Momenta成立于2016年9月，创始人曹旭东拥有深厚的计算机视觉学术背景。曹旭东本科毕业于清华大学，博士毕业于香港科技大学，师从权龙教授，专注于深度学习与计算机视觉研究。在创立Momenta之前，曹旭东曾在微软亚洲研究院担任研究员，与孙剑等顶尖研究者共事，参与了ResNet等里程碑式工作。
创始团队的核心成员大多来自清华、北大、MIT等顶尖院校，以及微软、百度、Facebook等科技巨头的研究部门。这种浓厚的学术氛围奠定了Momenta”技术驱动”的公司基因。
2016年是深度学习在自动驾驶领域爆发的关键节点：
2016年行业背景
┌────────────────────────────────────────┐
│ • AlphaGo战胜李世石，AI能力获认可 │
│ • NVIDIA发布DAVE-2端到端驾驶 │
│ • Tesla与MobileEye分手，自研启动 │
│ • 中国资本开始关注自动驾驶 │
│ • 深度学习人才稀缺，窗口期明显 │
└────────────────────────────────────────┘
与同期成立的自动驾驶公司不同，Momenta从一开始就确立了独特的技术理念：
初创期的Momenta聚焦于感知算法的研发：
2016-2017 关键里程碑：
2018 技术突破：
早期感知架构
┌─────────────────────────────────────┐
│ Multi-Task CNN │
├─────────────────────────────────────┤
│ 输入：前视摄像头 │
│ ├─> 2D检测分支 (车辆/行人/标志) │
│ ├─> 车道线分割分支 │
│ └─> 可行驶区域分支 │
└─────────────────────────────────────┘
这一阶段，Momenta将重心转向数据闭环的构建：
2019 数据平台建设：
2020 闭环能力形成：
数据闭环架构
┌──────────┐ ┌──────────┐ ┌──────────┐
│ 车端采集 │ --> │ 云端处理 │ --> │ 模型训练 │
└──────────┘ └──────────┘ └──────────┘
↑ │
└───────────────────────────────────┘
OTA更新
2021年，Momenta正式提出MSD（Momenta Self-Driving）双轨战略：
Mpilot（量产线）：
MSD（L4线）：
进入大规模量产阶段：
2023 量产突破：
2024 技术升级：
MSD双轨战略
┌────────────────────────────────────────────┐
│ 数据与算法复用 │
├──────────────────┬─────────────────────────┤
│ Mpilot量产 │ MSD L4 │
├──────────────────┼─────────────────────────┤
│ • 规模化部署 │ • 极限场景探索 │
│ • 海量数据收集 │ • 算法边界测试 │
│ • 成本优化 │ • 新技术验证 │
│ • 快速迭代 │ • 安全冗余设计 │
└──────────────────┴─────────────────────────┘
↓ ↓
千万级用户 技术领先性
硬件配置（以2024年主流配置为例）：
软件架构：
Mpilot软件栈
┌─────────────────────────────────────┐
│ 应用层 (HMI/OTA) │
├─────────────────────────────────────┤
│ 决策规划层 │
│ ├─ 行为决策 │
│ ├─ 轨迹规划 │
│ └─ 速度规划 │
├─────────────────────────────────────┤
│ 感知预测层 │
│ ├─ BEV感知 │
│ ├─ 目标跟踪 │
│ └─ 轨迹预测 │
├─────────────────────────────────────┤
│ 传感器抽象层 (HAL) │
└─────────────────────────────────────┘
硬件冗余设计：
软件安全机制：
Momenta的感知算法经历了从2D到3D再到BEV的演进：
第一代：2D多任务感知 (2016-2019)
2D感知网络
┌────────────────────────────────────┐
│ Backbone (ResNet-101) │
├────────────────────────────────────┤
│ FPN特征金字塔 │
├──────┬──────┬──────┬──────────────┤
│ 检测 │ 分割 │深度 │ 关键点 │
└──────┴──────┴──────┴──────────────┘
第二代：伪3D感知 (2019-2021)
第三代：BEV统一感知 (2021-至今)
BEV感知架构
┌──────────────────────────────────────────┐
│ 多视角图像输入 │
├──────────────────────────────────────────┤
│ 2D特征提取 (Backbone + FPN) │
├──────────────────────────────────────────┤
│ 视角转换 (LSS/Transformer) │
├──────────────────────────────────────────┤
│ BEV特征空间 │
├────────┬────────┬────────┬───────────────┤
│3D检测 │车道线 │可行驶区 │ 语义分割 │
└────────┴────────┴────────┴───────────────┘
关键技术创新：
轨迹预测算法：
预测网络架构
┌─────────────────────────────────────┐
│ 历史轨迹编码 (LSTM/Transformer) │
├─────────────────────────────────────┤
│ 场景上下文编码 (Graph/CNN) │
├─────────────────────────────────────┤
│ 交互建模 (Attention) │
├─────────────────────────────────────┤
│ 多模态轨迹生成 (GMM/VAE) │
└─────────────────────────────────────┘
输出：6秒未来轨迹 (概率分布)
规划算法演进：
| 阶段 | 方法 | 特点 | 应用场景 |
|---|---|---|---|
| V1.0 | 基于规则 | 确定性强 | 高速公路 |
| V2.0 | 混合A* + 样条曲线 | 全局最优 | 简单城区 |
| V3.0 | 模仿学习 + 规则约束 | 人类驾驶风格 | 复杂城区 |
| V4.0 | 端到端神经网络 | 数据驱动 | 全场景 |
Momenta的数据闭环是其核心竞争力之一：
数据收集策略：
触发条件
┌────────────────────────────────────┐
│ 硬触发条件： │
│ • 接管事件 │
│ • 急刹/急转 │
│ • 系统不确定性高 │
├────────────────────────────────────┤
│ 软触发条件： │
│ • 新场景检测 │
│ • 预测误差大 │
│ • 规划分歧 │
└────────────────────────────────────┘
自动标注流程：
标注效率提升：
仿真平台架构：
三层仿真体系
┌─────────────────────────────────────┐
│ SIL (软件在环) │
│ 纯软件仿真，算法快速迭代 │
├─────────────────────────────────────┤
│ HIL (硬件在环) │
│ 真实硬件接入，时延测试 │
├─────────────────────────────────────┤
│ VIL (车辆在环) │
│ 实车+虚拟环境，极限测试 │
└─────────────────────────────────────┘
场景生成方法：
2021年，Momenta与上汽集团达成深度战略合作，共同打造智能驾驶解决方案：
合作模式：
落地车型： | 车型 | 上市时间 | 功能配置 | 技术特点 | |——|———|———-|———-| | 智己L7 | 2022.04 | 高速NOA | 首发Mpilot | | 智己LS7 | 2023.02 | 城市NOA | 去高精地图 | | 飞凡R7 | 2022.10 | 记忆泊车 | 视觉为主 | | 荣威RX9 | 2023.08 | 高速NOA+ | 成本优化 |
比亚迪合作 (2023-)：
广汽集团 (2022-)：
路特斯 (2024-)：
苏州项目：
技术验证重点：
L4运营数据 (2024年Q3)
┌────────────────────────────────┐
│ 接管率：0.8次/百公里 │
│ 可用度：98.5% │
│ 平均响应时间：120ms │
│ 雨天可用率：95% │
│ 夜间可用率：97% │
└────────────────────────────────┘
Momenta坚信”数据定义算法边界”，构建了业界领先的数据驱动体系：
数据飞轮效应：
数据飞轮
┌──────────┐
│ 更多车辆 │
└────┬─────┘
│
┌────▼─────┐
│ 更多数据 │
└────┬─────┘
│
┌────▼─────┐
│ 更好算法 │
└────┬─────┘
│
┌────▼─────┐
│ 更佳体验 │
└────┬─────┘
│
(循环增强)
数据价值挖掘：
模型压缩与加速： | 技术手段 | 压缩比 | 精度损失 | 应用阶段 | |———|——–|———-|———-| | INT8量化 | 4x | <1% | 全模型 | | 通道剪枝 | 2x | <2% | 卷积层 | | 知识蒸馏 | 3x | <3% | 整体 | | NAS搜索 | 5x | <5% | 架构级 |
部署优化技术栈：
部署流水线
┌─────────────────────────────────┐
│ PyTorch/TF训练模型 │
├─────────────────────────────────┤
│ ONNX中间表示转换 │
├─────────────────────────────────┤
│ TensorRT/OpenVINO优化 │
├─────────────────────────────────┤
│ 芯片专用SDK适配 │
├─────────────────────────────────┤
│ 实车部署与监控 │
└─────────────────────────────────┘
硬件成本优化策略：
软件复用率：
全栈技术能力
┌────────────────────────────────┐
│ 应用层 │
│ HMI设计 / 用户交互 │
├────────────────────────────────┤
│ 算法层 │
│ 感知/预测/规划/控制 │
├────────────────────────────────┤
│ 中间件 │
│ ROS2 / DDS / 通信框架 │
├────────────────────────────────┤
│ 系统软件 │
│ 实时OS / 调度 / 安全 │
├────────────────────────────────┤
│ 工具链 │
│ 仿真/标注/训练/部署 │
└────────────────────────────────┘
vs 华为ADS：
vs 小鹏XNGP：
vs 地平线：
2024-2025：端到端转型期
2026-2027：智能涌现期
2028-2030：规模化普及期
技术挑战：
商业挑战：
技术储备：
生态建设：
国际化战略：
Momenta核心优势
┌───────────────────────────────────┐
│ 1. 数据驱动的算法理念 │
│ 深度学习基因 │
│ 数据闭环能力 │
│ │
│ 2. 量产与L4双线并进 │
│ 技术协同效应 │
│ 风险分散 │
│ │
│ 3. 工程化能力强 │
│ 快速量产落地 │
│ 成本控制优秀 │
│ │
│ 4. 客户基础扎实 │
│ 上汽深度绑定 │
│ 多元化拓展 │
└───────────────────────────────────┘
Momenta作为中国自动驾驶算法公司的代表，其”量产+L4”双轨并进策略在行业内独树一帜。通过数据驱动的技术路线、扎实的工程化能力，以及与主机厂的深度合作，Momenta在激烈的市场竞争中占据了一席之地。
从2016年创立至今，Momenta见证并参与了中国自动驾驶产业从0到1、从1到100的全过程。其技术演进路径——从单纯的感知算法到全栈解决方案，从模块化架构到端到端系统，反映了整个行业的发展趋势。
展望未来，Momenta面临着技术范式转换（端到端、大模型）、商业模式演进（软件定义汽车）、国际化扩展等多重机遇与挑战。其能否在保持技术领先性的同时，实现商业价值的最大化，将是决定其长期发展的关键因素。
作为中国自动驾驶产业的重要参与者，Momenta的发展轨迹为我们理解这个快速演进的行业提供了一个绝佳的观察窗口。无论是其数据驱动的技术理念，还是量产与L4并进的商业策略，都值得行业深入研究和借鉴。