- Advertisement -
首頁 市場話題

市場話題

- Advertisement -

IIoT工業物聯網大行其道 安馳智慧製造方案齊備

ToF飛時測距 ADI ToF技術採用脈衝型雷射,可以大幅降低功耗,搭配CCD感測器,畫素達640×480 VGA等級影像解析度及精準度,安馳科技資深技術應用工程經理吳明宗表示,在製造現場,ADI的ToF是感測6公尺以內的範圍,可以應用在自動導引車(AGV)或帶有手臂的智慧移動機器人(IMR),ADI ToF解析度是CMOS ToF的四倍,其深度資料可有效地增加影像辨識度,室內採用850奈米(nm)波長雷射,室外應用為避免陽光吸收,採用940奈米波長雷射。 在應用部分,ToF電子圍籬能建置安全防護Virtual Wall,以ADI的ADDI9033搭配ToF感測元件,提升產線作業人員與機器手臂協同作業的安全性,吳明宗提到,IMR或AGV則可以使用機器視覺,協助其空間辨識或避障;汽車應用以駕駛監控與手勢辨識兩類為主,在夜晚低光源的環境下還是可以進行影像辨識,甚至可以清楚辨識駕駛的表情。 應用於商業空間的3D人流統計時,則可利用影像技術分辨身高,有效分辨進出人流,並計算總量。傳統自動門採用紅外線反射原理,讓動物也可以自由進出一般商場,造成管理上的困擾,使用ADI ToF 3D立體影像感測時,可以辨識區分空間中人與物體的相對位置距離遠近,有效摒除非人類進入商場。 BMS電池管理 另外在電池管理(Battery Management System, BMS)部分,吳明宗指出,ADI BMS產品最大的優勢便在於鋰電池的管理精度,無論面對什麼環境,都能把精度誤差控制在非常小的範圍內,且可以保持十年不變。也能在同樣電池容量下提高電動汽車的整體續航里程。因為ADI BMS產品內建了Buried Zener Reference技術,能夠為測量系統提供高精確度。 LTC6813是一款多節電池堆棧監視器,該元件可測量多達18個串聯電池單元,總測量誤差小於2.2mV。電池測量範圍為0V~5V,使LTC6813適用於大多數電池化學成分,所有18個單元都可以在290μs內測量,多個LTC6813元件可以串聯連接,同時監測電池、高電壓電池串。也可以直接由電池組或隔離電源供電。該監視器包括每個單元的被動平衡,每個單元具有單獨的PWM工作週期控制。其他功能包括板載5V穩壓器,9個通用I/O線和睡眠模式,其中電流消耗降至6μA。LTC6813適用於電動/混合動力汽車,電池備份系統和高功率電池系統。 無線工業聯網模組IIoT RF Module ADI無線工業聯網模組IIoT RF Module可延伸更多感測器,吳明宗解釋,該模組兩端協定是由IEEE 802.15.4作為溝通,模組可選擇2.4GHz,其優勢在於具有高傳輸速率。ADI IIoT Module為低功耗,待機時間約可達到數年之久,且可依客戶需求搭配多種的感測器,可達到99.999%可靠度,抗干擾能力強。工廠可監測溫度、濕度或有毒氣體等。 雖然增加這些裝置,可能提高了硬體建置成本,但後續所產生的效益可能會遠遠超過傳統的方式。例如在工廠廣泛布點後,能夠減少監控人員巡點或手動檢測、紀錄的耗時,因此在人員配置上可大幅提升工作效益,並且在系統收集資料的同時,上傳雲端,直接與後台做聯結提供大數據分析,不需再額外花費人力,蒐集、紀錄、上傳等。 深度學習智慧監控 AI機器學習無處不在,賽靈思專注於深度壓縮技術,安馳科技技術應用工程部經理吳文忠說,利用Zynq-7000 SoC和Zynq UltraScale...
0

緊跟電氣化/智慧化趨勢 功率半導體競逐車電商機

甫於9月中落幕的德國法蘭克福車展,電動車成了最大亮點,各大車廠紛紛秀出新的概念車款,展現全面邁向電動化發展的決心。 與此同時,全球節能規範也不斷提高。歐盟計畫自2020年起推行新的法規,以確保溫室氣體排放能進一步降低。 根據歐洲環境署(The European Environment Agency, EEA)的統計資料顯示,在歐洲,94%的交通工具溫室氣體排放是來自道路交通工具,而其中73%是來自乘用車和輕型商用車(Van),27%來自卡車、巴士和貨車。 也因此,今年4月,歐盟議會和理事會通過了EU 2019/631號新法規,規定了2020年後歐盟新乘用車和輕型商用車的二氧化碳(CO2)排放新標準,以確保從2030年起,新乘用車和輕型商用車的二氧化碳平均排放量,與2021年水平相比,分別減少37.5%和31%。新的法規將於2020年1月1日開始實施,將取代現行的法規標準。 在降低二氧化碳排放量的法規日趨嚴格下,汽車電氣化與電動化的發展已是不可逆的產業趨勢,再加上車聯網、自駕車等新風潮降臨,汽車內含的電子系統數量正快速增加,包括先進駕駛輔助系統(ADAS)、各式電動車(xEV)的發展,將為半導體元件帶來可觀的市場商機;其中,攸關汽車節能與電動車續航力表現的功率半導體,更是一大成長焦點。 市場研究機構分析,一輛汽油車平均內含的半導體元件金額約330美元,而電動車約高達750美元,其中絕大多數都是用在功率元件,特別是主逆變器、車載充電器(On-board Charger)和DC-DC Converter。隨著電子產品和電動車增加,對於利用精密電力電子解決方案降低電力損耗、系統重量,以及整體擁有成本的需求,也將隨之上升,因而吸引各式功率半導體業者積極展開搶攻。 目前車用功率半導體,主要以矽基技術的MOSFET、IGBT為主,因為技術、製造、供應鏈都已非常成熟。不過,為了達到更高的節能效益與性價比,相關半導體業者也已加緊投入新的寬能隙(Wideband Gap)半導體技術,包括碳化矽(SiC)與氮化鎵(GaN)皆有不少廠商投入,其中也不乏台灣業者。 在功率半導體市場,英飛凌可說是全球龍頭,從MOSFET、IGBT到新興的SiC/GaN技術,皆已有完整布局(圖1),在汽車市場更已打下一片江山,2018年更與中國最大汽車製造商上汽集團,合資成立汽車功率半導體公司,為中國電動車市場製造功率模組;近期更積極擴建12吋晶圓廠與薄晶圓製程,期進一步鞏固市場領先地位。 圖1 從應用的電壓範圍來看,英飛凌功率半導體產品布局相當完整。中間區塊為汽車部門鎖定的範圍。 資料來源:英飛凌 儘管龍頭大哥地位難以撼動,不少功率半導體廠仍舊看好汽車市場成長前景,積極展開布局。其中,以二極體起家的達爾(Diodes Inc.)已將汽車視為未來成長的關鍵引擎。 挾強固/可靠/性價比 達爾力拓車用MOSFET市場 看好汽車電子發展潛力,達爾自2011年即開始投入,並於2013年正式成立汽車產品部門。達爾全球離散元件產品副總裁唐逸鵬(圖2)表示,要發展汽車電子方面的業務,除了須有堅強的產品陣容外,更要有良好的組織體質、財務能力與支援架構。特別是車廠的零部件需求量很大,太多供應商會導致管理成本變高,因此對功率離散元件供應商來說,產品組合要愈完備愈好,才能提供一站購足式的服務。 圖2 達爾全球離散元件產品副總裁唐逸鵬指出,汽車應用對穩定性、可靠度及強固性要求甚高,是產品開發時的首要考量。 唐逸鵬進一步指出,2008年達爾收購了英國離散元件開發商Zetex,當時這家公司約有30~40%的產品都是賣給汽車客戶,雖然產品不錯,但因公司小、缺乏組織架構,經營得很辛苦,規模很難壯大,所以達爾在收購後決定建立更完善的組織架構,成立了汽車電子部門,從2013年成立之初,汽車產品僅占公司總營收3%,如今已經成長至10%的比重,接下來將朝20%占比的目標前進。 唐逸鵬強調,功率離散元件的基本技術是一樣的,但隨著終端應用不同,功率離散元件要提供的價值也不同。以汽車應用來說,車用功率離散元件方案必須要很堅固,要以長期可靠性為賣點,而不是一味追求超高效能,而要達到此一目標,須從晶圓的設計、製程、到生產製造,每個環節都要好好掌控、費心調製,才能創造最大的價值。 舉例來說,達爾在幾年前所投資的新MOSFET技術:IntelliFET,便可大幅提升MOSFET的強固性,滿足汽車電子對可靠性的要求。這種自我防護型MOSFET將功率MOSFET與完整的保護電路陣列整合,有效防護靜電放電(ESD)、過電流、過電壓和過溫的情況。只要「智慧型」MOSFET感測到發生以上任一種可能造成災難的狀況,就會同時保護自己和與其相連的負載。整合這些保護功能,就能提高整體的系統可靠性。此外,狀態標示等新的功能,則透過提供診斷的能力,協助偵測並修正車輛內的故障,進而提高整體系統效能。 唐逸鵬解釋,車子使用的環境,很容易讓MOSFET受到損壞;IntelliFET是將控制器和MOSFET做在一起,並整合所有的保護功能。很多高檔車就用這種MOSFET來驅動,比起使用機械式繼電器,這種方案不會損壞,因而可省下大筆維修成本,所以頗獲車廠青睞。目前全球只有英飛凌、意法半導體、安森美、恩智浦和達爾這幾家,擁有這樣的產品技術。 唐逸鵬強調,MOSFET市場競爭非常激烈,要脫穎而出,一定要紮好馬步、練好基本功,將技術、製程做到最好,再者生產製造到封裝也要有整體的競爭力,如此才能打造出性價比最好的產品,從而站穩要求最嚴格的汽車電子市場。 延攬人才/厚植研發能量 強茂全力搶進車用MOSFET 另一方面,已在全球二極體與離散元件市場占有一席之地的台灣廠商強茂,近年來也積極轉進汽車市場,並從組織架構、產品研發、生產製造,以及業務拓展等層面,規畫了縝密的長期布局計畫;今年8月宣布投資6,800萬美元於八吋晶圓產品設備的重大訊息,即是強攻汽車電子市場的一連串動作之一。 強茂大中華區營業事業體副總經理陳佐銘(圖3)談到,強茂已是33年的老字號,在大中華區的消費性電子市場已奠定深厚基石。不過,公司這兩年組織大調整,從銷售、研發到製造,全都展現新的氣象,除延攬許多一線大廠的資深專業人才加入,更成立創新事業體(Innovation Business Unit, IBU),並於新竹、矽谷設置研發中心,厚植產品研發能量,為的就是搭上汽車電子成長契機。 圖3 強茂大中華區營業事業體副總經理陳佐銘談到,強茂自3年前即開始布局汽車電子市場,如今已逐步展現成果。 強茂集團策略長李學寒進一步指出,創新事業體主要將鎖定MOSFET、IGBT及SiC三大產品進行研發;其中,MOSFET會最先發展,將採用遮罩閘(Shielded Gate)技術,開發60~200V的產品,與溝槽式(Trench)、分離式閘極(Split Gate)技術的MOSFET進行區隔,以確保產品毛利,避免陷入價格戰泥淖。預計2020年第一季,強茂會先推出100V Trench MOSFET,第四季則可以提供Shielded Gate Trench MOSFET樣品,包括汽車、工業、消費性市場皆是可應用的範疇。 過去,強茂在業界主要以二極體為產品主力,但這幾年積極朝MOSFET布局,2018年一百多億總營收裡,MOSFET占比已將近15%;為進一步提升MOSFET產品競爭力,因此決定投入技術門檻相對較高的Shielded Gate Trench技術,並投資8吋晶圓設備,建立MOSFET晶圓設計及關鍵的核心製程能力。李學寒強調,未來該公司將以國際大廠做為標竿,藉由5年的發展計畫,在MOSFET市場深根發芽,期能躋身全球前五大廠之列。 除了積極研發新產品外,過去幾年,強茂也已陸續先讓原本消費性解決方案通過車規驗證,預計到2019年底有八成產品可以成為車規等級方案。換言之,強茂三萬顆料號中,80%的料號是符合AEC-Q101標準,能夠直接提供給車電領域的客戶。預計至2021年,所有產品都要通過車規要求。 陳佐銘透露,2018年汽車電子占強茂總營收比重已到8%,2019年預計可達一成,但目前貢獻營收的主力產品仍為二極體;未來,隨著創新事業體研發的新產品陸續上市,MOSFET產品線的比重將可日益攀高。 在生產製造方面,強茂也已導入MES製造執行系統,設立汽車產品製造專線及高效能製造產線,樹立汽車產品製造管理系統觀念。目前該公司已取得AEC-Q101、IATF 16949:2016等重要汽車行業品質規範的審核認證。除此之外,自2017~2019年,強茂也已陸續通過多家車電廠評審合格。陳佐銘談到,近期強茂正緊鑼密鼓的與新的一級車電製造商展開工廠稽核作業。有車電廠甚至承諾,只要強茂產品通過驗證,它就直接導入量產機種,將是明年很重要的成長機會。 陳佐銘分析,受到全球車市低迷,以及中美貿易戰影響,車廠面臨極大的經營壓力,許多中國與歐美汽車大廠紛紛開始尋求新的供應商,一來增加供應鏈應變彈性,二來可降低成本,因而為強茂開啟進入車電市場的大門。而強茂也已做好準備並已有一隻腳跨入;未來,隨著新產品問市,以及在一次次與車廠驗證過程中學習後,該公司體質將可更加脫胎換骨,真正站穩汽車電子市場。 電動車成長可期 車用IGBT前景看俏 相較於MOSFET可被廣泛應用,IGBT在汽車領域的用武之地,主要是以電動車馬達驅動、車載充電器為主。由於電動車出貨量將持續攀升,以及在工業方面的應用也大有可為,加上IGBT的價格較高,吸引不少業者投入,如台灣的茂矽、強茂近來都已展開布局。  IGBT主要分為離散式(Discrete)IGBT和IGBT模組兩種方式,各有適合的運用情境,以市場規模來看,後者相對較大,約達26億美元規模。然而,目前IGBT市場主要由英飛凌所把持,無論在離散式IGBT或IGBT模組領域都擁有30%以上的市占,遙遙領先其他業者(圖4)。 圖4 英飛凌在IGBT晶片和模組市場市占率皆超過3成。 資料來源:IHS Markit、英飛凌 對後進廠商來說,能否掌握IGBT晶片來源,是最大的成敗關鍵,因為晶圓占IGBT的成本結構很高,若只能仰賴外部採購,獲利空間有限。以強茂為例,即打算在未來2~3年內先投入場截止型(Field...
0

落實製造業數位轉型 業主抓緊兩個I

也因為要做的工作實在太多,對於以中小企業型態為主,資源相對有限的台灣製造業而言,要畢其功於一役,可說是不可能的任務。因此,大多數台灣製造業者都必須針對自身的營運需求,排出數位轉型計畫的導入優先順序,然後才能一步步落實,達成數位轉型目標。這也意味著企業主事者有責任為自己的公司排出最佳化的「轉型課表」,因為只有管理高層才有綜觀全局的資源跟能力,而且國際大廠推出的解決方案「套餐」,未必真的符合自家公司的需求。 換言之,企業主必須先盤點現有產線的狀況,找出瓶頸所在,然後評估相關改善的投資成本與回收時間。通常,產線最大的瓶頸所在,也就是最需要優先改善的項目,但考量到相關投資的費用、人力投入成本與回收時間,該項目就未必是當下最需要優先執行的項目。反之,有些回收很快的改善項目,未必能解決當下產線所遭遇的問題,例如能源管理與節能相關的改善,通常無助於解決生產瓶頸的問題,但卻能在成本撙節上帶來很明顯的效果。 緊抓KPI與ROI 由關鍵績效指標(KPI)與投資報酬率(ROI)這兩個I所組成的矩陣,是企業主在制定數位轉型課表時,非常有效的輔助思考工具。KPI與產線本身的改良有直接關係,通常是指個別改善項目所能帶來的量化效益,例如整體設備效率(OEE)的提升、生產效率的提升或設備維護成本的降低;ROI則是個別改善項目所需投入成本的回收時間,一般來說是以年為單位來衡量,回收時間越短越好。 圖1是由KPI與ROI所組成的座標系,第一象限是改善的量化效益高,投資回收期短,最適合優先進行的項目,第二象限則是改善量化效益高,但投資金額巨大,或是回收時間長的改善項目。第三象限則是產線改善效益不明顯,投資回收期也長的項目,通常企業主會避免在數位轉型的初始階段就進行這類型的改善計畫,第四象限則是產線改善效益不明顯,但可以很快回收的改善項目。 圖1 KPI與ROI座標系 對企業主來說,落在第一象限跟第四象限的數位轉型工作項目,通常是比較容易排在高優先事項的投資,因為其所帶來的經濟效益巨大,風險也低。第二象限則屬於「攻堅型」的數位轉型項目,這類項目雖然能帶來不錯的改善效益,但因為投資的回收期長,通常也意味著更大的營運風險。 之所以用相對籠統的方式概述,主要是因為對個別企業而言,即便是類似的改善項目,KPI跟ROI也可能有很大的落差。舉例來說,能源管理方案投資的ROI好壞,就跟個別企業的能源使用狀況有密切關係。 對耗電量大、電力需求波動卻相對小的連續製程產業,例如鋼鐵、石化來說,投資能源管理方案最大的好處大概只有找出不必要的能源浪費,省下一些費用;但對於耗電量中等,電力需求波動幅度卻很大的一般組裝製造業來說,導入能源管理不只是省電費,還有可能衍生出虛擬電廠這類新業務,把節能變成可以創造現金流的生意。如果是耗電量本來就不大的小工廠,在節能方面進行投資,ROI就會變得不那麼吸引人。 工業物聯網/資料可視化必須優先推動 雖然數位轉型的專案項目能帶來多大效果,絕大多數都得看個別廠商的情況而定,但由於數位轉型的終極目標之一,是實現由資料驅動的數位決策,因此跟取得資料、分析資料有關的基礎建設,可說是製造業追求數位轉型的過程中,無法迴避的基礎建設。 據工業電腦大廠研華針對其客戶群所進行的效益分析,很多製造業只要完成工業物聯網建置,並加上資料可視化工具,就能讓OEE提高20%。而且,沒有工業物聯網提供的資料,加上可視化工具對資料進行初步爬梳,數位轉型根本無從推動。因此,這兩項相輔相成的投資,實為製造業展開數位轉型的原點。 事實上,許多大廠正在帶頭推動的「關燈工廠」、「AI輔助決策系統」等專案項目,對中小企業來說都還太過遙遠。如果中小企業沒有先釐清自身的真正需求,把底層需要的基礎建設做好,貿然導入無人工廠或AI系統,恐怕會是一場災難。 無人工廠是工業自動化的極致,但自動化跟製造業數位轉型不宜直接畫上等號。而且,現有的自動化技術還是比較適合少樣多量、大規模生產的運作型態,對多數講求靈活接單、彈性生產的中小型製造業者來說並不適合。即便是研華、凌華、新漢等營收已有相當規模,又是智慧製造解決方案重要供應商,對工業4.0、數位轉型理解較深的業者,其產線也沒打算朝無人工廠邁進。相反的,這些工業電腦業者的計畫,是藉由導入各種智慧化技術,讓員工的人均產值得以向上翻升。 至於AI輔助決策系統,則是數位轉型成功的結果,而不是數位轉型成功的原因。撇開強化學習(Reinforcement Learning)、生成對抗網路(GAN)等還在發展中的機器學習(ML)模式不談,目前比較成熟的機器學習技術,仍是監督式學習(Supervised Learning)。這種機器學習模式需使用大量經過標籤的資料集進行訓練,方可得出相對準確的推論模型。如果沒有資料,空有機器學習所需的軟硬體,也無用武之地。 正如同台灣清大清華講座教授簡禎富在其《工業3.5--台灣企業邁向智慧製造與數位決策的戰略》一書中所提及,未來的製造業面貌,是在自動化的基礎上,結合人工智慧、大數據、雲端、物聯網等快速應用的科技,精進至彈性決策、聰明生產的智慧製造……台灣當務之急,特別是中小企業,應該發展「工業3.5」,作為目前的「工業3.0」和未來的「工業4.0」之間的混合策略。工業3.5的概念,就像人和智慧機器合作,配合數位決策大腦的鋼鐵人。 完全用機器或AI取代人的投資項目,對大多數台灣的中小企業來說,其實是落在ROI與KPI座標系第三象限的項目,除了需要大量投資之外,現階段所能取得的效益其實也有限。混和了人與智慧機器的工業3.5,才能讓中小型製造業穩健地朝數位轉型的目標邁進。 當心路徑依存陷阱 中小企業主事者在為自家公司制定數位轉型計畫時,除了要隨時緊抓KPI與ROI之外,還必須為日後的發展路徑做好準備,以免在不同階段完成的轉型項目,最後在進行整合時,出現難以相容甚至彼此衝突的棘手狀況。簡言之,計畫制定者就像下一盤大棋的棋手,必須具備設想三到五手後棋盤上的局勢,並預先做好對應的安排。 要培養這個能力,首先必須要具備路徑依存的概念。事實上,就像下棋一樣,決策者每做出一個決定,同時也會限制未來能選擇的發展路徑,這就是所謂的路徑依存。 用比較容易理解的情況來解釋,當某家製造業者選擇某種網路技術來搭建廠區的工業物聯網時,日後新增的節點設備就必須要支援同一種網路技術,不然新舊設備可能會出現難以相容的問題,除非是刻意要打造多個網路,並且讓不同網路保持獨立運作狀態。 同樣的,當業者選定了某一個雲端平台後,就會被該平台的應用生態系綁死,除非不同平台之間有規劃完善的轉換機制,否則要把原本建立在某一平台上的應用搬遷到另一個平台上,會是一個大工程。 雖然目前各家解決方案供應商都高舉開放大旗,但開放跟封閉是相對的觀念。過去工業設備跟相關軟體解決方案產業是極度封閉的,許多大廠牌都有自己的資料傳輸、控制命令協定,只能跟自家的其他產品互通。現在的情況則稍有轉變,從單一品牌通包變成各品牌彼此結盟,共建生態圈。 跟完全只能用單一品牌業者的情況相比,現在的情況當然是比過去開放,但這所謂的開放,其實也只存在於同一陣營或產業聯盟間,跨陣營的互通還是會很容易出現問題。 展望未來,工業領域的設備跟軟體供應商,除了少數特殊情況,將越來越難用自有標準綁客戶,因為整個產業的趨勢是越來越開放。對製造業者來說,此一趨勢固然是有利的,但製造業者還是需要對技術的路徑依存問題提高警覺,畢竟新舊設備不相容,在強調萬物互聯的物聯網時代,會造成更嚴重的問題。 當然,只要市場存在跨廠牌/跨陣營設備整合的需求,自然就會有對應的供給出現,這也是實務上很少有製造業者會整條生產線採用同一品牌設備的原因。協定轉譯、機台改造等軟硬體解決方案,都已經行之有年,也是用戶得以避免被供應商綁死的巧門鎖在。 另一方面,雲端運算是製造業數位轉型中新出現的元素,很多製造業者對此並不熟悉,因此在選擇服務供應商時,常會忽略了服務供應商轉換的隱形成本。雲端平台其實也是一個個生態系彼此競爭的市場,有些服務供應商為了挖對手的牆角,會提供對應的轉換工具,降低用戶平台轉換的成本。但不同的雲平台終究有不同的生態系統,有些應用或工具就專屬於某一平台。 當用戶還停留在資料可視化階段的時候,不同平台之間還看不太出差異,但如果用戶要發展更進階的資料分析工具,或是尋找現成可用的第三方應用時,就會有很明顯的感受。這也是為何Google的雲端服務幾乎橫掃個人用戶市場,但在工業雲上的能見度跟市占率,會遠不如微軟(Microsoft)、亞馬遜(Amazon)等其他雲端服務供應商的原因。 企業運作不能脫離基層 現場人員意見不可少 雖然數位轉型必須要由上而下推動,且主事者的意志跟計畫品質良窳攸關整間公司數位轉型的成敗,但有意推動數位轉型的企業管理高層,除了要時時刻刻從KPI與ROI兩個面向來思考問題,並小心避開路徑依存陷阱之外,也必須懂得聆聽第一線人員的聲音,方能避免錯誤的決策。 第一線人員不僅是設備的直接使用者,同時也是最熟悉製造流程中諸多細節的人。如果製造業的數位轉型計畫完全是由管理層由上而下推動,基層人員的想法或建言沒有納入,會很容易出現盲點。由下而上跟由上而下兩條路線同等重要。由上而下的推動,重點在讓全體員工了解企業數位轉型的大方向要怎麼走;由下而上的推動,則是要為了抓緊細節,避免企業的數位轉型計畫不接地氣。 也因為第一線人員的參與,對企業數位轉型的成敗十分關鍵,如何讓公司從上到下都了解數位轉型的真實面貌,進而為組織轉型做出貢獻,是非常重要的。 資料透明化是實現數位轉型必要的基礎建設,但資料透明不是人人都喜歡的事情。資料透明意味著企業的管理階層可以清楚掌握製造現場的狀況,甚至做到即時管理,這對基層員工來說是有壓力的。舉個最簡單的例子,沒有人希望自己上班時的一舉一動都被老闆盯著看。 另一方面,做產線主管的人,在資料透明化之後,自己的管理思維也得跟著改變。看到蜂擁而來的即時資料,其實管理者也不輕鬆。因為有資料,當中階主管的人會比過去更容易落入微觀管理(Micro Management)的陷阱。製造業固然是非常講求工作紀律的產業,但如果主管不分大小事都要介入,結果肯定是吃力不討好。 總結來說,企業要進行工業4.0或數位轉型,不只是導入工業物聯網或是把資料傳到雲端去做大數據分析就好。技術面的問題容易解決,組織文化跟管理風格的問題比較難解。因此,如果企業內部已經有資料驅動的文化跟機制,只是資料的取得還沒有那麼自動化,推動工業4.0會比較單純。但如果企業本身還沒有建立起重視文件記錄跟用資料做決策的文化與運作機制,導入工業4.0就會牽涉到組織文化的變動,這才是真正的挑戰所在。
0

提高連接器空間強化密度 資料中心電源管理效率大增

對於現代的連接器設計來說,一方面對電源的要求一直在穩步提升,也因此,令解決空間和發熱問題亦變得越來越重要。 如今,全球每分鐘的網路傳輸量將近9,000萬筆,也就是每秒鐘150萬次。全部的電子郵件、應用下載、視訊傳輸、社交媒體互動,以及零售購買等,都是透過一個全球性的資料中心網路而實現的。在交換機、路由器及冷卻設備所構成的網路的支援下,這些資料中心可以容納多達10,000台的伺服器,而這一切設備都要依靠越來越多的電力才能良好運行。 根據研究單位預估,美國資料中心的耗電量每五年就會倍增,這樣,對於支付電費的資料中心業主、必須根據需要提供電力的電氣公用事業部門,以及關心著大規模發電所產生的廣泛影響的政府官員們來說,電力的消耗速度正越來越多,相當值得關注。 向資料中心輸送電力的網路,同時也在向家庭和商業供電;然而,儘管美國家庭一般是使用220伏的電力,資料中心卻必須採用數千伏的電壓才能滿足處理器執行在電力上的巨大需求,這些處理器在計算能力上處於核心地位,推動著網際網路的運作。 轉換與分配決定電源架構效率 資料中心採用一種稱為「電源單位效率」的方法來評估電源架構的效率,此方法也稱為PUE。 PUE是將輸送到資料中心的總功率除以輸送到關鍵負載(伺服器)的功率,而理想的PUE值為1。舉例來說,1.7的PUE意味著,每向負載輸送1瓦的功率,在配電和冷卻上就要損失掉0.7瓦。根據報導,2018年對資料中心測得的PUE水準在1.6左右。 最重要的轉換過程之一就發生在機架上。為了達到所需的計算能力,會需要數千台的伺服器。除了伺服器以外,還要利用交換機來管理伺服器之間,以及從伺服器到外界的通訊。 在大量的電力所輸送到的機架上,容納著30~35台的1U伺服器,這些伺服器越來越多地利用3,000千瓦的供電機組(PSU)來供電。 PSU通常位於機架的底部,可以將電力轉換成電壓水準各不相同的電源軌。以208伏直流電壓進入到PSU的電力將轉換為3.3、5和12伏的電源軌,從而滿足伺服器和交換機內部各種不同元件的需求,例如含處理器的主機板、適配器卡和顯示卡、PCIe和記憶體等等。 此外,機架中還會容納提供冷卻氣流所需的大量風扇。輸送到伺服器的很大一部分電力都會轉換成熱量。在電力從交流轉換成直流,以及從直流轉換成直流的過程中,在轉換過程中自然而然會發生這種熱損失。 封裝/熱為功率管理兩大挑戰 對這種與日俱增的功率進行管理,在涉及到封裝空間和熱管理的時候,就會產生巨大的挑戰。儘管對電源的需求一直在穩步提升,為電源以及背部的重要連接器分配的空間卻並沒有發生過變化。 回到伺服器部署的早期時候,伺服器系統基礎設施(SSI)要求使用400~600瓦的電源,而電源I/O則會使用4~6台葉片式電源,其中每個葉片的額定電流為30安,從而將所需的功率輸送到伺服器。時至今日,對於連接器企業的要求則是電源I/O在相同空間內承載的電流能夠達到以前的三倍。 基準性的規範可能會需要6~8台葉片式電源,其中每個葉片能夠承載70~80安的電流,並且溫升(即T-rise)不超過30度。在確定這類電源連接器的額定值時,對電流進行測量可以作為一種很直觀的方式。 然而,溫升的測量則極其的複雜,像是連接器內部熱電偶的位置等問題,會對溫度的測量產生影響。PSU中線路層含銅的印刷電路板、線路層的厚度以及體積上的設計,都會與溫升有關。在熱評估過程中,往往會觀測到熱量從印刷電路板傳遞到連接器,由於連接器的供應商並不希望使連接器起到散熱片的作用,這就引起了一場關於適當的熱平衡的討論。 加強連接器密度降低資料中心成本 連接器的設計人員現在不得不去考慮各種具有創造性的熱量和電流管理解決方案。儘管在連接器的額定值計算中不能將氣流考慮在內,目前在外殼中經常會設計通風功能,以便耗散掉熱量並防止過熱。 由基礎物理學得知,為承載更多電流,需要的只不過是更多銅材料。在銅合金領域取得的進步可以提高導電性,但這些進步並不會跟得上對更高電流密度的需求。同樣,觸點設計上的改進可以改善PSU介面和連接點之間經常發生的功率損耗的情況,這種連接點可能是互連系統的插入部分,有時候也會是印刷電路板的卡邊緣,但是並不能依靠這些改進成果來顯著的提高電流密度。 廣大的客戶目前正要求連接器的設計人員來減小電源觸點之間的中線間距;然而,縮小間距會在印刷電路板的體積上以及連接器本身的內部造成相互發熱的問題。 連接器在過去40年來主要圍繞著提高密度而發展。但是,業界現在正走向另一個階段,那就是必須考慮增加空間以提高功率,或者是對用於評估連接器效能和額定值的慣例進行檢驗。據認為,資料中心的電效率每提高1%,就會節省數以百萬美元計的成本。由於節省成本的潛力是如此之大,在資料中心的業主、電氣公用事業的提供商以及政府官員之間的活躍討論當然還會繼續進行一段時間。 (本文作者為Molex電源產品總監)
0

強化訊息獲取能力 5G車聯網駛向自駕之路

聯網化是近年車輛發展的重點之一,根據產業調查機構研究指出至2020年聯網車輛將增至6,100萬輛;2016年車聯網市場產值突破190億美元,2015至2020年的年均複合成長率高達31.5%,2020年將進一步突破500億美元。車聯網(V2X)可分成車對車(V2V)、車隊基礎設施(V2I)、車對人(V2P)等幾個類別,尤其5G的R16技術標準,將是第一版5G C-V2X技術。在先進駕駛輔助系統ADAS已大量搭載到市售車上之後,車聯網可以進一步強化車輛獲得訊息的能力,為車輛安全性再加值。 包括入門的自動緊急呼叫與道路故障救援服務,未來透過車聯網還可以讓汽車更智慧化、個性化;車聯網技術主流為3GPP主導的C-V2X和IEEE發展已久的802.11p專用短距離通訊(DSRC)。在自駕功能朝向Level 3與Level 4等高階功能發展的過程中,車聯網導入應用將越來越普遍,本活動剖析5G C-V2X、DSRC技術標準發展動態,並分享車用網路的應用發展趨勢與產業商機。 車聯網應用首重反應時間 車輛聯網由來已久,近年來比較嚴格的定義為車輛主動通訊技術,事實上,車輛通訊架構非常複雜,工研院資通所車載資通訊與控制系統組副組長李夏新(圖1)指出,目前已經有許多車輛通訊在運行當中,並透過不同的技術滿足不同的任務與需求,美國汽車工程師協會(SAE)就推動訂立了基本安全訊息(Basic Safety Message, BSM),包括車輛的位置、方向、速度、行駛軌跡,成為產業共通標準,讓車輛訊息可以溝通。 圖1 工研院資通所車載資通訊與控制系統組副組長李夏新指出,反應時間就是車聯網最重要的技術指標。 除了車對車通訊的V2V之外,基礎建設與車輛的通訊V2I重點包括:地圖訊息與SPaT(Signal Phase & Timing)的路口交通號誌資訊。李夏新直言,車輛在路上行駛,速度動輒上百公里,而且馬路上突發事件瞬息萬變,反應時間就是車聯網最重要的技術指標,目前的多項無線通訊技術中,只有WAVE/DSRC可以滿足主動式安全對於反應時間的需求。一般而言,交通訊號違規警告(Traffic Signal Violation Warning)約0.1秒,彎道車速警示(Curve Speed Warning, CSW)約1秒,緊急電子煞車警示(Emergency Electronic Brake Light, EEBL)約0.1秒,碰撞前感測(Pre-Crash Sensing)更僅約0.02秒。 工研院近年也利用現有軟硬體技術,發展一系列智慧道路安全警示系統iRoadSafe,李夏新解釋,該系統的運作原理與流程為,使用雷達與光達偵測車輛與行人,接著路側運算單元與車輛運算單元會根據接收到的感測訊息,推估碰撞的可能,分別透過路側安全警示與車內安全警示發報警告,提供行人或駕駛預警,降低事故發生風險,再將資料上傳至後台儲存。 C-V2X R17版本改善延遲性 DSRC目前雖能提供較低的反應時間,滿足預防碰撞警示、隊列行駛(Platooning)與部分先進駕駛輔助功能,但傳輸速率僅達27Mbps,4G LTE...
0

專訪高通執行長Steve Mollenkopf 2020年消費者難拒絕5G手機

Mollenkopf指出,5G的快速發展,一部分跟消費者希望有更快的傳輸速度有關,另一部分則是電信營運業者的大力推動,5G有兩大優勢特別受到電信業者的青睞。 首先,相較於4G,5G傳輸更有效率。Mollenkopf說明,5G使電信業者能夠因應持續上升的無線影音傳輸需求,滿足消費者對行動影音服務的龐大胃口;不僅如此,5G網路傳輸影片成本大約是現今技術的30分之1,且5G標準可以與新的無線電頻寬相容,提供更多創新服務,有時還能與有線寬頻競爭。 其次,5G將能串聯所有事物,讓各行各業實現數位化,像是以安全的方式遠端操控裝置,這是行動技術首次符合產業需求,不僅適用於消費者,各產業如醫療保健、教育、智慧城市等領域都能導入5G技術。 Mollenkopf指出,消費者和產業對於數據的需求正在急劇上升,若電信業者沒有良好的5G部署策略,將會在這波5G浪潮中處於落後的位置,且永遠無法追趕上領先者。而高通在這波5G浪潮中,扮演的不單單是單純的晶片製造/供應商,而是研發基礎技術的企業,不僅和各行業分享各種標準,也會提供支援的晶片,藉此發展能讓產業大規模應用的無線技術。 簡而言之,Mollenkopf認為,5G使電信業者能滿足大量數據傳輸需求,有了5G之後,消費者可以擁有更好的行動裝置體驗,不論是軟體更新、行動串流媒體、隨時更新個人社群等。到了2020年,5G將更加無處不在,不購買5G手機對消費者而言將是件困難的事情。 行動通訊晶片供應商高通執行長Steve Mollenkopf表示,5G讓消費者享有更快速的傳輸體驗,2020年消費者很難不買5G手機。  
0

專訪工研院機械與機電系統研究所所長胡竹生 創新智慧機械成果助力台灣升級

工研院機械與機電系統研究所所長胡竹生表示,隨著產業轉型、社會消費型態改變,全球機械產業面臨少量多樣的生產挑戰;面對當前客製化的新生產模式,在在需要智慧製造技術,來增進生產效率和品質。而研發型法人一直是機械業的好夥伴,工研院開發高階且跨領域的創新機器人技術,譬如整合多功能的機器人與檢測系統,並投入機器人聯網標準的研發,希冀成為產業最佳後盾、讓工廠製造流程更自動彈性,打破智慧製造的升級瓶頸。 據悉,智慧砂帶機與亮面瑕疵檢測系統具備三合一多功不占空間的特色。過往的水五金產線的砂帶機,通常一台只有一種功能,僅能研磨或拋光。然而,新發表的智慧砂帶機配置兩種粗細砂帶,搭配亮面瑕疵檢測系統,能一台完成由粗到細的研磨、拋光及檢測瑕疵。 同時,砂帶機具備多接觸輪設計跟旋轉平台,能改變砂帶形狀、寬度跟角度來符合各式工件形狀,還可旋轉砂帶機台配合機器手臂研磨,減少研磨死角;而亮面瑕疵檢測系統結合人工智慧(AI)影像檢測,有助判斷工件是否有瑕疵、降低人工檢查時間。 至於線上即時3D視覺檢測系統,則是透過「雙眼」齊視的特色,提升視覺檢測效率。傳統機器手臂採用的檢測設備,通常僅具備2D或3D視覺檢測功能,不但面臨檢測時間長、耗費人力操作,還只能檢測小型零組件如手機元件,無法檢測大型工件。而線上即時3D視覺檢測系統結合機械手臂,可同時進行2D跟3D視覺檢測,更能檢測大範圍、高曲度的工件,在單站即能完成多樣化產品檢測需求,可應用於航太、車輛運具零組件、模具射出、沖壓成型產品的檢測。 工研院機械與機電系統研究所所長胡竹生表示,工研院開發高階且跨領域的創新機器人技術,助力業者實現高階智慧製造。  
0

AI衍生大量儲存/運算需求 記憶體速度/密度/頻寬再進化

人工智慧(AI)革命不僅僅是工業系統的自然發展,更是資料經濟中為突破瓶頸的必要改變:針對無法儲存並及時處理龐大資料量以產出得以輔佐決策資訊的困境,這是必要的解方,而這一切都源自於大量擷取及收集的工業生產數據。 過去工業系統在進行各層級決策時仰賴專家協助,也相當倚賴資料處理速度與頻寬技術的進步,而未來人工智慧架構內建的平行處理將更著重記憶與儲存之設計與表現,改變幅度之大前所未見。從邊緣到資料中心所採用的感測器及人工智慧系統都為了因應全新需求必須不斷調整改變,而這也將是資料經濟中推動競爭力的關鍵所在。 隨著人工智慧與機器學習技術持續演進,這樣的發展對於解決方案提供者亦形成挑戰,大幅改變其對需求及使用場景的期待。因此,為了因應不斷改變的需求並幫助未來智慧系統的發展,記憶體與儲存硬體的設計必須將人工智慧也納入考量。 本文將探討現今與未來人工智慧的價值及限制。記憶體與儲存系統將如何提升人工智慧效能,以加速新資料經濟的成長,是目前需迫切關注與討論的議題。 AI系統可根據即時資料快速決策 囿於今日資料處理系統的侷限,目前仍有龐大資料未獲AI運用。不過,更多資料量正被以更快的速度、更低的延遲及更高的解析度被擷取下來。相較於以過往的理論與近似法來處理複雜系統,現在已能利用實際資料集來訓練AI與機器學習的演算法。 在AI系統的全新功能下,今日AI已不仰仗一大批經高度訓練的專家耗費漫長的開發時間進行分析,而可透過經驗累積不斷改進的有機學習系統。除此之外,AI系統經設計後可根據即時資料快速做出決策,並在看似毫不相干的龐雜資訊中找到彼此關聯。 針對龐大的資訊量以及各層級對資料處理的需求,在現今資訊多元的社會中,導入具備廣泛功能的AI系統成了唯一可能的解決方案。因此,必須在邊緣裝置部署AI,以便處理並決定資料價值,接著再將預先處理的資訊傳送至雲端,或將原始資料傳送到更大且功能更強的雲端AI做進一步處理與儲存。對邊緣裝置來說,延遲是關鍵考量,而雲端則更倚賴平行運算、大量儲存及處理龐大資料的能力。 相較於過去的資料處理科技,在新的AI使用案例中,記憶體與儲存的影響力更大。資料處理在早期有瓶頸,因此更著重CPU處理量,時至今日,記憶體的速度與頻寬、資料儲存的速度與資料量則成了採用AI及推動更複雜機器學習運算法和智慧型系統的限制因素(圖1)。 圖1 AI/機器學習訓練中記憶體與儲存之重要性。 AI推動記憶體/儲存加速發展 多元且不斷演進的AI應用在許多方面都推動了記憶體與儲存的需求,包括AI訓練階段、邊緣處理、雲端AI執行等。影響記憶體效能的關鍵因素包括頻寬、密度、延遲、功率與成本。每一個AI應用都需在這幾項要素中取得平衡,也會受到使用的記憶體與儲存裝置影響。 AI訓練需具快速讀取吞吐量的大量儲存支援,更快的儲存讀取速度可加速訓練時間,而更龐大的訓練資料集亦可藉由更高的儲存密度被使用,這些要素最終都將影響AI系統的正確性與效用。此外,高頻寬、高密度的記憶體也能改善訓練時間,並在訓練期間採用更大的分析模型,以提升精準運算及AI的正確性。在訓練中採用更龐大的資料集、龐大的資料量、更強的儲存與記憶體密度、吞吐量等,都會直接影響AI處理結果的真實性,以及在細微差異情境中執行決策的能力。 另一方面,針對AI推論的需求,以及AI於資訊/決策過程中的階層,也會影響記憶體與儲存的要求。對於自駕車、通訊、安全和其他邊緣應用等即時應用,功率和延遲相較於頻寬及吞吐量更為重要。電池充電與行動裝置能支援記憶體與儲存的容量與功率都較小,這類應用也和雲端或AI訓練不一樣,對於邊緣的高效能儲存需求也較低。 智慧邊緣應用勢必得在成本與表現上妥協,儘管高成本與效能的記憶體可能無法迎合大眾市場對於AI應用的需求,但雲端AI與關鍵的AI基礎架構可能需要搭配更高效能的記憶體與儲存。 隨著AI逐漸成熟,記憶體與儲存解決方案將有機會優化。這個產業不管是從資料中心、雲端、或是智慧邊緣運算和智慧端點裝置,各領域的AI部署都將會出現轉變。通常在資料中心進行的AI運算會因「資料重力」而轉往資料來源的AI應用,提供不同的記憶體與儲存服務(圖2)。 圖2 不同任務需要不同的記憶體與儲存方案。 先進記憶體架構為AI開創新機會 目前,記憶體架構正出現一場革命性的改變,各種架構將協助未來AI應用的發展。 如DDR4等動態隨機存取記憶體(DRAM)是資料中心與伺服器應用的主力。為了採用更大量的數據,從DDR4轉換至DDR5將為效能及密度帶來前所未見、更大幅度的改變。可以預見未來多數的資料中心將會使用DDR5記憶體,其中有不少將會執行AI與通訊應用。主因是DDR5的效能預計將更勝DDR4。未來DDR5的優勢包括: DDR通道從12道提升到16道,進而提升記憶體晶片密度(從64GB提升至128GB)。 .工作頻率與匯流排效率提升。 .記憶體群組增加。 .更新機制改善。 .有助於在更高階工作模式中表現穩定的輔助功能。 從LPDDR4轉換到LPDDR5的過程也類似DDR5的轉換,目的在提升記憶體頻寬的同時,降低執行時間使用功率,並採用可減少總功耗的功能。DDR5主要使用在資料中心與個人電腦,LPDDR5則著重於邊緣AI應用與行動裝置等對於體積、成本、功率有嚴苛要求的領域。由於LPDDR5卓越的表現及功率優勢,未來可望突破傳統產業與應用,進一步擴大至其他應用範圍。 GDDR記憶體與DDR記憶體的不同在於圖像應用需要更強大的平行運算及更低的延遲,而非記憶體密度。GDDR5出現已近10年,直到現在才輪到GDDR6上場,而GDDR6規格已完備,將成為AI近期主力。標準的GDDR6速度高達16Gb/s,每晶片頻寬達72Gb/s。GDDR5/5X的電壓為1.5V,GDDR6的操作電壓則降低至1.3V。此外,GDDR6同時配有2通道,記憶體大小是GDDR5的兩倍。相較於GDDR5,GDDR6提供表現更強大的解決方案,鎖定需低延遲與高頻寬的AI應用。因此,GDDR6將更可能運用在AI硬體,並整合到要求延遲低但成本彈性較高的關鍵系統中。 高頻寬記憶體(High Bandwidth Memory, HBM)和混合記憶體立方體(Hybrid Memory Cube, HMC)是為了克服2D DRAM技術的記憶體頻寬瓶頸而研發出的3D DRAM 技術。HBM晶片採用堆疊式DRAM晶片,具備額外I/Q連接埠,根據堆疊式晶片的數量同步增加記憶體頻寬。 記憶體頻寬增加後,更接近處理核心(通常是GPU或FPGA),相較於2D記憶體技術能進一步減少整體延遲。與2D DRAM解決方案相比,HBM記憶體的功耗與2D足跡也更小。 最新一代的HBM(HBM2)在記憶體速度、頻寬、密度等表現都更優異。HBM3也大致相同,但其最高記憶體容量則遜於GDDR5/5x/6。此外,由於HBM晶片有獨特的製造過程並額外採用矽,其成本比其他DRAM技術都更高。 需要更多近記憶體頻寬、速度、低延遲以及少量化足跡的AI應用未來可望採用HBM2/HBM3記憶體。這類應用包括複雜的AI訓練及要求極致效能的關鍵推論應用。 人工智慧解決方案過去聚焦於運算能力,如今我們則了解到在人工智慧系統的設計必須同時兼顧記憶體與儲存的面向。針對可能限制未來人工智慧應用的頻寬、延遲、密度、功率、成本等瓶頸,新一代的記憶體與儲存科技將扮演關鍵要角。 (本文作者為美光運算與網路業務部門資源副總暨總經理)
0

節能省時又安全 V2X/IoT落實智慧交通應用

隨著世界人口與車輛越來越多,交通問題已經不容忽視。有賴資通訊技術與科技發展,智慧交通有望解決眼前日益湧現的交通問題,同時為解決相關問題,交通創新應用也將邁向多元化發展。 IDC資深分析師蔡亦真表示,從2008年以來全球交通已經成長了13%,且光是城市地區就產生了50~60%的溫室氣體(GHG),溫室氣體會造成全球暖化、氣溫上升、氣候異常等問題,因此巴黎協定已經規範到了2030年全世界140多個國家,必須降低溫室氣體排放70~95%。另外,以美國為例,可以看到美國每年在處理交通方面的花費占了GDP的3.3%,目前美國有2.5億輛汽車,預估到了2035年會達到17億輛的數目。越來越多的車輛,已經造成了交通壅擠和事故的問題,但其實這些問題是可以藉由智慧交通非常有效率地解決的,由於資通訊技術的發展,讓這些交通問題有望順利地解決。 所謂的智慧交通,就是交通管理的智慧化。管理人與車,無論是人在移動上的需求、非公共車輛的停車需求,或是人跟車和車跟車之間移動的需求,這些需求是須要被協調的,但目前協調這些需求仍存在幾個挑戰。包括道路容量有限、汙染、停車、道路與車輛的損壞以及駕駛者狀態等問題,皆是現在智慧交通所要解決的狀況。 蔡亦真認為應該利用資通訊的技術發展車聯網(V2X)和物聯網(IoT)在智慧交通的應用。藉由IoT實現智慧交通管理、路線規劃、智慧停車系統(Smart Parking System),以解決目前的交通問題。她同時提到,智慧交通的發展主軸應該環繞四大主題,即安全、減少交通事故、發展智慧應用和串連政府各單位的平台(如警局、醫院、消防局等)。目前常見的智慧交通應用有:交通號誌的管理智慧化、路程導航、道路公共運輸、路況蒐集、車位尋找和危險預警等。 蔡亦真舉例說明,以新加坡國立大學(National University of Singapore, NUS)的自駕車計畫為例,以學生與上班族為對象,在新加坡國立大學周圍的固定路線行駛,並已經有78,000個用戶登錄到網路上。這項計畫由政府、學研、電信商、公共運輸業者、系統整合商、數據服務商與店家共同合作完成,不僅能提供交通安全保障減少交通壅塞,並能節省能源和人力成本的消耗,達到智慧交通的願景。 79GHz雷達系統減少30%交通事故 新加坡國立大學的自駕車計畫不但發展了智慧應用,更串連了政府各個單位平台。至於針對減少交通事故提升安全性的部分,松下台灣(Panasonic Taiwan)攜手資訊工業策進會(Institute for Information Industry, III)研發了79GHz雷達系統,可以有效地降低30%交通事故發生機率,將車聯網技術在日常生活中實現,同時也更加促進智慧運輸系統(ITS)的發展。 Panasonic Taiwan副執行長青山恭弘表示,為了進一步改善日本、美國和亞洲地區不同環境中的交通技術,Panasonic針對ITS進行了許多調查與研究,為了減少交通事故的發生,傾力研發可以因應不同類型交通環境,精確監測交通流量的79GHz雷達技術。 青山恭弘指出,自2010年以來,Panasonic一直致力於研究79GHz雷達技術,目前已經可以精確地監測交通流量與物件。Panasonic將這項技術與III的CCTV影像技術(深度學習)相結合(表1),利用此系統可以在道路上測試現場的交通狀況。79GHz雷達藉由檢測反射回來的高頻波形,在惡劣的天氣與黑暗中都可以高度精準地感測物體與交通狀況。 青山恭弘進一步說明,由於大多數交通事故是粗心駕駛以及超速違規所造成的。然而經由統計資料可以發現,在下雨的情況下或是夜間的肇事次數又是其他時候的兩倍以上。因此針對雨天與夜晚採取應對措施就可以有效地減少交通事故發生。Panasonic與III合作的79GHz雷達系統可以預防52%的交通問題,例如超速、闖紅燈、違反停止號誌等。另外有58%的交通事故都發生在十字路口,因此在十字路口安裝79GHz雷達系統,以台灣的交通狀況來看,可以有效減少至少30%的交通事故。 另外,青山恭弘也提到,Panasonic為了讓技術更適應複雜的交通場域,要了解亞洲的交通環境,台灣是非常合適的研究場所。同時,與當地的技術交流也是非常重要的進步動力,因此Panasonic希望能與III保持密切合作,致力於開發新一代C-V2X的技術。 掌握即時資訊交通管理更有效 智慧交通除了如上述的自駕車計畫和雷達系統可以幫助節省人力和能源、提升安全性之外,若能善用交通即時資訊,即可提升交通設施與資源的使用效率,進而節省人們的時間成本,和交通設施的大量成本。 資策會資深產業分析師兼組長鄭兆倫表示,都市是一個有效率的集合體,不管是經濟或是科技發展都因都市化而能夠更加迅速地成長,但是相對地,要付出的代價就是交通成本的增加。巨大的交通壓力促使智慧交通需求增加,善用交通即時資訊降低交通設施與資源成本,藉此改善交通管理精度。 都市化產生了巨大的社會成本,由於需要更多交通設施,都市空間因而被壓縮(圖1);而塞車導致的每人無生產力時間每年大約為1周;交通壓力大導致事故衝擊數量上升,因此政府也需要提高預算來因應事故發生與避免其發生。隨著都市化程度增加,這些情況只會更加嚴峻。 圖1 人口的增加與都市化使交通壓力日益上升。 鄭兆倫進一步說明,智慧交通藉由將靜態資料轉換為即時資料,可以提升交通管理精度(圖2),更有效率地使用交通資源(例如道路或停車設施),降低設施與資源的閒置率。因此可以說,擁有交通資料即擁有參與交通新商業模式的本錢。可以發現過往製做地圖的公司都轉向提供交通即時資料的服務,甚至是交通預測服務。例如TomTom(地圖、導航和GPS設備公司)併購了波蘭最大車隊管理業者Finder,交通數據業者INRIX則併購了世界最大停車APP ParkMe,而戴勒姆(Daimler)、奧迪(Audi)、寶馬(BMW)則共同持股Nokia推出的地圖系統HERE。 圖2 各種智慧運輸系統提升運輸效率。 資料來源:ETSI MIC整理,2019年 鄭兆倫指出,智慧交通也帶來了產業結構的改變,技術與產品組合多樣化、市場區隔細緻化使產業結構更加複雜。 然而未來的資料(Data)就是本錢,因應前述挑戰,擁有交通資料的廠商可以藉由跟政府或是企業合作,進行新的互動模式,並找到新的應用商機,如此就能在智慧交通的領域開創更多機會與商機。
0

優化辨識速度與準確率 PerceptIn堅定安全低速自駕之路

目前,較具備發展前景的技術是電腦視覺,馬羽佳強調,其具備較好的環境感知功能,也因為技術成熟、價格親民,因此導入大規模應用有相對優勢。此外,多感測器資訊融合技術也備受關注,該技術能夠對各類訊息進行篩選及融合,以提供全面的環境資訊進行決策,保障車輛行駛的穩定和安全。 PerceptIn發展適用於低速園區的自動駕駛載具,例如遊樂園、學校、科學園區等。根據不同的場景,自動駕駛技術可與載人、零售、廣告等功能的車輛結合,滿足不同的使用需求。 PerceptIn的視覺感測技術可讓自駕車辨識行駛過程中的車及行人,達到避障效果,辨識速度低於0.1秒,準確率達90%以上。 馬羽佳說明,PerceptIn透過優化系統內部資料傳輸以降低系統延遲,並將系統到電腦之間的傳輸優化,基於不同架構平台包括GPU、FPGA等的移植加速。而為了提高準確率,該公司也針對視覺演算法本身,同時使用深度學習和幾何視覺方法,達到視覺資訊交叉驗證;以「安全低速」為核心,讓自駕應用進行成本有效控制與採用相對成熟、可靠技術的前提下快速落地。 PerceptIn商務拓展經理馬羽佳指出,該公司降低系統延遲,並提高準確率,以「安全低速」為自駕技術應用發展核心。  
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -