自駕車感測與融合技術商機不斷
根據工研院產科國際所IEK Consulting(Industrial Economics and Knowledge Consulting)之預估，2017年台灣車用電子約占台灣車輛零組件37%，產值超過新台幣2,080億元，隨著台灣車用電子產值逐年成長，預估2020年可超過新台幣2,700億元，成長力道不容忽視。而未來隨著通訊與感測融合技術成熟，將創造更多元的自駕車及相關應用領域的商機，台灣廠商若能掌握這波商機，並推出自動駕駛之關鍵系統、零組件與應用服務，將更有機會打入國際供應鏈，創造台灣產業之更多元化之發展。
自駕車的另一個商機，以車廠為例，根據Euro NCAP歐盟新車安全評鑑協會和ANCAP澳洲新車安全評鑑協會，分別擔任歐盟和澳洲第3方獨立車體安全認證單位，共同在「Accident Analysis & Prevention期」發表「配備自動緊急剎車(Autonomous Emergency Braking, AEB)車輛在現實世界發生追撞之有效性研究報告」(Effectiveness of Low Speed Autonomous Emergency Braking Real-world Rear-end Crashes)。研究報告結果顯示，有安裝「AEB自動緊急煞車」Autonomous Emergency Braking車輛，在車速小於50公里/小時，可減少38%的追撞意外事件。
向來在車用安全配備法規與撞擊測試標準等領域，執全球牛耳地位的美國，日前在AEB領域又有重要突破之舉，在DOT美國交通運輸部(U.S. Department of Transportation)、NHTSA美國高速公路安全局(National Highway Traffic Safety Administration)與IIHS美國高速公路安全保險協會等，宣布已有Audi、BMW、Ford、GM、Mazda、Mercedes-Benz、Tesla、Toyota與Volvo等10家車廠，同意將AEB自動緊急煞車系統列入新車標配項目，上述10家將著手與DOT、NTHSA與IIHS等單位磋商，儘快落實自動緊急剎車系統的新車全面標配化。
感測與融合技術為自駕車基礎
自駕車系統架構中最為關鍵的元件即為前端感測器，感測器為發展自動駕駛技術領域中最為重要的回授單元，近年來隨著先進駕駛輔助系統普遍應用於高階車輛上，並且對於安全、舒適、方便與節能有所改善，使得安裝多個感測器已逐漸成為趨勢，同時成為發展自動駕駛等級SAE (Society of Automotive Engineers) Level 5的基礎。
透過這些先進的感測器與機器學習軟體演算法的處理，可以讓車輛電控單元完整模擬甚至超越人類在駕駛車輛時所使用的各種感官能力(Perception)，實現同步即時的全方位環周感測能力，並針對感測結果進行控制決策的判斷，因此感測器的偵測與融合研究成為目前自動駕駛技術的關鍵要素之ㄧ，其中在運算速度、抗環境干擾能力與辨識精準度上為目前發展的三個重要指標。
圖1以NVIDIA為例，運算平台採用GPU架構可加速運算，每年以1.5倍的速度成長，預計於2025年將可達到1,000倍的運算速度，可滿足與運算多種感測器的融合。圖2以Google新創的自駕車公司Waymo為例，車上配掛光達與攝影機等感測設備，以融合多重感測器解決抗環境干擾。以下將分別介紹光達(LiDAR)、雷達(Radar)、攝影機(Camera)與超音波(Ultrasound)前端感測元件與感測融合技術。
．光達
光達為一種主動式光學感測器，透過雷射光束撞擊至待測點後反射回感測器之光束飛行時間，可計算獲得與等待測試物之相對距離，並依照連續多個距離資料的多寡可換算為2D或3D之物理座標，雷射光束常見的有紫外光、可見光以及紅外光，其中以波長600~1000nm最為普遍應用，目前市面上較常見的有2D與3D感測器產品，其中3D又依雷射光束的數量普遍分為8、16、32、64Beam，並同時進行環周360度高頻掃描，為目前自動駕駛常使用的解決方案，
其它常見的光達產品還有如LeddarTech的固態區域式偵測光達、Quanergy與Velodyne的360度多Beam掃描光達、Bosch的部分空間掃描3D光達、Lumina的單beam往復式區域空間掃描光達等，然而這些新世代的產品目前在感測資訊安全上還需完整的防駭驗證以避免遭到惡意性的偽造光學攻擊。
．雷達
雷達為一種主動式電磁波感測器，透過電磁波撞擊至等待測試點後反射回感測器之電磁波飛行時間，可計算獲得與等待測試物之相對距離，並視連續多個距離資料的多寡可換算為2D或3D之物理座標，優勢在於穿透性與抗干擾力強，能在全天候使用，缺點則是檢測解析度低。
常見的車用Radar工作頻率在24GHz、77GH、79GHz三種頻率附近，24GHz多用於中距離偵測，可應用於車側盲點偵測(Blind Spot Detection, BSD)，77GHz以上多用於遠距離偵測，常見的應用有適應性巡航控制(Adaptive Cruise Control, ACC)與前方碰撞警示(Forward Collision Warning, FCW)，而普遍在國際間所制定的產品標準為77GHz以上，因為此種頻率比較能增加雷達的檢測解析度。
．攝影機
攝影機原理跟構造與人眼非常相似，是一種被動式光源感測器，主要由四種元件所組成：透鏡、光圈、濾鏡、影像感測器，透鏡控制焦距與視角，濾鏡控制通過的光源種類，光圈控制光線進入的程度，影像感測器則負責最後的感光成像，依照不同等級之產品，四種元件會有不同的控制能力，然而成本上也隨響應時間而有所提升，其優點在於具有高的解析度RGB (Red/Green/Blue)，缺點則是受光影與環境影響大，並且較難取得較準確之距離資訊來提供給車控端使用。
．超音波
超音波是一種主動式聲波感測器，透過聲波撞擊至等待測試點後反射回感測器之聲波飛行時間，可計算獲得與等待測試物之相對距離，然而因音波擴散的物理特性導致取樣點較大，解析度較低，常應用於停車輔助系統的三角測量。
針對不同感測資訊需求，如感測器與等待測試物的距離遠近、相對移動關係，以及等待測試物種類的分類程度、移動速度、未來軌跡、語義分析(Semantic Analysis)，加上感測時的環境，如雨滴、霧霾、塵埃，須善用不同感測器之優勢來達到自動駕駛的基本需求。
若須執行全盤考量的偵測，也可進行多種感測資訊的融合(Sensor Fusion)，達到各種感測器相輔相成之功效，四種感測器在各種偵測需求條件下大致上的優劣比較。如表1所示，比較條件為假設四種感測器皆裝設在同一台車輛前方位置上，並且僅使用單顆感測器，以及使用非學習方式演算法進行計算，感測器以市面上較易取得產品為主。
感測融合技術至關重要
自駕車要具備感知周邊環境的所有資訊才能夠擁有自動駕駛的能力，這就需要仰賴車上配置的所有感測器，如攝影機、短/長距雷達、超音波雷達、光達、衛星定位等感測器的資料，以建構出車輛周邊環境的環景資訊，經由資料分析與高速運算後，下達執行車輛控制的指令，以讓車輛可以自動駕駛。
然而這些感測器的感知能力可能會因為環境因素而受到遮蔽進而減少感知範圍，或者是受到外部干擾而產生誤判，例如在交通上，有多種路況需要被克服，例如環境是大雪、暴雨、霧霾等，是否能夠判斷什麼是真正的障礙物？車道線在哪？又或者是當車子在十字路口要判斷是否能夠通行，這些皆非單一的感測器能夠達到。
此時，需將來自多個不同類型感測器的訊息進行融合，稱為異質感測器融合，概念就是同時間匯集「多顆」、「同類型」或「不同類型」感測器的資訊，整合所有高精度的感測數據，以更加準確地感知車輛周邊環境。相對於現有獨立感測系統，感測器融合技術可以做出更好、更安全的車輛控制的指令。
舉例說明，雷達能夠準確測量物件的速度與距離，掃描環境99.99%不會發生錯誤，但對於物件種類的判斷有其困難度存在，反之，攝影機要單獨抓取物件的距離要做相當的影像處理，不過卻能夠達到高精準度的物件種類判斷(例如，汽車、機車或行人)，所以當兩種感測器做資料的融合，就可達到抓取物件作為自駕車路徑規畫使用。
在整個自駕車系統架構內，感測端如同人類的五官，收集附近所有的可見訊息，將這些遠近的訊息融合後，再交由運算決策系統，即大腦，最後由如同人類四肢的車控系統執行大腦命令，當自駕車的大腦、五官、四肢可以互相協調合作，即可落實安全的自動駕駛。
感測融合技術用於自駕車煞車
安全是在發展自駕車應用中最具挑戰性的項目，其中偵測到可能發生碰撞事件並提前由系統自動採取煞停之策略為首要的研究目標。自動緊急煞車系統，原為駕駛輔助系統(Advanced Driver Assistance Systems, ADAS)中的主動式安全系統，用於幫助駕駛在即將與前方物體發生碰撞的時候進行主動式介入的煞車功能，現已為歐盟新車安全評鑑協會(Euro NCAP)列為主要測試項目之一，並持續逐漸增加其測試項目。
為此，各大車廠之旗下車輛也逐漸開始具備此系統，而台灣則預計於2019年起執行大車的AEB法規，本文因此將Euro NCAP之相關測試規格作為發展自駕車專用AEB技術之基礎。目前Euro NCAP將AEB依照行車情境區分為三大測試項目如下：
．AEB City
車輛在一般的城市環境下行駛(時速<50km/h)並能偵測出前方車輛後進行碰撞預防。
．AEB Inter-urban
車輛在高速行駛(時速<80km/h)時偵測前方超過200m以上之物體。
．AEB Pedestrian
偵測行人與自車的相對移動軌跡，並判斷出碰撞的危險程度。
其中AEB City的測試環境的細部規範如下：
．前方物體靜止(Approach to Stationary Target)，自體車輛車速10~50km/h。
AEB Inter-urban的測試環境中又依照前方物體狀態區分為以下三種情境：
．CCRs：
前方車輛靜止(Car to Car Rear Stationary)，自體車輛車速10~50km/h與30~80km/h。
．CCRm：
前方車輛移動(Car to Car Rear Moving)，時速20km/h，自體車輛車速30~80km/h。
．CCRb：
前方車輛煞車(Car to Car Rear Braking)，時速50km/h減速至0m/h，自體車輛車速50km/h。
而AEB Pedestrian也大致分為以下三種情境：
．CVFA：
對向車道外成人(Car to Vulnerable road user Far side Adult)。
．CVNA：
車道旁成人(Car to Vulnerable road user Nearside Adult)。
．CVNC：
車道旁小孩(Car to Vulnerable road user Nearside Child)。
自駕車AEB功能是否正確的關鍵在於，實際在AEB測試上需在欲測試車輛內裝備自動化操作之機械裝置以實現需量化之實驗，此裝置之響應需達到所需規範的能力，包含車速控制要能在±0.5km/h、車體側向控制要能在±10cm、前後車距控制要能50cm、方向盤角速度要能在±15Ｏ/s等，因此可作為自駕車控制系統的依據，以及自駕車整體硬體設計之最低準則。
AEB系統判斷是否產生碰撞事件是由撞擊時間(Time-To-Collision, TTC)這一個重要的指標所決定，此指標主要用於量測自車與障礙物之潛在碰撞危險的判斷依據，當TTC高於某個設定之門檻值的時候，AEB系統就會立刻啟動，由車上電控剎車系統(Brake-by-Wire, BBW)進行剎車，而TTC之門檻值會依據所安裝的車輛剎車特性而設定，也就是能停住此車輛的最短時間。因此，計算模型上必須包含車輛之瞬間車速、最大瞬間減速度與障礙物之相對距離。
其中，瞬間車速通常直接由車內感測器獲得，與障礙物之相對距離通常由相機、光達與雷達之距離感測器獲得，而最具關鍵的則是最大瞬間減速度，通常會因行車環境而有所不同，包含路面摩擦力、輪胎特性、懸吊特性、車輛重量，或是受煞車系統中ABS之作動特性而有所影響，而這些參數的影響也要加入至自駕車之AEB模型內考慮。
針對應用於自駕車上之AEB系統所需的偵測距離感測器上，常使用的有光達、雷達、攝影機與超音波。本文所介紹的自駕車自動剎車應用，針對物件障礙偵測、物件輪廓偵測、最遠距離估測、偵測範圍與抗天候與光影之必要關注項目，選擇採用光達感測器來實現AEB之距離偵測與估算。
然而因為在只有前方一顆光達的情況下，針對自駕車之路徑演算法設計會有兩側死角的產生，例如當車輛兩側有其它車輛竄出並且瞬間切入到自車的前方，會導致自車本身演算法瞬間採取即時全力煞車，進而讓車輛產生嚴重頓挫感後才恢復速度，同時會有碰撞風險存在，因此自駕車會安裝多顆光達感測器，進行多顆光達感測器的資料融合，實現環周無死角之偵測，可以在當有車輛在自車兩側時提前採取放慢車速之策略，且當車輛切入自車的前方時可配合TTC來取消AEB作動，多顆光達感測器掃瞄過後之全景圖如圖3。
自駕車自動剎車應用的資料處理部份，將全景光達點雲資料格式取出後，首先會進行背景去雜訊化處理，爾後得到的點雲皆為具有移動可能性之物體點雲，接著再進行平行化之分群處理，並加入自行設計之物體特徵演算法，即時獲得當下的物件偵測，再將多個時間點的物件偵測蒐集起來追蹤物件資訊，最後能在最低10FPS(Frame per Second)以上辨識出前方障礙物件並輸出給控制端使用。
環周光達3D點雲空間資訊一方面可提供自駕車自動剎車應用前方約0~60m的物體資訊來計算TTC，二方面可將車輛兩側之潛在危險物體提早偵測出，判斷對方車輛是否要強行插入自車車道，可增加自駕車自動剎車應用系統內判斷TTC之依據。
因此，本文將車輛兩側加入了自駕車自動剎車應用偵測範圍內，基於現有ADAS規範的AEB，修改與新增其演算之方法，並開發中型巴士自駕車平台，以實現AEB功能，先期階段參考EURO NCAP的CCRs (Car to Car Rear Stationary)設計，將靜止車輛改為靜止兒童，進行多次不同載重模型的測試，如圖4所示。
(本文作者任職工研院資通所)
