從AI、感測器、車聯網鐵三角 看自駕車技術發展趨勢

環境感測器、車聯網通訊技術、人工智慧決策平臺都是實現自駕車不可或缺關鍵因素。 法新社

來源:物聯之家網（www.iothome.com）

一直以來自駕車被當成電視影集裡的想像，

直到最近才不再被視為遙不可及的幻想， 而是當下正逐漸實現的科技產品， 其主要是因為各種尖端科技逐漸到位成熟， 讓研發自駕車技術可普及和取得， 最終讓自駕車可以改變人類生活型態。

其中， 環境感測器、車聯網通訊技術、人工智慧決策平臺都是實現自駕車不可或缺關鍵因素。 從自駕車的系統架構， 首先感測環境資訊(Sensor)， 並透過資訊連結(Connectiviety)， 最後完成人工智慧決策(decision)， 車輛才能真正落實安全無誤的機器駕駛， 本文從感測器、車聯網與人工智慧介紹自駕車技術發展趨勢。

感測器作為自駕車之眼

自駕車透過感測器辨識週邊環境資料， 現今自駕車感測器解決方案， 包括光達(LiDAR)、攝影機、毫米波雷達(MMW Radar)、超音波(Ultrasonic)等，

其中光達可在條件惡劣環境下， 仍可透過激光束建構出立體影像， 協助自駕車判斷自身所在位置， 以及檢測周遭障礙物， 光達掃描半徑達100公尺， 測距誤差僅有5公分， 被視為自駕駛不可或缺的感測器。

目前市面僅有機械構造式光達， 因全手工打造造價昂貴， 初階款32線光達即要價4萬美元以上， 未來光達能透過矽制程(CMOS)量產， 以晶片樣態的固態光達呈現， 不僅體積可縮小， 光達價錢可望壓在500美元以下。

在光達價格居高不下情況下， 目前自駕車業者同時採用多元感測器相互輔助， 以不同感測器物理特性截長補短， 例如， 像是毫米波雷達偵測距離很遠， 但容易被金屬物體干擾；攝影機價格便宜， 辨識能力強，

但惡劣天候下感測效果差；超音波方向性差、距離短， 只能運用在後方防撞。

透過多元感測器資訊融合(Sensor Fusion)， 整合出準確環境參數， 經此讓決策系統做出更好、更安全的決策。 舉例說明， 毫米波雷達能夠測量高達120~250公尺的物體的速度和距離， 攝影機在近距離偵測和物體辨識方面十分出色， 當兩者攜手合作， 雷達則可作為遠方對象早期預警作用， 攝影機影像辨識則可精准判斷近距離號志、交通信號， 遠近分工達到智慧駕駛目的。

車聯網打造道路資訊透明平臺

自駕車感測器其搜集資訊僅留存在單一車輛層次， 但如果在車輛無法感測的死角， 或者不可見遠方突發事件， 即須要透過車輛聯網， 以取得更詳盡資訊；目前車聯網層次分為點對點傳輸，

以及雲端傳輸。

點對點直接傳輸主要傳遞具有時間敏感性(time-sensitive)資料， 透過車輛間(Vehicle to Vehicle；V2V)、車輛對道路裝置(Vehicle to Roadside Device；V2R)直接對話， 若透過「遠在天邊」的雲端彙整資料， 可能緩不濟急， 因此透過點對點傳輸強化車聯網溝通效益。

當前車聯網的技術格式， 主要包含車用環境無線存取(WAVE)/專用短程通訊(DSRC)與LTE-V2X兩種規格方向。 其中車間點對點通訊最重要的是低延遲性， 如此才能做到即時傳遞效果。

WAVE/DSRC傳輸延遲約20毫秒， 相對於LTE-V2X 4G 約50毫秒， 相較具發展潛力， 雖然下一代LTE-V2X 5G傳輸延遲性僅有1毫秒， 但其技術規格仍尚未成熟， 目前各國現今發展車間傳輸仍以DSRC為主流。

另一部分， 雲端傳輸主要應用于高精圖資(High Definition Maps)回饋與即時更新， 高精度協助自駕車完落實點對點全自動駕駛，

因此這個給機器看的地圖， 必須具備有高精度的座標、道路線標、路標， 同時含括道路垂直坡度、曲率、側傾、週邊物件等資訊， 同時可透過雲端即時更新路況、障礙、道路維修等即時動態路況訊息。

當車間點對點傳輸與雲端傳輸共同運作， 將可建立一個綿密道路傳輸網， 協助自駕車掌握不可見、不易感測訊息。

AI彙整內外資訊進行駕駛決策

當車輛感測器偵測到周邊環境資訊， 同時車間傳輸取得即時遠方路況訊息， 此時即需要透過人工智慧平臺將多元資訊進行彙整、運算、處理， 最後做出正確駕駛決策。 目前各種人工智慧途徑當中， 以深度學習(Deep learning)為最為可行， 但該方法需要即大量物件資料庫， 才能訓練出精准分析系統。

深度學習如同人類學習分類的過程，透過大量分類完成的樣本標的資料庫，持續將不同分類樣本投入，教導系統學習，使系統逐漸「參透」照片中的規律性，當未來發現特例也可如同人類自行推敲分析。

在整個自駕車系統架構內，感測端如同五官網羅近處可見訊息，車聯網將五官延伸搜集遠端不可見資訊，遠近訊息融合後，交由車輛的人工智慧平臺進行運算決策，最後由如同人類四肢的控制系統執行大腦命令，當自駕車的大腦、五官、四肢可以協調合作，即可落實機器安全駕駛。

關於我們：網站內容更精彩！

物聯之家（www.iothome.com）一個有態度的物聯網科技新媒體。我們關注物聯網領域的價值發現和趨勢，關注該領域的大小公司和大小人物，這裡有跟物聯網相關的深度觀點、測評和剖析。物聯網改變世界，我們將參與和忠實的記錄改變的過程，見證物聯網帶給人類的豐碩成果。

深度學習如同人類學習分類的過程，透過大量分類完成的樣本標的資料庫，持續將不同分類樣本投入，教導系統學習，使系統逐漸「參透」照片中的規律性，當未來發現特例也可如同人類自行推敲分析。

在整個自駕車系統架構內，感測端如同五官網羅近處可見訊息，車聯網將五官延伸搜集遠端不可見資訊，遠近訊息融合後，交由車輛的人工智慧平臺進行運算決策，最後由如同人類四肢的控制系統執行大腦命令，當自駕車的大腦、五官、四肢可以協調合作，即可落實機器安全駕駛。

關於我們：網站內容更精彩！

物聯之家（www.iothome.com）一個有態度的物聯網科技新媒體。我們關注物聯網領域的價值發現和趨勢，關注該領域的大小公司和大小人物，這裡有跟物聯網相關的深度觀點、測評和剖析。物聯網改變世界，我們將參與和忠實的記錄改變的過程，見證物聯網帶給人類的豐碩成果。