物界前沿Momenta入局Robovan：从乘用车到货运，同一个技术栈能打穿两个场景吗？
一个数据：苏州全市日均快递配送量约300万件，同城货运订单约50万单。Momenta的Robovan据称已在苏州运营数月，假设其车队规模为10辆，每辆每日完成50单，那么日均500单——不到苏州城配市场的千分之一。这个数字在商业上几乎可以忽略，但作为技术验证，它触及了一个关键问题：为乘用车设计的自动驾驶方案，能否直接平移至货运场景？
技术栈的复用与边界
Momenta的核心技术路线是“一个飞轮，两条腿”，即通过数据驱动的方式，同时服务量产辅助驾驶（Mpilot）和全无人驾驶（MSD）。从乘用车ADAS到Robovan，很多人认为传感器和算法可以复用，但实际落地时，差异远比想象中大。
传感器配置的差异
乘用车主要关注前方和侧前向感知，城市道路下需要应对行人、两轮车等。而Robovan（无人货运车）通常车体较高，盲区更大，且需要覆盖近距离的装卸货区域。如果沿用乘用车的视觉+激光雷达方案，侧向和后方感知的覆盖角度可能不足。此外，Robovan的载重变化会影响车辆动力学（如重心高度、制动距离），这对IMU姿态估计和车辆控制提出了更高要求——我在飞控领域深有体会：载荷变化超过20%时，PID参数必须重新标定，否则过弯侧倾和刹车点头会显著影响规划稳定性。
实时性要求的差异
乘用车L4系统对控制周期要求通常在100ms以内，但Robovan在低速（<30km/h）下，允许更大的延迟吗？不一定。因为货运场景往往涉及狭窄园区、倒车入库、自动接驳等操作，横向控制精度要求比城市道路更高。一个典型例子：倒车时，视觉定位的延迟如果超过50ms，很容易导致车辆偏离路径。Momenta的算法在乘用车上的表现不错，但需要针对货运场景重新调整控制器的实时性调度。
ODD的不同
乘用车的ODD（设计运行域）通常包括城市快速路、主干道等结构化道路，而Robovan的ODD更偏向封闭园区、支路、甚至厂区内部道路。这些场景没有清晰的车道线，对高精地图的依赖度降低，但需要更强的几何空间理解能力。Momenta在苏州运营数月，可能正是为了收集这类非结构化场景的数据。
苏州运营的现实意义
选择苏州，一方面是因为长三角地区物流需求密集，适合落地测试；另一方面，苏州工业园区在自动驾驶政策上相对开放，允许企业申请测试牌照。但运营数月不代表已经实现“无人化”——根据行业惯例，初期很可能仍有安全员在车上。
[!info] 目前国内Robovan玩家如小马智行、图森未来、滴滴自动驾驶，几乎都未能完全去掉安全员。Momenta如果能在苏州实现“去安全员”运营，那才是真正的里程碑。
从技术角度看，苏州的天气和路况相对温和，不是最严苛的测试环境。但货运场景的核心痛点在于“最后一公里”的复杂性——比如小区门口需要与保安交互，装卸货