追踪 | 打造自动驾驶的大脑 Momenta获4600万美元B轮投资

无人驾驶的大脑

从微软亚洲研究院至商汤科技，5年来，曹旭东立足于学术领域，研究计算机视觉、深度学习算法等前沿科技。

但他并不希望局限于此。2014年，他萌生创业念头，试图寻找一个能真正被技术改造的人工智能领域。

在他看来，人工智能创业公司可分为三类：第一，有技术无场景，虽然技术不错，但无法解决真实需求；第二，有改良场景，即人工智能是成熟产业链中的一环，技术提升其价值，但没有改变商业模式；第三种则是他想要做的，技术革新催生新场景，从而产生全新的产业格局和商业模式。

一年来，他考察诸多领域，包括卫星遥感的图像识别、自动驾驶等，最终选定了自动驾驶。“这对技术的挑战更大，影响也更大”，曹旭东目光闪亮。

此外，自动驾驶解放生产力和产生大数据的特性也吸引着他。他认可大数据的重要性，认为“智能其实是个体跟环境互动数据的总和”，而人工智能可“把人从枯燥的脑力劳动中解放出来”。

但与谷歌等公司不同，他并不想生产无人车。制造周期长，渠道复杂，这些并非他的长项。曹旭东决定从团队优势出发，研发自动驾驶的大脑，即基于深度学习的自动驾驶方案。

◆ Momenta团队的小伙伴们

构建高精度地图

早在创业之前，他调研了多家自动驾驶公司。那时，他甚至会想，“如果有人想得比我好，那我就加入那个团队”。但与他们谈完一圈后，他既失望又开心，“很多人跟随谷歌的自动驾驶方案，但没有认真思考自动驾驶的核心问题”。

在他眼中，自动驾驶的核心是安全性，这意味着“1000亿”公里的路测。“人驾驶约1亿公里，会发生1至3起致命性事故。”如果要证明系统比人更安全，使得事故率降低一个量级，即10亿公里1起，需要100次以上的重复测试，也就是说，无人车至少要跑1000亿公里。

这个测试数据很难靠人力达到。“北京出租车一天大概跑300公里，全年无休才跑10万公里。”照此来说，100万辆车跑一年才能完成测试。而现在“并无公司做到这一点”。

通常来说，无人车测试会采用计算机模拟测试的形式，降低所需的总里程数或车辆总数。但测试的精准程度依赖于虚拟环境的精准度以及司机的模拟行为决策。对此，团队决定通过视觉技术构建高精度地图。

为降低造车、车辆运营等单车成本，他选择众包方式，给现有车辆装上视觉采集设备，“比如一辆车周围装6～8个相机”。

相比激光雷达几万美元的价格，视觉采集设备的价格便宜，“大概几百多元，采集到的信息也较为全面”。在不影响车主驾驶以及保证车内隐私的情况下，车周的采集设备收集路况视频，包括静态环境和运动的人、车等动态信息。“一年内，不同车辆经过同一路段，可达几万次，这会进一步提高地图的精度。”

团队需要将收集到的二维数据转换为三维数据，从而建构高精度地图，包括地标位置和本车定位两方面。通过高精度地图精准定位，能够得到车在其中的运动轨迹，也就是司机的真实决策，比如刹车、拐弯等。

待一切就绪，自动驾驶系统会进入测试环节，除在模拟环境中测试外，团队还会借助众包形式，在车上搭载系统，“并不控制车辆”，测试车主真实决策与算法模拟决策的贴合程度。

融资500万美元

今年8月，他离开商汤科技，与初创团队一起，创办了Momenta公司。

团队成员大多来自清华、微软亚洲研究院以及商汤科技，其中核心研发团队的任少卿、夏炎和孙刚都是深度学习领域的专家。“他们的实战经验可迁移到自动驾驶应用场景。”

◆ Momenta公司研发总监任少卿，曾提出适用于物体检测的高效框架Faster RCNN和图像识别算法ResNet，后者相关论文于今年获得计算机视觉领域顶级会议CVPR 的Best Paper Award。

仅一个星期，见了不足10家投资机构，曹旭东就获得了500万美元的A轮融资，此轮由蓝湖资本领投，创新工场和真格基金跟投，主要用于研发、人员成本以及推广。

随后，团队迅速研发出构建高精度地图的视觉技术，并启动验证环节。团队选择重点路段（车流量大的高峰路段），通过车载视觉采集设备，采集了大量路况数据。据此，团队顺利将拍摄的视频转换为三维数据，完成了部分重点路段地图的构建。

目前，团队正在筹备联系更多的车辆，以收集更多数据，这将促成整个高精度地图的构建以及司机驾驶行为决策的分析。“有更多数据回流后，这套系统将变成可使用系统。”

未来，Momenta将提供不同自动级别的自动驾驶方案，以及衍生出的大数据服务类产品。

/The End/

编辑   薛  婷    校对  吴泽骞