車主必讀 北京報道（記者 高璐）9月22日，Momenta發佈一則視頻展示了“飛輪式L4”技術在高架匝道區域複雜場景中的精彩表現。

此前，Momenta分別對外展示了“飛輪式L4”技術在城區白天和城區夜間複雜場景中的表現。對比這些城區場景，很多人認爲城市高架道路封閉，場景也相對簡單。但實際上，高架上，特別是在上下匝道區域也充滿了長尾且棘手的挑戰。

相比於多數量產輔助駕駛車輛在高架區域上下匝道、主動變道或繞障、遇到難以識別的異型車以及其他罕見長尾場景時仍然需要駕駛員介入不同，在Momenta“飛輪式L4”的幫助下，車輛可以在確保安全的前提下儘量維持連續自動駕駛狀態。無論城區或是高架、白天還是夜間，車輛都能安全、智能地輕鬆穿梭、切換於各種不同的場景之中。

對於無人駕駛出租車（Robotaxi）而言，在日常的打車出行中，包括白天、夜間、城區、高架、特殊天氣在內的場景幾乎難以避免，因此，“飛輪式L4”技術的場景閉環能力，一方面降低了安全員介入的比例，另一方面也提供給乘客最大比例的安全、連續的自動駕駛體驗。

一、匝道：比城區快、比高架難，事故率4-6倍

數據顯示，高速公路匝道區域所發生的公里事故率是其他路段的4到6倍。從自動駕駛路測經驗來看，這裏是城區和高架結合處，兼具二者特點，也疊加了二者的難度。

第一，這裏常見施工，唯一不變的是一直在變。例如這裏道路設施更爲密集，經常出現臨時施工區域及施工人員，甚至交通規則也會發生臨時或永久變化。這意味着高精地圖等先驗經驗可能失效，更考驗車輛“隨機應變”的能力。第二，這裏交通參與者動機難以預測，是違章重災區。例如因選道錯誤而猶豫不決、突然減速的的車輛，或者誤上高架的行人或摩托車。還比如灑水車、環衛車等異型車經常並行或串行出現在高架上，到了匝道附近，它們的編隊邏輯也會發生變化，難以預測的行進路線也會影響其他車輛的行進。第三，這裏交通參與者的速度更快，危險轉眼即至。相比於城區自動駕駛，高架匝道銜接處的車速普遍較快，常見急加速急減速，需要車輛果斷且迅速地處理各類情況。

而Momenta本次展示的視頻中，多爲在真實情況下較少遇到的罕見場景。面對這些罕見場景，車輛依然表現穩定，各種“微操”也展現出技術的優勢。

二、輕鬆應對長尾、複雜場景

1. “微操老司機”，小角度避讓行人

高架出現行人，主要有兩大難點。第一，行人多模態、非剛體的特徵決定了其識別難度，例如騎電瓶車或者身上懸掛工具袋。

第二，行人動機複雜，對其準確預測極具難度。而預測結果又對應不同的避讓策略。例如，算法預測環衛工人會沿着道路行走，因此略帶減速，同時駕駛軌跡稍向左偏。但夜間電動車，算法則預測其可能入侵車道，因此在“微操”左偏的基礎上還做了大幅減速。當然，高架上不同的速度對應不同的制動距離，採取決策的時機也各不相同。

而Momenta“飛輪式L4”憑藉海量數據優勢，“見”過大量的長尾場景。在高速行駛狀態下，儘管行人的姿勢、體態以及受到的遮擋各有不同，但都認得出來。同時在數據驅動的幫助下，決策“臨危不亂”，根據不同情況選擇最合理的駕駛策略，既能確保行人安全、降低乘客恐慌感，同時也不會影響其他快速行駛的車輛。

2. 匝道口險象橫生，“果斷”比“猶豫”更安全

在高架或高速上最易發生致命事故的場景之一，就是車輛在匝道口猶豫不決，導致後車追尾碰撞。例如這輛麪包車，它錯過了匝道，準備加塞返回。

車輛在感知到它的橫向速度後，利用數據驅動的多任務學習預測系統，準確預測其加塞意圖，並適當減速。但發現該車停止移動後，車輛果斷駛離。數據驅動下的規控算法，在準確預測他車意圖的前提下所表現出來的“果斷”，優點是不容易引入更多交互與博弈，從而產生新的危險。

3.小目標，大挑戰

匝道口道路設施更爲密集，經常出現施工區域或者施工人員。這次，在上匝道的行駛過程中，前車遮擋的盲區內突然出現入侵車道的施工錐桶。

這類錐桶的特點是體積小，很容易被遮擋。從盲區近距離突然出現時，快速識別並且做出相應決策的難度並不小。而利用數據驅動的感知，車輛在感知到突然出現的小目標後，快速對其穩定、準確地分類，車輛也順暢地執行了變道操作。

4.決策毫釐間，安全駛千里

相比上匝道，下匝道時車輛速度更快，難度也更大。前方百米左右，一輛工程車突然停下，並走下一位養護工人。可以看出，這輛車後方的兩輛車做出非常緊急的避讓動作。

這類情況的難點在於，在高速或者高架上，車速越快，慢速或者靜止目標相對於自車的相對速度就越大，當它們快速逼近自車時，在傳感器“眼中”它的變化很快：迅速從幾個像素點或點雲變成一個較大的目標。這時，需要算法在目標距離較遠時，根據較少的感知信息就及時對目標分類並輸出準確的結果，車輛纔會快速做出正確的應對。

其實，很多輔助駕駛的量產車輛也能做到較高速度下對靜態目標的識別，但本次車輛面臨場景和應對錶現的不同之處有兩點。其一，這輛工程車是臨時急停。它後方的兩輛車也是臨時避讓，它們對這輛車形成了不同程度的遮擋。當它們緊急避讓後，自車距離這輛車已經不足百米，留給車輛做決策的時間已然不多。但車輛還是憑藉“飛輪式L4”強大的感知能力，準確判斷前車狀態後迅速減速。

其二，光停下來還無法構成完整的駕駛策略。左後方有快速來車的情況下，在數據驅動規控算法的幫助下，車輛減速後尋找合適機會繞行，最後順利駛下匝道。

5.路遇總會帶來“驚喜”的異型車

下匝道前，前方遇到了兩輛灑水車。在Momenta“飛輪式L4”的幫助下，包括清掃車、道路救援車、牛車、車輛運輸車等在內的海量異型車數據源源不斷地輸入，讓算法可以對其準確識別。

而灑水車激起的水花，會產生一些激光雷達噪點，儘管如此，在數據驅動感知算法的幫助下，這些噪點很難對感知結果產生影響。憑藉可靠的感知與規控結果，可以看到車輛在異型車之間的穿梭避讓可謂“遊刃有餘”。

三、飛輪加速，技術流賦能量產

應用“飛輪式L4”技術的車輛跑得了城區，也應付得了高架複雜場景。這種場景閉環能力，不僅支持Robotaxi在不同場景中的連續自動駕駛，助力打造可規模化的Robotaxi；還能通過兩條腿的打通，賦能量產自動駕駛，爲更多車主帶去前瞻、智能的駕駛體驗。

以Robotaxi爲例，2021年12月，應用“飛輪式L4”的享道Robotaxi正式發佈，現已於上海及蘇州啓動運營，這也是Momenta在L4技術商業化落地的重要里程碑。享道Robotaxi運營百日報告顯示，用戶總體滿意率達98%，八成用戶在首次體驗後有二次及以上乘坐，高滿意度和復乘率，也展現出享道Robotaxi的高效規模化實力。今年8月15日，享道出行宣佈完成了由上汽集團、Momenta等機構投資的超10億元人民幣B輪融資。雙方將聯合佈局Robotaxi出行生態，共同打造可規模化的Robotaxi。

而量產方面，搭載Momenta量產產品的第一款車型智己L7，今年6月已經交付用戶，截止8月底交付量已超過2000臺。而應用Momenta技術方案的智己IM AD智能駕駛系統，採用源自L4算法平臺的人工智能超級算法，通過海量數據篩選與處理、全流程數據驅動以及閉環自動化，形成不斷循環的“數據飛輪”，推動算法持續進化，打造快速進化的“更像人”的智駕體驗。

在數據驅動的“飛輪式L4”的賦能下，IM AD可以輕鬆應對複雜路況。例如在面對加塞時，IM AD能提前預判，做到制動時機預測準確，減速及時。基於飛輪的快速進化，在三週內實現加塞意圖預判能力的提升，將減速時機提早了整整800毫秒；遇到大型異型車時，IM AD能夠精準感知，與壓線或即將壓線的大卡車並行時，車輛能自動避讓。數據驅動算法以強大的自動化標註能力，累計生產了一億量級的大車數據，其中包含近2500萬的異型大車數據，在智駕中使車輛與大車之間保持30cm的“社交距離”，從而解決車主的“大車社交恐懼症”。

日前，智己汽車在汽車之家發佈的《2022年度新能源汽車消費榜》“年度新能源品牌智能駕駛TOP榜”上排名第一，其在智能駕駛領域當之無愧的實力，再次獲得業界的權威認可。

隨着兩條腿的協同優勢越發顯著，Momenta正在形成獨一無二的優勢：量產自動駕駛擁有前瞻的技術，Robotaxi則擁有貼近真實用戶駕駛習慣的產品表現。這也幫助Momenta實現商業上的快速增長，同時更高效、快速地實現無人駕駛規模化落地，賦能更安全、便捷、高效的未來智慧出行。