完全不須人類介入操作的第五級自動駕駛，是汽車業者正在全力追求的目標，而車聯網、車載感測與自動駕駛決策系統，則是實現第五級自動駕駛不可或缺的三大關鍵技術，唯有這三項要素均成熟到位，第五級自駕的願景才有可能實現。
進軍車聯網市場 OmniAir認證不可或缺
德凱(DEKRA) EMC/RF技術處資深總監蕭鴻凱(圖1)表示，汽車搭載聯網技術，已經有很長的發展歷史。從2G時代開始，就已經有基於行動通訊技術所衍生出來的M2M通訊應用，包含導航、資通娛樂系統、eCall等功能。而隨著自駕車成為各大車廠競相追逐的目標，聯網功能在未來的汽車裡，只會扮演更重要的角色。
為滿足第五級自動駕駛的要求，未來的汽車不僅本身要具備各種感測能力，車與車(V2V)、車與道路基礎建設(V2I)，甚至車對行人(V2P)，乃至車對萬物(V2X)，都需要具有雙向通訊能力，以便讓車輛得以利用其他車輛、路側設備甚至行人身上的手機、穿戴裝置所提供的資料，更全面地掌握道路狀況。而且，車聯網的網路延遲要非常低，方能讓自駕系統因應瞬息萬變的環境做出正確的判斷。
由於車聯網要連接的物件種類繁多，因此車聯網其實是多種技術的混和。除了基於3GPP行動標準一路演變而成的C-V2X之外，還有另一個已經相當成熟，以802.11p為基礎的DSRC技術。未來的車聯網，應該會是兩種技術系統並存的局面。
C-V2X還可以細分成兩種，一種是需要透過行動網路基地台連接，藉由uu介面(Uu Interface)實現的網路模式(Network Mode)，另一種則是透過PC5介面實現的直接連線模式(Direct Mode)。直接連線模式的應用情境與DSRC有比較大的重疊性，因此直接連線模式將會與DSRC出現競爭。DSRC早在十多年前就已經發展出來，但也因為如此，與C-V2X的直接連線模式相比，DSRC能提供的頻寬相當有限，無法滿足未來車聯網的需求，這也促使DSRC陣營必須發展下一代標準802.11bd。依目前的時程規畫來看，802.11bd標準將在2022年5月制定完成。
蕭鴻凱分析，雖然C-V2X看似後發先至，但其實目前市場上並沒有太多對應的晶片解決方案。與C-V2X實作有關的技術規範，主要分散在3GPP R14與R16標準中，R15對C-V2X並無太多著墨。但持平而論，實現C-V2X所需的技術規範，要到R16才算完備，因此晶片商在推出基於R14的C-V2X晶片方案後，大多選擇跳過R15，直攻R16。由於R16標準才剛凍結，因此基於R16的C-V2X晶片，或許要等到明年才會問世。
值得注意的是，對有意開發車聯網硬體設備，如車載單元(OBU)、路側設備(RSU)及通訊模組的廠商而言，除了要掌握前面提到的技術標準外，還有負責把關設備互通性(Interoperability)的OmniAir Consortium及其所提出的OmniAir標準，也十分關鍵。
為了確保車聯網硬體能夠彼此互通，OmniAir Consortium已在第一版OmniAir標準中定義了超過80個測試項目，並在第二版中添加了實地測試與網路資安的要求。德凱做為OmniAir授權測試實驗室，除了擁有對應的測試能量外，同時也是具有主辦插拔大會(Plugfest)的經驗。在2019年9月底到10月初，德凱便曾在西班牙的測試場域中，針對C-V2X與DSRC的OBU與RSU裝置進行實地測試。今年由於疫情的影響，插拔大會雖仍會在9月底至10月初之間舉行，但改為遠端舉辦，有意參與者必須先把自家的待測產品寄送到主辦單位，再由主辦方對待測品進行合規性(Conformance)、互通性、資安進行驗證，並且也會有實地測試項目。
實現精準車外感測 電源品質不容輕忽
除了藉由車聯網讓汽車得以接收其他車輛、路側設備所蒐集到的路況資訊，提供自駕系統參考外，自駕車本身也必須搭載各種感測技術，以便對自身周遭的環境狀況進行即時掃描，進而判斷下一步該如何動作。
毫米波雷達、影像感測器、光達與超音波聲納，是目前汽車上最常搭載的感測技術，相關感測元件的供應商也不少。但對車載感測設備的開發商而言，除了要選擇性能跟規格可以滿足需求的感測元件外，為這些元件供電的電源晶片，或是其他週邊類比電路，重要性往往不下於感測元件本身。
羅姆半導體(Rohm)台灣技術中心工程師粘成允(圖2)表示，汽車搭載的感測器數量持續增加，加上車身上適合安裝感測器的位置，在感測角度等條件的限制下，其實就只有少數幾個「黃金地段」可以選擇。在此情況下，如何把感測模組的外觀尺寸微型化，對相關製造商而言，也是非常重要的。
要達到縮小感測模組外觀尺寸的目標，電源的選擇十分關鍵，因為電源往往是決定外觀尺寸最重要的變數。舉例來說，如果電源效率不高，就會衍生出散熱問題；如果電源設計的整合度不夠，大量的外部元件，特別是體積龐大的輸出電容，更會影響整個感測模組的外觀尺寸。因此，針對各種車用感測器，羅姆的產品發展方向是提供更高效率、小型化與支援更大輸出電流的電源晶片，以滿足雷達、影像感測器與光達的需求。
舉例來說，在小型化方面，羅姆已經發展出Nano Pulse、QuiCur與Nano Cap線性穩壓器(LDO)等技術，Nano Pulse主要是藉由提高開關頻率，讓電源的外部電感元件可以縮得更小，進而縮小整個電源系統的尺寸；QuiCur與Nano Cap則是以減少外部電容數量或縮小電容尺寸為目標，讓電源系統的尺寸變得更小巧。
至於在超音波聲納方面，除了電源晶片外，羅姆也在研發聲納專用的訊號處理晶片，盼藉由更低的雜訊水準、更強的抗干擾能力，以及速度更快的中頻(I/F)電路，延長聲納的工作距離，並提高聲納的解析度。目前的車載聲納感測器通常可以偵測3公尺以內的目標，解析度則是50公分，羅姆希望藉由新的解決方案，將聲納的工作距離延長到8公尺，解析度則進步到10公分。
駕駛監控列入歐盟NCAP評價項目
雖然車聯網與車外環境感測技術在最近幾年有飛快的進展，但業界普遍認為，由於自動駕駛攸關所有用路人的生命安全，必須格外謹慎，故第五級自動駕駛要在開放場域全面普及，最快也要等到2030年左右。在此之前，駕駛人仍是影響行車安全的最大變數，如何利用科技減少駕駛人為疏忽所導致的車禍發生，將是車廠最大的課題。
意法半導體(ST)技術行銷經理林國志(圖3)指出，絕大多數交通事故之所以產生，都跟人脫不了關係。舉凡超速、酒駕、闖紅燈或不守交通規則、分心駕駛或開車打瞌睡這些危險駕駛行為，每年都奪走成千上萬條人命。因此，不管是歐洲或美國，交通主管機關都很希望能利用新科技降低駕駛人的安全風險，減少車禍事故產生。
另一方面，在自動駕駛發展的過程中，利用科技對駕駛人狀態進行監控，也有其必要性。因為除了第零級全人類駕駛與第五級全自動駕駛之外，從第一級到第四級，一台車事實上是由兩個駕駛操作，一是人類，另一個則是自駕系統。在從自駕模式切換回人類操作之前，自駕系統必須確定人類駕駛已經準備好接手控制車輛，否則在換手時會非常危險。
因為上述兩個因素，歐盟新車安全評鑑協會(Euro NCAP)已經決定，自2025年開始，沒有搭載駕駛人監控系統(DMS)的新車，最高只能拿到四星安全評價，無法取得五星滿分。此一決定使得DMS成為許多車廠目前正在積極評估導入的技術。
針對即將興起的DMS需求，意法決定將原本應用在工業相機的全域快門(Global Shutter, GS)影像感測技術介紹到汽車應用領域，並依照車用場景的需求，為車載GS影像感測器添加高動態範圍(HDR)功能。
全域快門最大的優勢可以一口氣讀取整個感測器陣列所取得的資料，大幅縮短曝光時間，連帶縮短照明光源的啟動時間。相較之下，一般常見的捲簾式快門(Rolling Shutter, RS)影像感測器必須逐行讀入影像資料，其曝光時間較長，且在感測器送出所有資料之前，照明光源都必須維持在開啟狀態。
快速取得完整影像的能力可以帶來許多優勢，一是省電，二是減少光源產生的熱雜訊對影像感測器造成干擾，三則是藉由縮短曝光時間，確保被攝物的影像不會因為晃動而造成輪廓模糊，導致後端演算法無法正確判讀影像所代表的意義。
除了全域快門技術外，由於車輛所處的光線環境相當複雜，因此DMS所使用的影像感測器，必須支援HDR，否則感測器在明暗對比太強烈的場景會取得部分過曝、部分曝光不足的影像，影響影像判讀的結果。
各地路況大不同 自駕系統必須在地化
有了完善的聯網跟車內/外感測能力後，作為自駕車的大腦，自駕系統自然是未來汽車不可或缺的要素，也是歐美日各大車廠與科技巨頭競相投入的目標。不過，就像在美國天天開車上路的駕駛人，來到台灣不一定敢開車上路，自駕系統在研發過程中，如果只以歐美的道路環境做為測試基準，遇到全然不同的道路環境，原有的控制策略未必行得通。
工研院資通所副組長鄭安凱(圖4)根據工研院所累積的實地測試經驗，智慧決策是一個非常需要在地化研發的環節，因為每個地方的道路狀況跟用路人習慣都不一樣，一個在歐美日道路環境中訓練出來的決策模型，不見得能直接套用在東南亞的道路環境。因此，如果能發展出通過在地化考驗的決策系統，就有跟車廠合作的空間。
對智慧決策系統的開發者而言，最大的挑戰是如何利用感測器蒐集到的資訊，預測2~3秒後會發生什麼事，進而制定出最好的行駛路線跟動力控制策略。因此，在決策模型的開發過程中，除了要知己(自身車輛所處的狀況)，更要知彼(路上其他車輛、行人的行為模式)，對未來事件的預測才會精準。
眾所周知，相對於歐美日的道路上，絕大多數是四輪車，但台灣跟東南亞的馬路上，存在大量摩托車與腳踏車，而其行為模式跟四輪車是截然不同的。此外，台灣跟東南亞的道路相對狹窄，人口密度又高，因此自駕車開在路上，特別是比較狹窄的巷弄內，遇到路邊突然有行人竄出來的機會是很高的，如果在開發智慧決策系統時沒有把這些東南亞的道路環境特性納入考量，潛在的問題可不小。
但由於AI影像辨識技術快速進步，現在的自駕系統，已經可以對行人或其他車輛的意圖跟未來動向進行預測。以行人為例，只要利用人體骨架影像辨識加上姿態語意分析，就可以從行人肢體的一些小動作，預測他未來的動向或可能採取的行動。同樣的，其他在道路上行駛的車輛，也可以利用車尾燈辨識跟物件追蹤技術，預先判斷其意圖，進而讓決策系統得以超前應變。
