELF1板卡- 移植zbar的方法