Momenta 完成 B2 轮融资，关于自动驾驶它都做了哪些事？| 九合系融资新闻
10 月16日，九合被投企业 Momenta 宣布获得 B2 轮融资，本轮由凯辉中法创新基金领投，GGV 纪源资本参投。此轮融资将会进一步加速产品落地和研发高频刚需场景的 L4 无人驾驶技术，并扩充团队。
九合于 B 轮成为 Momenta 的投资方，我们看好 Momenta 在技术上的优势，也对它在未来出行市场上的潜力深信不疑。与我们一起同行的还有蔚来资本、戴姆勒集团、顺为资本、创新工场、蓝湖资本、真格基金等机构。
以下，我们摘要了几条来自 Momenta 创始人曹旭东的分享，看看这家目前风头最劲的自动驾驶公司究竟做到了什么。
Momenta 成立于 2016 年 9 月，致力于打造自动驾驶大脑。核心技术包括基于深度学习的环境感知、高精地图、驾驶决策等。产品包括不同级别的自动驾驶方案，以及衍生出的大数据产品和服务。
目前，Momenta 已经与世界多家知名整车制造商建立了良好的合作关系，戴姆勒集团和蔚来汽车也是 B 轮的投资方；在 9 月下旬，Momenta 还成为了百度自动驾驶开源平台 Apollo 1.5 版本的首批合作者。
同时，Momenta 一直专注于图像视觉和人工智能算法与软件研发，产品覆盖无人驾驶算法、高精地图和驾驶监控系统等实现无人驾驶的核心技术，业务之间具有高度的协同效应，满足整车厂、商用车队、数据服务商等多方需求，发展前景广阔。
自动驾驶很多问题没有现成答案。我们能从第一原理出发，创造性的解决问题，不断推动人工智能领域的边界。
— Momenta 创始人 | CEO 曹旭东
要点速览
如何解决无人驾驶的难点？
第一种解决方案是无人驾驶模拟
第二种解决方案是众包数据收集和测试
视觉高精度地图如何实现？
第一原理：多张图像存在视差，利用点的对应关系，可以从 2D 点恢复出 3D 点
解决三个问题：
1. 图像部分：检测识别语义点
2. 几何部分： 通过众包间接实现海量摄像头测量效果
3. GPS 部分：给每个语义点精确的 GPS 坐标
无人驾驶端到端的学习靠谱吗？
对于无人驾驶，端到端不适合开发实用无人驾驶系统，可以做 demo ，然而大规模商用却非常困难
· 如何解决无人驾驶的难点 ·
无人驾驶最大的难点，也是最重要的要素，就是安全
1. 对于人类司机，1 亿公里发生致命事故 1~3 起；对于无人驾驶，我们希望比人更安全，最好致命事故率低一个量级，做到 10 亿公里 1 起致命性事故。
2. 按 1 辆车 1 年 10 万公里总里程计算，需要 100 万辆车在 1 年内跑 1000 亿公里，才能达到海量数据足够的置信度。数据驱动的驾驶决策，类似于建立一个拥有 1000 亿公里驾驶经验的智能司机。
3. 2 个方面导致成本巨大：海量测试车辆+高昂单车成本（设备成本，造车成本，运营成本）。
如何克服？
Momenta 提供了两种互补的解决方案：第一种解决方案是无人驾驶模拟；第二种解决方案是众包数据收集和测试。
1. 无人驾驶模拟：通过算法生成感知和决策数据；降低成本，但也存在不足。
2. 众包数据收集和测试：设想直接利用现有道路上已有的运营车辆，不需要造车、改车、控制车，以一种零负担、零危险的方式实现众包测试和数据收集，需要非常深厚的算法积淀和原创能力。
· 视觉高精度地图如何实现·
无人驾驶的向导：高精度地图
高精度地图包括地标位置的高精度和本车定位的高精度，作为视觉的延伸和增强，高精度地图之于无人驾驶是必须的，对于自动驾驶整体解决方案研发的价值非常高，这一点却被很多人忽视。分为三个方面：决策，测试，V2E。
1. 无人驾驶决策
司机的驾驶行为可以用车辆在高精地图中的轨迹表示，通过精确定位，就可以获得每辆车的驾驶轨迹，以及轨迹上每一点的速度，加速度。通过众包，就可以获得海量环境和行为数据，通过数据驱动的方式学习无人驾驶决策。
2. 无人驾驶测试：众包是唯一实现海量测试的方法。
Momenta 可以预测驾驶轨迹，也记录了真实驾驶轨迹。预测轨迹和真实轨迹比对，如果一致，说明测试通过，如果不一致，说明测试失败。找到问题，就可以有的放矢，高效解决问题。
Momenta 这一方法是为无人车大脑测试设计的。无人驾驶整体测试还包括无人车身体测试，以及身体和大脑结合的测试，也就是车辆测试和轨迹跟踪测试。相比于无人车大脑，这两部分成熟很多。
3. V2E: V2E 是指通过车辆和道路通信实现无人驾驶。
相对于电子通信的 V2E，Momenta 提出「渐进式的 V2E」，通过高精地图和基于高精地图的测试，可以自动发现哪些路段标线和标识需要改进，并给出改进的具体实施方案，在现有道路标线、标牌体系下，就可以大幅改善无人驾驶的可靠性和安全性。
如何实现？
Momenta 构建高精地图的第一原理是：多张图像存在视差，利用点的对应关系，可以从 2D 点恢复出 3D 点。类似于人眼双目视觉获得深度。
通过这一基本原理，Momenta 创造性地解决了三方面的问题：
1. 图像部分：检测识别语义点。
定义道路标线、标牌等地标上的点作为语义点，通过深度学习和数据驱动的监督训练得到模型，可以准确检测和识别语义点，解决检测不到、匹配错误的问题。
2. 几何部分：通过众包间接实现海量摄像头测量效果。
不同车辆，不同时间，经过同一地标，即使光照视角不同，也可以通过语义点模型把所有车辆拍摄到的同一语义点关联起来，这相当于间接实现了多摄像头测距的效果。随着众包车次的增加，真实 3D 点位置估计的准确性有量级上的提升。
3. GPS 部分：给每个语义点精确的 GPS 坐标。
(1) 让高精地图通用。GPS 坐标是地图的通用语言，给每个语义点赋予 GPS 坐标，便于他人使用。
(2) 消除累积误差。单纯使用几何方法构建局部地图，会有累积误差，结合 GPS ，可以解决这个问题。
(3) 消除局部地图歧义性。当局部地图有重合或者语义点缺失的时候，确定局部地图坐标系很麻烦，但全局 GPS 坐标系没有这个问题。
P.S. 这家公司目前也在校招哦！《校招 | Momenta, 你一定不能错过的自动驾驶公司》
这里有世界顶尖的深度学习专家、图像识别领域先进框架 Faster R-CNN 和 ResNet的作者，有 ImageNet 2015/2017 的冠亚军们，更有强大的无人驾驶研发团队，强大的技术团队与浓厚的学习氛围，如果你对技术有追求，这里会是一个绝佳的考虑。
招聘邮箱：talentoverflow@momenta.ai
·END·
Reference：
更多九合精选
了解九合： 关于九合 | 九合年会 | 九合徒步 | 九合创业课 | 九合办公室
九合和他的伙伴们：九合Team | 36氪 | 新片场 | 黄油相机 | 日食记 | 青云 Qingcloud | 来电 | 石墨 | 轻客 |彩云天气 | 懒熊体育 | cloudo kids | 迅蚁 | 好动网球 | 所问数据 | 棕榈大道 |KAT VR |牛牛汽车 |……
又有喜讯的九合
把我们看到的都告诉你
：