中新网成都8月16日电 (王鹏)据中国铁路成都局集团有限公司16日消息,受暴雨影响,宝成铁路全部列车停运。

据四川省气象台16日12时30分消息,过去6小时,四川绵阳、德阳、成都、眉山4市和广元西部、乐山北部、雅安中部等地出现了大雨到暴雨,局部大暴雨,最大6小时雨量262.0毫米。

自动或者半自动的闭环工具,无疑为Momenta的数据处理省去了很多不必要的麻烦。

也就是说,在0-1阶段,Momenta会专注于技术和商业模式的验证,在两者还没有在样本城市得到完全验证之前,不会做大规模扩张。

但由于L2/L2+与L4级自动驾驶本身不在一个维度,业内也逐渐形成跨越式与渐进式自动驾驶的两个阵营。

此次试乘时间约为30分钟,范围在苏州相城区高铁站附近10公里左右的开放道路。从道路的复杂程度来看,路上人车混行严重,车流往来不绝,包括形状各异的卡车、随时窜出的电动车等。

由此,因列车停运、折返、迂回造成出行受阻的旅客可于票面开车日期起30日内到全国任一火车站办理退票手续,12306用户可直接通过12306官方网站、铁路12306手机APP办理全价退票手续,无需到车站窗口办理。已打印报销凭证或现金购票的旅客,可在12306网站或铁路12306APP办理退票,于票面开车日期起180天内到车站窗口退回报销凭证或领取退票款;已在车站过闸,当日不再乘车的的旅客,可在30日内到车站办理退票手续,无需当日在车站集中排队退票。(完)

以下为雷锋网新智驾活动前期采访内容:

另一方面,从业内进展来看,即便是号称在2020年向完全自动驾驶进发的特斯拉,其L4也还处于低调隐匿的状态。

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

正如Momenta总结地那样:在两条腿走路战略落地过程中,左腿量产自动驾驶是最先构造起来的,并且最先进入产品化和商业化阶段;然后Momenta在去年年末正式迈出右腿,发布完全无人驾驶技术MSD。

诚然,数据的价值是通过挖掘得到的,否则也只是一堆数字罢了。

从产品架构来看,“飞轮式”L4主要由量产数据、数据驱动算法、以及两者之间形成的闭环自动化三个因子构成。

可见,在Momenta眼里,自动驾驶从来就不单是一个技术问题,可靠的技术方案和可落地的成本方案缺一不可。

而Momenta的独特之处在于,用“飞轮式”L4架构打通了L2和L4话语体系,将两者拢聚到了一个阵营,为自动驾驶的实现提供了一种全新的思路。

所以不能不承认,Momenta甚至比特斯拉更快地向业界提供了一个清晰的L2向L4演进的思路与技术。未来,Momenta这个无车壳版的“特斯拉”,会否成为自动驾驶界的下一条“鲶鱼”?

无论是数据采集、存储、还是处理、标注、模型训练等环节来说,一旦以海量数据作为单位,那么每个环节都会变得艰难。而Momenta的闭环自动化就是一套高效、自动化的工具链: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。

为了更加直观地呈现MSD车辆的感知、决策、控制过程,Momenta在车内放置了三块可视化屏幕。通过屏幕,能够看到车辆当前的自动驾驶状态、车速、油门、红绿灯情况;同时也能看到Momenta高精度地图作为静态感知的痕迹,以及行人、轿车、卡车、车辆行驶轨迹预测等动态感知内容。车辆后备箱则是搭载了自动驾驶GPU计算平台。

如果说两条腿走路是Momenta的战略理念与产品呈现,那么“飞轮式”L4则是Momenta两条腿得以真正走起来的底层支撑。

宝成铁路受此影响,多区段雨量超标,涪江铁路桥、安昌江铁路桥等6座桥梁水位超过警戒值,为确保旅客生命财产安全,铁路部门对途经宝成铁路的旅客列车采取停运、折返、迂回的措施。

由于当下规模化L4还处在“无人区探索”的状态,Momenta认为规模化L4面临的是“行驶千亿公里,解决百万问题”的巨大挑战。而千亿公里意味着100万辆车,每天10个小时不间断运行,连续跑1年。

从外部传感器来看,Momenta的MSD车辆采用的是以视觉为主、几乎都是可量产的传感器,包括12个摄像头、12个超声波雷达、5个毫米波以及1个用以辅助感知的velodyne 激光雷达。

而这种规模化L4的最终实现,要有千亿公里的数据以发现长尾问题。那么海量数据从哪里来?光靠L4自动驾驶车辆的缓慢积累是远远不够的。

总体试乘下来,车辆速度不超过车道限速,总体在40公里每小时以内,全程无接管。车辆的行驶平滑,甚至在启动时有一点小小的推背感,既不激进也不保守。车辆能够顺利应对车道数量三变二、大货车行人避让、路口左转等交通场景。

Momenta认为,要解决真实场景中的海量问题,必须通过数据驱动(Data-Driven)的算法才能高效解决。什么叫数据驱动的算法?

Momenta“飞轮式”L4规模落地的可行性有多高?

这种包括资金、车队数量在内的巨大投入对自动驾驶初创公司来说无疑是不可承受之重。但Momenta的“飞轮式”L4将这种巨大的成本一再降解、分割为可接受的账目。

他认为:Robotaxi城市扩张的关键因素在于数据储备。每一个城市的Robotaxi落地,都需要海量数据的积累。如果每到一个城市都花上几年时间重新开始积累,那么技术与商业落地的领先性很容易扩散和被稀释掉。

今年年底会跟苏州政府进行robotaxi的试运营,明年可能会有大规模的对外开放; 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; 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,从而降低研发成本。

在单公里数据成本(D)方面,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。

那么与主机厂的数据会否顺利返流给Momenta?夏炎表示:“数据的所有权归属车厂是无疑的,但如何用数据来创造价值是Momenta擅长的事情。利用数据迭代自动驾驶系统,这是我们能够为主机厂创造的价值。”

总地来看,Momenta用“飞轮式”L4证明了,L2与L4之间并不是泾渭分明的界限与派别。

未来,“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。”曹旭东表示:“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。”

Momenta进化的关键:“飞轮式”L4 

事实上,今年6月Momenta就已经获得苏州第一块Robotaxi示范应用牌照。按照Momenta的计划:

预计到2022年,Momenta可以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。 2024年,量产自动驾驶Mpilot也将会大规模量产上路。Mpilot和MSD将协同增效,实现“飞轮式”L4的快速成长。

事实上,Momenta的“飞轮式”L4并不单指L4级自动驾驶技术本身,而是指量产数据、数据驱动算法以及闭环自动化形成的飞轮架构,三大因子不断积累和迭代,飞轮将越转越快,形成厚积薄发之势,带来产品和商业的爆发增长,最终实现无人驾驶规模化落地。

云直播之后,Momenta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。可见Momenta对MSD技术的自信。而这种自信的来源,正是“飞轮式”L4 。

Q:量产自动驾驶和完全无人驾驶还是蛮不同的,你们要怎么用低维度的量产数据来反哺比较高维度的完全无人驾驶?怎么整理出完全无人驾驶所需要的数据?

曹旭东解释道: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。”

即利用量产自动驾驶(类似于ADAS产品)获取海量量产数据来为完全无人驾驶进行系统迭代,同时后者又可以为前者带来技术反馈。统一量产传感器基础及技术路线是两条腿战略的前提。

但感知层面会有一些区别,量产自动驾驶以camera为主,其他家大多数的L4都是以激光雷达为主,在这种情况下两种技术路线的数据很难相互利用。

海量数据是“飞轮式”L4驱动的前提之一,那么Momenta如何获得海量数据?没有数据,Momenta“飞轮式”L4无从谈起。

而构建这两条腿的底层核心能力,就是飞轮架构。由此,Momenta两条腿走路战略得以完全打通,实现相互协同。

虽然目前还无法准确评估L4遇到的问题个数(N)和里程数(M)的大小,但Momenta认为,问题个数(N)至少达到百万量级,里程数(M)至少是千亿公里。

对此,Momenta回应道,从去年发布可量产的自动驾驶方案Mpilot(包括Mpilot Hightway、Mpilot Parking)之后,Momenta就已经进入产品化和商业化的阶段,今年年内会有部分量产产品上市,大规模的量产上市时间在2022年左右。加上此前发布的后装ADAS途铃系列产品的上车,Momenta已经积累了一定的数据。

这次的发布会,Momenta采用了媒体试乘与云直播的方式来呈现MSD的细节。新智驾作为唯一试乘媒体,也尝试还原Momenta“飞轮式“L4的实地表现。

但Momenta不是这样,MSD里虽然有激光雷达,但是以camera为主,这是两套独立的感知的系统。而量产自动驾驶采用的传感器方案只是少了激光雷达,这样一来,MSD是可以复用量产自动驾驶里的部分数据的。

Q:试乘过程中,发现Momenta的计算芯片平台还是GPU,未来你们的计算硬件层面会怎样迭代?

因此Momenta通过将量产自动驾驶产品Mpilot搭载在车辆上,在为客户解决问题、创造价值的同时,进行海量量产数据的原始积累。而这,恰恰是“飞轮式”L4的动力源泉,通过海量量产数据的“喂养”,帮助MSD不断迭代,使得完全无人驾驶系统不断进化。

此外,在拥有量产数据与数据算法驱动之后,闭环自动化是Momenta“飞轮式”L4得以维持高速运转的第三个因子。

而Momenta的量产自动驾驶能在0-1阶段进行大规模的数据回流,提前做好数据储备,然后在2024年形成爆发点。“如果这个阶段做得不够扎实就进行城市复制与扩张,那么一定会耗费大量资源,收益不成反倒带来大量的资金亏损。”

以路口左转为例。一般来说,自动驾驶车辆的左转是个有技术难度的场景。Momenta CEO曹旭东向雷锋网新智驾解释:因为左转路线本身就比较长,其次路口左转会遇到不同方向的来车,意味着容易出现多车争抢路权的情况。这种情况下,自动驾驶车辆如何在保证安全的前提下,同时兼顾乘客的体验舒适性、以及车辆的智能性而非一味地停让。 Momenta的MSD车辆也多次顺利完成了路口左转的任务。

当数据来源得到保证之后,如何高效地驱动这些数据,是飞轮跑起来的关键。

基于“飞轮式”L4的商业化场景——Robotaxi,Momenta也给出了落地时间表。

“只要收集到足够多的数据和长尾问题,随着量产数据的不断流入,算法进行自动化学习,就能驱动飞轮式L4不断迭代,自动化地解决自动驾驶的长尾问题。”曹旭东如是说。

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)。

因此,Momenta采用数据驱动的方式,自动化地解决了绝大部分的问题。相比见招拆招的解决单一问题,Momenta内部更加鼓励团队将更多的精力放在搭建一套数据驱动(Data-Driven)的算法框架上。

纵观业内,Momenta的Robotaxi运营看似比其他玩家的时间晚一些,但如果从后续爆发的力量以及城市的扩张速度来看,Momenta是不容小觑的。

得益于量产数据驱动的方式,Momenta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)。

那么,在实际落地能力上,“飞轮式L4”规模落地的可行性有多高?

此外,Momenta MSD车辆在经过路口时,也遇到与大货车争抢路权的情况。但Momneta车辆并没有出现急刹的情况,而是在预判大货车继续往左变道之后,选择减缓车速。无论是预判还是操作,车辆的表现都不比人类驾驶员逊色。

事实上,从创立之初,这家自动驾驶公司就秉持量产自动驾驶、完全无人驾驶两条腿走路的战略。

Momenta研发副总裁夏炎用了一个例子来解释:MSD车辆在路上经常会遇到红绿灯识别被阻挡的问题。

2024年关键节点:Robotaxi单车盈利、无安全员、多地规模运营

Momenta CEO曹旭东认为:“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。”

眼下,“飞轮式”L4已经开始转动。Momenta表示,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。

在总成本的计算上,Momenta将规模化L4的总成本可分为数据成本和研发成本。

以新智驾试乘体验为例,Momenta的闭环工具链在30分钟的试乘数据中就自动抓取了979份数据,包括预测数据为618份、规控数据为288份、感知数据为49份、手动录制17份。

Momenta早期的做法可能是通过代码规则来告诉车辆,遇到某种具体的情况该怎么做。但当规则写了一百条甚至是上千条的时候,底层的代码就会变得难以维护,并且很难复制到别的城市场景。因为有限的规则是无法完全覆盖无限问题的。

夏炎:我们把自动驾驶这个系统拆成感知部分、预测部分、规划决策部分。对于预测和规划决策部分,Mpilot和MSD其实没有太大不同。比如预测的输入实际上就是结构化的一个世界模型,输出是未来轨迹的分布。从抽象化的、结构化层面来讲,Mpilot和MSD的预测和规划可以用一套体系完成。

事实上,去年12月Momenta就已经放出了MSD(Momenta Self Driving)的部分实地路测视频,但其中的细节并不能被尽数了解。

从两个时间表规划来看,2024年是Momenta的一个关键节点。

用Momenta的话来说,厚积薄发,将是他们的后发优势。

成都车站候车的旅客。铁路成都车站供图

但新智驾好奇的是,在实际落地上,究竟是先有鸡还是先有蛋?