無人車帶起了汽車科技的變革，包括汽車與電子在內的廠商都開始投入，而經過過去幾年的技術研發，應用市場也轉趨熱絡，各大車廠開始與大型科技業者合作，從前幾年就已攜手研發的Audi與NVIDIA，到今年5月底簽訂無人車開發計畫的福斯和Apple，在2018 COMPUTEX的新創特展InnoVEX中，德系大廠BMW也將針對未來智慧移動發表專題演講，從業界的積極投入，都將可看到智慧車輛趨勢的成形。

在這波汽車革命中，AI與物聯網無疑是最重要的推手，因為在汽車歷史中，無人車並非新概念，過去在1925年就有美國工程師研發出無人車，並從百老匯一路開到第五大道，只不過雖稱之為無人車，但操作方式是由這位工程師在另一輛車上以無線電遙控，因此雖然「無人」，但與現在的自動駕駛無關，頂多只能算是大型遙控汽車。

真正具有現代定義的無人車出現在1980年代，由美國卡內基梅隆大學電腦科學學院的機器人研究中心所研發的Naclab，這輛無人車車上裝了3台Sun工作站、1台卡內基大學自行研發的WARP平行計算陣列、1部GPS訊號接收器，不過由於是實驗車，因此實用性不高，時速僅有32公里。1989年卡內基梅隆大學進一步在車上加入神經網路，並使用感測器和控制器，成為現在無人車的雛形。

卡內基梅隆大學的無人車，與現在的各汽車和科技大廠類似，都是透過感測器、傳輸網路與AI做為主架構，這類型架構與物聯網相同，只不過在車輛運作環境下，系統的穩定性、即時性與運算效能都有更高一級的提升，尤其是在運算效能部分，拜神經網路之父的英國學者Geoffrey Hinton之賜，在2007年提出了全新的深度學習(Deep Learning)演算法，開啟了AI全然不同的發展，也讓無人車有了新起點。

深度學習主要是透過大量數據建立起模型，讓機器不斷修正預測，逐漸逼近最佳值，而深度學習在無人車的應用，就是透過影像、雷達、光達等感測器回傳的資料，建立起物體辨識、可行駛區域檢測、行駛路徑辨識等三種模型，這三種模型再加上自動控制，就可落實無人車願景。

要達到此一目標，目前雖然還有漫漫長路要走，不過無人車本來就不是一蹴可幾，而是逐步完成。美國國際汽車工程師協會(SAE)將自動駕駛技術，從0~5分為6級，其中0~2級屬於人類駕駛環境，3~5級則是自動駕駛，有趣的是現在投入發展無人車的廠商分屬科技和汽車兩大陣營，這兩類廠商的發展方向也截然不同。

汽車廠商在無人車這領域是由下往上走，因此現在車廠的無人車雖仍未上路，不過市場上已經可看到LDW(Lane Departure Warning；車道偏移警示)與FCW(Forward Collision Warning；前方碰撞警示)兩種功能的車輛。至於科技廠商的作法則是從第5級的無人車往回推，看看要達到完全無人駕駛，需要補足哪些技術？因此我們可以看到Google、Amazon都已著手投入無人車的測試，包括Uber、Tesla這些泛科技類的車商或相關業者，也都動作頻頻。從發展方向來看，汽車與科技廠商各從無人車的兩端點出發，未來將會在某個功能點會合，屆時就會是無人車完全落實的時機。

再從目前產業中不同廠商的發展來看，現在深度學習在無人車的應用案例已不斷浮現，雖然無人車的所有功能，都必須建構在車輛動力技術上，不過這仍然屬於全新的領域，因此也吸引了大量的新創業者投入，並由此激發出許多應用創意，例如瑞典的Uniti就與NVIDIA攜手，設計出平價全電動車「Uniti One」，此車款可透過由頭部與手部追蹤功能，操控抬頭顯示器的3D介面，同時以滑動表面和手勢控制取代按鈕與操作桿，Uniti One已預定於2019年開始交車。

除了自用車外，有業者認為特定用途的商業車輛，將會先一步啟動，例如法國的NAVYA就將產品鎖定在半封閉環境下的接駁車，所謂的半封閉環境包括了園區、機場、工業區等，這類型環境簡單，所有的因素都可被控制，非常適合初期的無人車使用。另外一種則是長距離的物流車輛，在大陸型國家如美國，長距離的跨州貨運是當地物流業常態，這種駕駛路線不僅距離長且景色單調，駕駛容易因疲勞造成事故，但也由於路線和周邊環境都相對簡單，因此十分適合無人車。日前舊金山新創公司Embark已完成從加州洛杉磯到佛羅里達州傑克遜維爾(Jacksonville)全程2,400英里、總計5天的跨州自駕路測，預計2018年底將有40台車開始測試。

觀察目前發展，AI在無人車的應用主要是接收感測、GPS等訊號，進行物體辨識、可行駛區域檢測、行駛路徑辨識等工作，這三大功能都必須結合外部技術，方能讓AI的運算與判斷更準確。物體辨識部分，目前主要的技術是影像、雷達、光達等感測器，用以偵測物體的形狀與距離，不過這三種感測技術都仍有缺陷，近年來被應用於智慧手機的3D感測，已被視為未來主流車用感測技術。

至於可行駛區域檢測、行駛路徑辨識兩種功能，前者2016年Google與行動商務公司Proxama合作，在倫敦推出即時交通警示服務MyStop，透過Google Physical Web計畫和Beacon定位技術，打造即時交通警示服務，雖然當時主要以手機作為連結設備，不過未來要連接到無人車並非難事。至於行駛路徑辨識則必須與基礎交通建置鏈結，先由城市安全監控系統中的AI分析車流，車輛經由遠距通訊技術連結城市交通系統，取得車流分布數據後，再由車內的AI分析出最佳路徑。

無人車是車輛技術的終極目標，要達到此一目標，AI是最重要的核心技術，但在汽車發展中，AI不會只出現在第5級自動駕駛階段，從第2級的部分自動化、第3級的有條件自動化和第4級的高度自動化中，AI就會開始有程度不一的應用。近期出現的FCW與LDW就都有用到功能較弱的AI運算，至於未來，隨著運算功能的逐漸強大，再加上環境測試數據的漸趨完整，AI在汽車領域的應用將會越來越深，並與智慧交通系統結合，打造出下一世代的汽車面貌。

日期：107-06-07    資料來源：DIGITIMES