report
活动+

AI扮演创新触媒 推动汽车智能化革命

  • 洪千惠
随著智能车的进展,未来汽车所使用的电子元件数量将会激增,所占的成本比例也会快速攀升。STMicroelectronics

无人车带起了汽车科技的变革,包括汽车与电子在内的厂商都开始投入,而经过过去几年的技术研发,应用市场也转趋热络,各大车厂开始与大型科技业者合作,从前几年就已携手研发的Audi与NVIDIA,到今年5月底签订无人车开发计画的福斯和Apple,在2018 COMPUTEX的新创特展InnoVEX中,德系大厂BMW也将针对未来智能移动发表专题演讲,从业界的积极投入,都将可看到智能车辆趋势的成形。

在这波汽车革命中,AI与物联网无疑是最重要的推手,因为在汽车历史中,无人车并非新概念,过去在1925年就有美国工程师研发出无人车,并从百老汇一路开到第五大道,只不过虽称之为无人车,但操作方式是由这位工程师在另一辆车上以无线电遥控,因此虽然「无人」,但与现在的自动驾驶无关,顶多只能算是大型遥控汽车。

真正具有现代定义的无人车出现在1980年代,由美国卡内基梅隆大学计算机科学学院的机器人研究中心所研发的Naclab,这辆无人车车上装了3台Sun工作站、1台卡内基大学自行研发的WARP平行计算阵列、1部GPS讯号适配器,不过由于是实验车,因此实用性不高,时速仅有32公里。1989年卡内基梅隆大学进一步在车上加入神经网络,并使用传感器和控制器,成为现在无人车的雏形。

卡内基梅隆大学的无人车,与现在的各汽车和科技大厂类似,都是透过传感器、传输网络与AI做为主架构,这类型架构与物联网相同,只不过在车辆运行环境下,系统的稳定性、实时性与运算效能都有更高一级的提升,尤其是在运算效能部分,拜神经网络之父的英国学者Geoffrey Hinton之赐,在2007年提出了全新的深度学习(Deep Learning)算法,开启了AI全然不同的发展,也让无人车有了新起点。

深度学习主要是透过大量数据建立起模型,让机器不断修正预测,逐渐逼近最佳值,而深度学习在无人车的应用,就是透过影像、雷达、光达等传感器回传的资料,建立起物体辨识、可行驶区域检测、行驶路径辨识等三种模型,这三种模型再加上自动控制,就可落实无人车愿景。

要达到此一目标,目前虽然还有漫漫长路要走,不过无人车本来就不是一蹴可几,而是逐步完成。美国国际汽车工程师协会(SAE)将自动驾驶技术,从0~5分为6级,其中0~2级属于人类驾驶环境,3~5级则是自动驾驶,有趣的是现在投入发展无人车的厂商分属科技和汽车两大阵营,这两类厂商的发展方向也截然不同。

汽车厂商在无人车这领域是由下往上走,因此现在车厂的无人车虽仍未上路,不过市场上已经可看到LDW(Lane Departure Warning;车道偏移警示)与FCW(Forward Collision Warning;前方碰撞警示)两种功能的车辆。至于科技厂商的作法则是从第5级的无人车往回推,看看要达到完全无人驾驶,需要补足哪里些技术?因此我们可以看到Google、Amazon都已着手投入无人车的测试,包括Uber、Tesla这些泛科技类的车商或相关业者,也都动作频频。从发展方向来看,汽车与科技厂商各从无人车的两端点出发,未来将会在某个功能点会合,届时就会是无人车完全落实的时机。

再从目前产业中不同厂商的发展来看,现在深度学习在无人车的应用案例已不断浮现,虽然无人车的所有功能,都必须建构在车辆动力技术上,不过这仍然属于全新的领域,因此也吸引了大量的新创业者投入,并由此激发出许多应用创意,例如瑞典的Uniti就与NVIDIA携手,设计出平价全电动车「Uniti One」,此车款可透过由头部与手部追踪功能,操控抬头显示器的3D接口,同时以滑动表面和手势控制取代按钮与操作杆,Uniti One已预定于2019年开始交车。

除了自用车外,有业者认为特定用途的商业车辆,将会先一步启动,例如法国的NAVYA就将产品锁定在半封闭环境下的接驳车,所谓的半封闭环境包括了园区、机场、工业区等,这类型环境简单,所有的因素都可被控制,非常适合初期的无人车使用。另外一种则是长距离的物流车辆,在大陆型国家如美国,长距离的跨州货运是当地物流业常态,这种驾驶路线不仅距离长且景色单调,驾驶容易因疲劳造成事故,但也由于路线和周边环境都相对简单,因此十分适合无人车。日前旧金山新创公司Embark已完成从加州洛杉矶到佛罗里达州杰克逊维尔(Jacksonville)全程2,400英里、总计5天的跨州自驾路测,预计2018年底将有40台车开始测试。

观察目前发展,AI在无人车的应用主要是接收感测、GPS等讯号,进行物体辨识、可行驶区域检测、行驶路径辨识等工作,这三大功能都必须结合外部技术,方能让AI的运算与判断更准确。物体辨识部分,目前主要的技术是影像、雷达、光达等传感器,用以侦测物体的形状与距离,不过这三种感测技术都仍有缺陷,近年来被应用于智能手机的3D感测,已被视为未来主流车用感测技术。

至于可行驶区域检测、行驶路径辨识两种功能,前者2016年Google与行动商务公司Proxama合作,在伦敦推出实时交通警示服务MyStop,透过Google Physical Web计画和Beacon定位技术,打造实时交通警示服务,虽然当时主要以手机作为连结设备,不过未来要连接到无人车并非难事。至于行驶路径辨识则必须与基础交通建置链接,先由城市安全监控系统中的AI分析车流,车辆经由远距通讯技术连结城市交通系统,取得车流分布数据后,再由车内的AI分析出最佳路径。

无人车是车辆技术的终极目标,要达到此一目标,AI是最重要的核心技术,但在汽车发展中,AI不会只出现在第5级自动驾驶阶段,从第2级的部分自动化、第3级的有条件自动化和第4级的高度自动化中,AI就会开始有程度不一的应用。近期出现的FCW与LDW就都有用到功能较弱的AI运算,至于未来,随著运算功能的逐渐强大,再加上环境测试数据的渐趋完整,AI在汽车领域的应用将会越来越深,并与智能交通系统结合,打造出下一世代的汽车面貌。