博客
关于我
5亿美金砸向Momenta:上汽丰田博世奔驰齐入股,只因提供智能汽车加速度
阅读量:254 次
发布时间:2019-03-01

本文共 1115 字,大约阅读时间需要 3 分钟。

Momenta新一轮融资:背后看懂自动驾驶大脑的行业新机遇

自动驾驶独角兽Momenta近日迎来新一轮融资,总额超5亿美元。该次融资不仅展现了公司在自动驾驶领域的强大实力,更凸显了其在行业中的重要地位。 Momenta的成功,离不开其“飞轮驱动”技术理念和全球顶级车企、tier 1供应商以及科技巨头的信任与支持。

Momenta的技术与战略

Momenta的核心技术是自动驾驶大脑,这正是开启汽车工业新机遇的关键部分。与传统的Tier 1供应商和OEM车企不同,Momenta专注于提供端到端的自动驾驶交付方案,致力于实现量产自动驾驶和完全无人驾驶的双重目标。

其技术架构可以分为两条腿:

  • 量产自动驾驶(Mpilot):面向当前量产商用的自动驾驶方案,包括自主泊车、高速环路自动驾驶以及城区开放道路的自动驾驶能力。这种能力可以带来持续的数据流,作为完全无人驾驶(MSD)的迭代养料。
  • 完全无人驾驶(MSD):目标是实现L4至L5级的自动驾驶能力。通过数据驱动的算法闭环优化,Momenta正在加速无人驾驶技术的落地。
  • 飞轮效应与数据驱动

    Momenta的“飞轮”是一种数据迭代的AI思维,通过量产数据和闭环自动化不断迭代产品和商业模式。目前公司在环境感知、高精地图和预测等环节已实现完全数据驱动,并通过闭环自动化提升研发效率近10倍,计划在未来两年内将这一效率提升至100倍。

    融资与行业认可

    此次融资的成功,得益于 Momenta 在技术和业务上的显著进展。投资者包括全球第一大车企丰田、tier 1供应商博世以及中国第一大车企上汽集团等产业侧的顶级力量,以及淡马锡资本和云锋基金等财务VC。同时,腾讯、梅赛德斯-奔驰、小米系顺为资本等老股东选择跟投,充分体现了行业对Momenta的认可。

    行业趋势与未来展望

    自动驾驶技术正成为汽车行业的关键变革力。与传统新能源和电池燃料相比,智能化已经成为汽车产业的新趋势。特斯拉的成功证明了软件和服务的重要性,但更多车企需要找到适合自己的合作方式和技术方案。

    Momenta正处于这个潮水线上的关键位置。其量产自动驾驶方案兼顾了量产成本和长远转型需求,为客户提供真正的端到端解决方案。与通用Cruise、百度Apollo等竞争者相比,Momenta的技术优势在于其数据驱动的飞轮效应和全球顶级客户的支持。

    结语

    自动驾驶技术的发展离不开像Momenta这样的技术供应商。它们不仅提供核心技术,还通过飞轮效应推动行业变革。未来,随着技术的进步和行业的竞争加剧,Momenta有望在智能汽车领域发挥更大的作用。

    这场融资或许只是行业潮水线上的一个开篇,但它预示着更大规模的技术变革即将到来。

    转载地址:http://maot.baihongyu.com/

    你可能感兴趣的文章
    python OpenCV视频的读取及保存
    查看>>
    python open和file的区别
    查看>>
    python open读取文件并对换行进行处理
    查看>>
    python os, os.path和sys模块
    查看>>
    Python os.environ 处理环境变量
    查看>>
    python os.path模块常用方法详解
    查看>>
    python os.system
    查看>>
    Python os.system执行多条语句,os.system的返回值以及与os.popen的区别
    查看>>
    Python os和sys模块
    查看>>
    python os文件/目录
    查看>>
    Python Package 之 Faker(随机姓名、电话)
    查看>>
    python运算符优先级
    查看>>
    Python Panda TIME 系列重新采样
    查看>>
    python pandas TimeStamps到夏令时的本地时间字符串
    查看>>
    Python pandas 数据清洗与数据绘图实战
    查看>>
    Python输出信息
    查看>>
    Python Pandas 用顶行替换标题
    查看>>
    Python pandas 通过 dt 访问器有效地将日期时间转换为时间戳
    查看>>
    Python Pandas-从DataFrame按类别绘制多个条形图
    查看>>
    Python Pandas:每月或每周拆分 TimeSerie
    查看>>