李莉

“我

相信未來世界的生產(chǎn)力和自由將來自大數(shù)據(jù)和智能。而深度學(xué)習(xí)的無人駕駛技術(shù)本身是一個較為年輕的領(lǐng)域，更新?lián)Q代的速度非?？?，對自己技術(shù)的實踐應(yīng)用是一個機(jī)會，這也是我選擇無人駕駛方向的原因?！盡omenta創(chuàng)始人兼CEO曹旭東說道。

Momenta是一家剛成立不久的專注做無人車大腦的公司，核心技術(shù)是基于深度學(xué)習(xí)的環(huán)境感知、高精地圖、駕駛決策算法，產(chǎn)品包括不同級別的自動駕駛方案，以及衍生出的大數(shù)據(jù)服務(wù)。

放棄學(xué)業(yè)、放棄高薪，一心只為AI

曹旭東2008年畢業(yè)于清華大學(xué)，本科專業(yè)是工程力學(xué)，但對統(tǒng)計學(xué)有著濃厚的興趣。

本科畢業(yè)后，他順利成為清華大學(xué)的直博生。在博一期間，他對人工智能尤為感興趣?！爱?dāng)時我一心扎入人工智能計算機(jī)相關(guān)的課程，哪怕要自己上課、看書、查文獻(xiàn)都樂在其中?！辈苄駯|回憶說。

對于人工智能，曹旭東可以用癡迷來形容，博一過后為在這一領(lǐng)域出國深造申請了退學(xué)，即使導(dǎo)師三次挽留也沒能改變他的主意。

離開清華后，曹旭東來到微軟亞洲研究院，因微軟的技術(shù)和學(xué)術(shù)氛圍留在了那里，如愿做了與人工智能相關(guān)的研究，他所研發(fā)的視覺識別技術(shù)被用在了Xbox、Bing、How-Old等知名產(chǎn)品中。

2014年底，深度學(xué)習(xí)還似煉丹術(shù)，其中的原理人們無法講清楚。在理論研究上，曹旭東已經(jīng)有了自己的一套研究方法并發(fā)表了很多學(xué)術(shù)文章，但終不能令他滿意，他認(rèn)為理論需要解決實際問。

為讓自己的研究成果能在實踐中得到驗證，曹旭東曾參加National Data Science Bowl（全美數(shù)據(jù)科學(xué)碗）比賽，與1000多支來自世界各地團(tuán)隊的選手角逐，并拿到了全球第二的好成績。

2015年，曹旭東將創(chuàng)業(yè)目標(biāo)鎖定在了無人駕駛領(lǐng)域。之后，基于對“個人和環(huán)境的交互能激發(fā)智能”的執(zhí)著追求，曹旭東開始了對無人駕駛的技術(shù)路徑和商業(yè)路徑的探索，并創(chuàng)辦Momenta，專注做無人車的“大腦”。

如何解決無人駕駛最重要的安全問題？

據(jù)統(tǒng)計，全球人類司機(jī)駕駛1億公里可能發(fā)生致命事故一至三起。無人駕駛需要做到更安全，安全意味著低事故率。一個系統(tǒng)要實現(xiàn)低事故率，通常要做到兩點：一是發(fā)現(xiàn)問題，二是解決問題。

而解決這些問題則需要對無人車進(jìn)行大規(guī)模數(shù)據(jù)收集和測試，這一方面需要海量的測試車輛，另一方面也意味著高昂的單車成本。

Momenta的做法是用兩種互補的解決方案降低無人駕駛的事故率：無人駕駛模擬，以及眾包數(shù)據(jù)收集和測試。

具體來講，無人駕駛模擬可以通過算法生成感知和決策數(shù)據(jù)，減少數(shù)據(jù)收集和測試車輛數(shù)量，降低研發(fā)成本。

但曹旭東坦言，無人駕駛模擬也存在不足。

第一，模擬生成的感知數(shù)據(jù)和真實的數(shù)據(jù)存在差異，實際中還是以真實數(shù)據(jù)為主，生成數(shù)據(jù)為輔。

第二，模擬的規(guī)則是人制定的，而很多失敗的場景恰恰是人思考的盲點，單純通過模擬并不能發(fā)現(xiàn)。

曹旭東告訴創(chuàng)業(yè)邦（微信搜索：ichuangyebang）：“雖然模擬可以降低數(shù)據(jù)收集和測試車輛的數(shù)量，但是我們?nèi)匀恍枰占鎸崝?shù)據(jù)，用大量的車做真實測試?！?/p>

在單車成本方面，其主要由三部分構(gòu)成：設(shè)備成本，造車成本，運營成本。后兩者已經(jīng)優(yōu)化了上百年，很難再降低，但在設(shè)備成本方面，Momenta發(fā)揮算法優(yōu)勢，可以通過多攝像頭等廉價設(shè)備實現(xiàn)無人駕駛。

“攝像頭是所有感知設(shè)備中信息（獲?。┝孔畲蟮?，需要人腦水平的強人工智能才能從間接視頻數(shù)據(jù)中提取出無人駕駛所需要的直接數(shù)據(jù)?！辈苄駯|稱。

要降低造車成本和運營成本，目前最好的辦法是通過眾包模式讓其他人承擔(dān)這部分成本。這種模式，其實代表性的公司已經(jīng)有特斯拉這些大佬在嘗試，但遺憾的是他們需要造車、讀取和控制車輛行為，這需要很大的時間成本，顯著慢于算法的研究節(jié)奏。

“我們的想法是直接利用已有的運營車輛，避開造車、改車、控制車等過程，通過眾包獲得海量環(huán)境和行為數(shù)據(jù)，并構(gòu)建高精度地圖，再通過數(shù)據(jù)驅(qū)動的方式學(xué)習(xí)無人駕駛決策?！辈苄駯|這樣告訴創(chuàng)業(yè)邦（微信搜索：ichuangyebang）。

高精度地圖方面，Momenta根據(jù)多張圖像存在的視差，利用點的對應(yīng)關(guān)系將圖像中的2D點恢復(fù)到真實世界中的3D點。從基本原理出發(fā)，建立高精地圖，Momenta用不一樣的方式嘗試解決三個難題：

一、 圖像部分：檢測識別語義點。

不同于傳統(tǒng)的SLAM或者SFM算法所用的SIFT、ORB等人工設(shè)計的特征點，Momenta的方法是定義道路標(biāo)線、標(biāo)牌等地標(biāo)上的點為語義點，通過深度學(xué)習(xí)和數(shù)據(jù)驅(qū)動的監(jiān)督訓(xùn)練得到模型，從而準(zhǔn)確檢測和識別語義點，解決檢測不到、匹配錯誤的問題。

二、 幾何部分：通過眾包間接實現(xiàn)海量攝像頭測量效果。

不同車輛，不同時間，經(jīng)過同一地標(biāo)，即使光照視角不同，通過語義點模型把所有車輛拍攝到的同一語義點關(guān)聯(lián)起來，這相當(dāng)于間接實現(xiàn)了多攝像頭測量的效果。

眾所周知，視覺測量中，攝像頭越多、視差覆蓋越全，測量精度就越高。Momenta經(jīng)實驗驗證，隨著眾包車次的增加，真實3D點位置估計的準(zhǔn)確性有量級上的提升。

三、 GPS部分：給每個語義點精確的GPS坐標(biāo)。

Momenta的考量是：

1.讓高精地圖通用。GPS坐標(biāo)是地圖的通用語言，給每個語義點賦予GPS坐標(biāo)可方便他人使用。

2.消除累積誤差。單純使用幾何方法構(gòu)建局部地圖會有累積誤差，結(jié)合GPS可以解決這個問題。

3.消除局部地圖歧義性。當(dāng)局部地圖有重合或者語義點缺失的時候，確定局部地圖坐標(biāo)系很麻煩，但全局GPS坐標(biāo)系沒有這個問題。

任重而道遠(yuǎn)

無人駕駛技術(shù)是一個非常龐大的知識體系，定位、感知、決策、控制是其亟待解決的四大問題，且在這四個方向上都有很多子問題。

對于初期的Momenta而言，團(tuán)隊成員來自清華大學(xué)、麻省理工學(xué)院、微軟亞洲研究院等，有深厚的技術(shù)積累和很強的技術(shù)原創(chuàng)力，這將是其布局駕駛的技術(shù)和團(tuán)隊優(yōu)勢。

但創(chuàng)業(yè)邦（微信搜索：ichuangyebang）認(rèn)為，如何緊跟時代潮流，盡快將不同級別的無人駕駛技術(shù)落地，以及對行業(yè)大數(shù)據(jù)的快速積累，將是Momenta的當(dāng)務(wù)之急。而在瞬息萬變的人工智能領(lǐng)域，面對競爭對手和行業(yè)巨頭們，Momenta任重而道遠(yuǎn)。