自驾技术让行车更安全？

根据WHO的研究，每年全球约有130万人死于交通事故，这样的数目高于每年因HIV/AIDS致死人数，或是等同于每30秒就有一人因车祸受难。肇事的原因可能因为机械问题，或是其他车辆的失误。常见的是行车时没有察觉路况(疲累、捡掉下的手机等)、预估失准、或是在关键时刻无法适时反应而造成意外。

目前逐渐兴起的自驾技术可以让行车更安全吗？根据Waymo近来的研究，自驾技术可以弥补人类的失误，大大降低肇事或是减轻伤害。他们挑选了美国凤凰城某郊区从2008到2017年过去91件重大车祸，使用模拟的方式让自驾技术介入事件中。其中52件肇事者(超速、闯红灯、酒驾等)案例，如果换为自动驾驶的话，可以100%完全避免；39件受害者的案例中，85%可以完全避免，10%降低伤害。其他的研究更显示，如果90%是自驾车，在美国因驾驶而造成的死亡人数会由一年3.24万人降至1.13万人。

如何做到的呢？举例来说，在十字路口虽有路权绿灯通过，此时自驾技术察觉左方有车辆高速接近，同时预测高速逼近的车子不可能在红灯前停止，可能有碰撞风险，因此自驾车重新规划路径，煞车、油门同时作动，主动减速避开可能的碰撞。

为了达成安全驾驶，自驾车的技术可以区分为四大模块，缺一不可：感知(perception)—理解环境目前状态、预测(prediction) —未来可能的变化、规划(planning) —因应变化该如何作动、控制(control)：执行车辆机械作动。所以自驾技术必须被动的察觉环境变化，并主动的规划执行安全、有效率、以及舒适的行车移动。虽然与先进驾驶辅助系统(ADAS)目的不同，但是相关的技术也可用来提升目前商业化的L2、L3技术。

到目前为止，感知模块使用了最多的深度学习技术，这也是目前产业界最关注的部分。何种传感器最符合成本效益？可以提供最高的可靠性？目前还在开放讨论中。但是纯视觉(多镜头)绝对是不可或缺的；雷达(Radar)、超声波(Ultra Sonic)性价比高，还是不断演进中。跨传感器的融合可以解决传感器的限制，例如激光雷达(LiDAR)在远处，会有点数稀疏的问题，虽然距离准确，但是远处物件很难识别，目前有许多相当到位的研究，展示如何截长补短提供稳定、高CP值的感知模块。

另一个趋势是倡议感知以及预测模块协同计算，而不是独立运作。可以想像的是如果识别(侦测)效果越好，预测一定更准确；同时，准确的路径预测也会改进感知，例如追踪某辆车子路径进入阴影中。所以目前许多研究使用了end-to-end的深度学习技术，同时执行感知以及预测，纳入多个序列画面，使用深度学习网络来预测各个时间点的可能物件位置。一般做法都是使用occupancy grid (OG)的方式，也就是将行车空间分隔为许多小方格，预测接下来的时间点这些方格内可能会有哪些物件，以机率的形式输出。实验结果发现可以大大提升自驾的稳定度，同时提升感知以及预测效果。

前瞻技术已经撼动汽车产业，不管是自驾或是较保守的ADAS系统，或是运用在EV或是传统内燃引擎，使用智能技术来改变交通样貌已成为必然的趋势。产业需要更多的传感器，符合车规、效率、节能的运算(及通讯)平台来执行各种智能模块，这都是过去未曾有过的规格。而且一旦车辆的行驶方式改变，保险、财务、或是娱乐，甚至是都会的周边设备也势必得一起更动了。