開發自駕車 深度學習是核心

自駕電動巴士行駛在汽機車混合車流的市區開放道路，運算系統處理人、車、路等資訊複雜度將大幅提高，圖爲混合車流示意。

新竹縣高鐵自駕接駁運行四月舉行啓動儀式。圖／工研院

深度學習演算法流程架構

前言隨着半導體與電子技術的發展，汽車廠商及零組件系統廠商將汽車電子技術應用在汽車設計及製造上，使得汽車從過去的封閉系統轉變成能與外界溝通的智慧型車輛，智慧型車輛發展的目的是爲了達到所有汽車廠商的共同目標：安全、便利、舒適、環保。

近年來，由於Google自動駕駛車輛成功挑戰歐亞長距離行駛，加上Bosch研發自動駕駛車技術的成果，使得世界各國車廠對於自動駕駛汽車技術更具信心，也帶動各式輔助汽車駕駛人的先進自動駕駛技術的蓬勃發展。根據工研院產科國際所針對AI人工智慧應用於自駕車市場估算，預測2019～2023年AI人工智慧應用於自駕車系統、半自駕車系統、人機介面與車輛追蹤等技術項目市場比例較高；隨着自駕車與電動車輛比例的增加，AI人工智慧應用於停車管理系統與排碳對策管理系統的比例逐年減少，而自駕車的關鍵技術之一的AI人工智慧技術，近年來趨於成熟。

值得注意的是，雖然自動駕駛是未來車輛科技趨勢，但要達成全自動駕駛並非一蹴可及，車輛上須搭載許多配備，包含攝影機、雷達、360°雷射雷達、導航系統、圖資系統與運算電腦等，硬體背後需要強大軟體支援，方能協調各硬體所蒐集的資訊，加以判讀並執行決策運算。

自動駕駛所採用的軟體架構多爲深度學習（Deep Learning），是一種類神經網路演算法（Artificial Neural Network Algorithm），主要在於模擬生物神經網路的結構和功能，使機器具有自主學習的能力，可以在不斷學習的過程中，逐漸增進駕駛技能，提升車輛行駛安全性。自駕車在路上容易遇到的物件有車輛、行人等，鎖定這幾類物件偵測可以降低深度學習的複雜度，使得在同樣的精確度下達到更快的偵測速度。

此外，車用AI人工智慧晶片的市場規模，隨着先進駕駛輔助系統（Advanced Driver Assistance Systems, ADAS）的普及與更高等級的自駕技術與機器人計程車等研發，晶片需求預期將大幅成長。在市場快速成長的帶動下，除了輝達、高通、英特爾、超微、Google等大廠，也吸引許多渴望開發AI人工智慧晶片的新公司投入，尤其是針對嵌入式市場的AI人工智慧晶片。將嵌入式機器學習應用於物聯網裝置甚至於可提供多種新功能，可能減少數據傳輸的有效負載並整合低功耗廣域網技術，讓物聯網裝置獲得較長的電池壽命。

深度學習加速器技術對於ADAS和自動駕駛車的開發也至關重要。根據市調公司Yole研究預測，2025年每輛新車都會配裝ADAS AI人工智慧晶片，現階段ADAS領域的AI人工智慧晶片都屬於繪圖處理器（Graphics Processing Unit, GPU），2020年後視覺運算處理器（Visual Processing Unit, VPU）將逐漸增加，預估VPU將佔ADAS AI人工智慧晶片75％，GPU佔21％，場域可編程邏輯閘陣列（Field Programmable Gate Array, FPGA）佔1％，加速處理器（Accelerated Processing Unit, APU）佔1％，未來AI人工智慧晶片市場發展可期。車廠應用車用AI人工智慧晶片的方式，大致可分爲三類，分別是：自行研發AI人工智慧晶片與自駕系統的車廠、採購AI人工智慧晶片但自行研發自駕系統車廠，以及AI人工智慧晶片與自駕系統都從外部採購的車廠。

自駕車風潮席捲全球，然而自動駕駛對應行車環境不可預測因素太多，包含人爲、天候與道路型態等因素。例如自駕車在面對各種光照條件下的嚴苛挑戰：在不同天氣條件下的快速道路、高速公路、開放道路、隧道進出口等適應性光照條件。就技術發展而言，深度學習與感測融合整合開發，將有助於自動駕駛辨識能力。

當前深度學習技術在影像辨識應用正蓬勃發展，從物件分類、物件偵測、物件追蹤、行爲分析至反應決策，多朝向提高準確度與效能的目標邁進。自駕車關鍵技術可分爲「感測／定位」、「決策」、「控制」三大類別，有別於汽車感測系統以往都是用一般的電腦視覺，或傳統數位訊號處理器的雷達訊號處理；有鑑於AI人工智慧的蓬勃發展，未來AI人工智慧很有機會取代過去這些電腦視覺傳統規則式演算法的方式，讓整個運算結果更可靠，進而應用到不同的產業。

相較於歐美、日韓豐富的汽車發展經驗，臺灣有甚多晶片與軟體設計工作室，自駕車產業領域的感測與決策系統是臺灣產業鏈最好的切入點，建議專注在ADAS自駕車AI人工智慧晶片感測系統整合。