- Advertisement -
首頁 標籤 自駕車

自駕車

- Advertisment -

工研院ICT TechDay推動未來智慧商機

AI人工智慧及5G是被預期下一個十年最重要的技術,工研院舉辦一年一度的ICT TechDay(資通訊科技日),展示超過20項最新資通訊創新技術,從AI晶片與應用、資訊安全、自駕車與無人機,到5G通訊與邊緣運算四大領域,臺灣在半導體和資通訊產業已有一定優勢,在AI人工智慧與5G物聯網催生下,業者有機會在全球供應鏈搶進核心地位,扮演下世代資訊科技重要角色。 工研院舉行2020 ICT TechDay,邀請重量級貴賓分享ICT產業趨勢。圖左至右為臺灣雲端物聯網產業協會理事長徐爵民、工研院資通所所長闕志克、電電公會理事長李詩欽 工研院資訊與通訊研究所所長闕志克表示,隨著AI人工智慧技術快速發展,AI人工智慧發展重點將從軟體走向硬體,從集中式運算走向邊緣運算(Edge Computing);工研院從晶片、架構及應用三方面著手,開發AI推論晶片(DNN Inference Chip)、AI推論架構(DNN Inference Architecture),到DNN Model與應用的AI人工智慧Total solution,為產業提供多元的AI人工智慧端到端解決方案。 工研院研發「AI深度學習演算法」,影像辨識可由類神經網路自我學成,技術精準度超過99% 闕志克認為,5G多元應用所帶動的新市場也備受關注,尤其是5G專網方面。製造業對生產可靠度需求高,精準掌握生產及設備數據,長年都有蒐集智慧發展所需的數據資訊,加上產業上中下游供應連結度強,互動性高,因此,在面對快速少量、彈性、多元製造需求下,運用5G專網發展智慧製造將是製造業者具備差異化的重要工具,也是所有應用場域中最早落實的產業。目前看到5G專網將有三種方式推動,公網、公網白牌化、專網專頻,公網白牌化採用開放架構設備,網通業者及系統整合商將有更多投入的新機會;專網專頻有機會因工廠等智慧場域已普遍採用Wi-Fi系統,可透過Wi-Fi技術升級與5G專網整合,Wi-Fi設備商及提供應用服務的系統整合業者也可望迎來另一波成長的機會。 工研院研發無人機AI美學攝影技術,透過蒐集網美照片整理出多種拍照風格,再搭配AI影像辨識,讓無人機模仿專業攝影師的拍照手法,自動取景拍出最優畫面 在AI相關解決方案部分,ICT TechDay展示「AI深度學習演算法」、「應用程式白名單」、「無人機AI美學攝影體驗」、「自駕車管理系統與運算平台」、「行動邊緣運算系統專網」等20餘項關鍵技術。例如工研院研發 AI深度學習演算法,攜手新創公司邁爾凌科技及遠東集團旗下軟體公司遠創智慧,開發國產AI車牌辨識解決方案,提供關鍵演算法、訓練器打造國產AI軟韌體訓練整合模組,搶攻新市場。
0

賽靈思/德國馬牌攜手開發自駕車可投產4D成像雷達

賽靈思(Xilinx)與德國馬牌(Continental)日前宣布,賽靈思的Zynq Ultra Scale+ MPSoC平台將支援德國馬牌的新型先進雷達感測器(ARS)540,兩家公司攜手開發首款已可投產的車用4D成像雷達。這項合作將使新生產的車款搭載ARS540以實現SAE J3016 L2的功能,並為達成L5的自動駕駛系統預先做好準備。 4D成像雷達能透過距離、方位、仰角和相對速度確定物體位置,進而提供詳細的駕駛環境資訊,這是僅蒐集速度和方位資料的傳統汽車雷達系統無法提供的全新功能。德國馬牌的ARS540是一款高階長距離4D成像雷達,不僅擁有高解析度,且偵測距離長達300公尺。它的視野寬度為±60°,可實現多重假設追蹤(Multiple Hypothesis Tracking),為駕駛提供精確的預測,而這對於處理複雜的駕駛狀況來說至關重要,例如偵測橋下交通堵塞的情況。此外,ARS540系統擁有較高的水平解析度和垂直解析度,便於偵測道路上的潛在危險物體並做出適當反應。ARS540充分展現這款感測器可擴展的應用能力,不僅能支援由人類駕駛負責監控車輛的SAE L2,還能提升至L5的全自動駕駛。 德國馬牌雷達專案管理負責人Norbert Hammerschmidt表示,賽靈思Zynq UltraScale+ MPSoC平台提供ARS540所需的高效能和先進的DSP功能,並結合了靈活應變能力,給予該公司市場的網路介面選擇。這些網路介面能處理在高集合傳輸率下的多種天線資料。德國馬牌近期與歐美頂尖的OEM贏得了多項設計,並持續與全球的OEM商討ARS540的採用事宜。如今,該公司對於延續與賽靈思的長期合作夥伴關係,並推出有潛力拯救生命的技術深感自豪。 賽靈思車規級(Xilinx Automotive, XA)Zynq UltraScale+ MPSoC是一種靈活應變的平台,使德國馬牌的4D成像雷達可適用於多種感測器平台配置,並且靈活適應OEM的規格。它為元件的可編程邏輯提供最佳平行處理效能,幫助實現ARS540 4D感測中完全獨立卻又能同時處理的關鍵流程。大量的DSP片(Slice)可為即時雷達感測器輸入提供硬體加速。 Yole Dévelopement(Yole)射頻設備與技術部門的技術與市場分析師Cédric Malaquin評論,4D成像雷達可提供更遠的偵測距離、更寬廣的視野和更深入的感知,是能夠幫助 L2到L5的開發者打造更安全的駕駛環境的重要感測器。該公司預計4D成像雷達將首先應用在豪華轎車和自駕計程車,市場規模預估將超過5.5億美元,且2020年到2025年間的複合年增長率(CAGR)將達到124%。透過合作開發這種新款的感測器模組,賽靈思與德國馬牌將帶來良好的市場機會。
0

LiDAR成為ADAS/自駕車關鍵感測器

根據ResearchAndMarkets指出,光學雷達(LiDAR)市場2019年產值達9.81億美元,到2025年預計達2,766萬美元,2020到2025年複合年增長率預計為20.7%。光電協進會認為,提升LiDAR市場增長的主要因素包括無人機中LiDAR系統的採用不斷增加、工程和建築中地理資訊系統(GIS)LiDAR的使用,以及4D LiDAR的出現和法規的放鬆,導致不同應用大規模使用商用無人機有關。 光學雷達市場2019年產值達9.81億美元,到2025年預計達2,766萬美元 (來源:Unsplash) 隨著LiDAR逐漸成為ADAS和自動駕駛汽車(AV)的關鍵感測器,在車輛整合的樣式方面與功能之間取得平衡變得越來越重要。除了總體製造性、可靠性、價格和耐用性方面的考慮外,位置也很重要。從這個意義上分析,LiDAR只是沿襲了諸如雷達、照相機和超聲波之類的傳統感測器的腳步。從整合的角度來看,將LiDAR與其他感測器區分開的主要原因有: 1.要求低損耗和清潔光學表面(每個LiDAR直徑通常為25~50mm) 2.更高的功耗,通常在15~30W之間 3.光學雷達的熱管理(大部分輸入功率轉換為熱量),需要保持其「冷卻」。否則如雷射器、檢測器和掃描儀之類的元件會發熱,並導致性能和可靠性問題 4.尺寸和體積具優勢。因為當今大多數成熟的激光雷達感測器都使用機械或光機械掃描儀,這些掃描儀體積相對較大,很難從美學上整合到汽車中,因此固態LiDAR(無論是閃存還是使用固態掃描),在這方面都具有明顯的優勢,但是許多技術才剛剛成熟,還沒有準備好整合到用於市場的第一套ADAS和自動駕駛汽車中。 從2000年代的DARPA大挑戰賽到用於共享汽車和運動自動化的影音開發早期,樣式和空氣動力學設計都不受重視,導致原型車看起來很奇怪,在部分情況下甚至令人恐懼。但是隨著ADAS和AV的成熟,Waymo等公司越來越關注感測器模組與自動駕駛汽車的整合。其背後的原因之一,是認識到有必要為乘客提供視覺和情感上的親密體驗,並建立對這種新搭乘方式的信心。 近日在比利時特斯拉Model 3開始測試光學雷達系統,Model 3車頂設備採用類似於Velodyne Puck 32MR LiDar。製造商指出,此設備非常適合工業車輛、移動機器人和相對低速移動的無人機。光電協進會認為,無論最終它是否得到了特斯拉的認可,這也意味著馬斯克(Elon Musk)改變了對激光雷達的態度,並繼續朝著這個方向前進。
0

半導體產業又一巨型購併 亞德諾/美信合併終於成真

繼2017年完成對凌力爾特(Linear)的收購之後,亞德諾(ADI)於2020年再次發動巨型購併,將以換股的方式收購美信(Maxim)。這次合併將有助於亞德諾拓展自駕車與5G電信網路的應用領域。本筆交易規模達210億美元,也是今年以來半導體業內最大規模的收購案。 根據雙方的交易合約,每一股美信的股份將轉換為0.63股亞德諾的股份。以兩家公司目前的股價來看,合併後的亞德諾,市值將高達630億美元,原亞德諾股東在合併後將持有公司69%股權,美信股東則持有31%股權。 亞德諾總裁暨執行長Vincent Roche表示,與美信合併是實現亞德諾「連接真實世界與數位世界」願景的下一步。美信在訊號處理、電源管理方面擁有完整的產品線,可以和亞德諾現有的產品線形成互補。兩家公司合併後,將擁有更廣泛的產品線與更多具有領域知識的人才,可以為客戶提供更複雜、更尖端的解決方案。 美信總裁暨執行長Tunç Doluca則表示,過去三十多年來,該公司發展出許多創新且高效能的半導體產品,協助客戶創造出各種應用。與亞德諾合併,將是公司發展的全新篇章,兩家公司都有強大的工程與技術團隊,以及深厚的創新文化。合併之後,將可為客戶、員工與股東創造出更多價值。 事實上,亞德諾跟美信合併的傳言,過去幾年經常出現,甚至在亞德諾購併凌力爾特之前,就已經傳出亞德諾有意購併美信的消息。這顯示雙方已接觸了很長一段時間,如今才功德圓滿。合併之後,美信將有兩位高階主管加入亞德諾的董事會,包含現任總裁與執行長Tunç Doluca。 宣布與美信合併的同時,亞德諾也調高第三季財測,預估營收14.5億美元,高於原先估計的13.2億美元。調高財測的主因是該公司的終端市場需求好轉,尤其是通訊及工業部門,取消訂單的情況減少,庫存去化的速度加快。
0

拓展物流版圖 亞馬遜收購自駕車新創Zoox

日前亞馬遜(Amazon)確定收購美國加州的自駕車新創Zoox,大力拓展其物流與自駕車版圖。Zoox的CEO Aicha Evans、共同創辦人暨CTO Jesse Levinson將會留任原職位並獨立帶領團隊。 圖 亞馬遜收購美國加州的自駕車新創Zoox。來源:Zoox Zoox創立於2014年,旨在研發自駕車乘車體驗專用的零排放的汽車。起初Zoox的車輛專攻叫車市場,並以高度整合的成車體驗聞名,提供彈性靈活的乘車方案。亞馬遜全球消費者執行長Jeff Wilke表示,Zoox正在創造世界級的自駕車乘車體驗,並與亞馬遜同樣對消費者抱有熱情,因此樂於幫助Zoox團隊達成願景。 Zoox CEO Aicha Evans則說,此次收購鞏固了Zoox在自駕車產業的影響力。CTO Jesse Levinson則認為,自Zoox成立6年以來,持續研發自駕車,亞馬遜的支持有助於加速Zoox的發展。
0

智慧風潮帶動車輛人機介面革新 語音/手勢/駕駛監控進駐

手勢控制則是以BMW為領頭羊,在2018年量產X5、X7系列皆已開始導入手勢控制技術,而BENZ預期在2020年Q2所發售新車亦會搭載此技術,其他領導車廠也在陸續發表和研發階段。 駕駛監控系統各家廠商皆有相關技術,目前在各家車廠高階車款或商用車隊較為常見。駕駛偵測技術各家車廠技術發展方向不盡相同,過往多透過偵測駕駛與車輛間互動或操作的間接偵測模式為主,現在則逐漸轉向以照相機或生物感測器,對駕駛動作觀察或生理狀況記錄以對駕駛行為進行判斷。但不論如何,皆以偵測駕駛疲勞以及提供警示為主要目的;自動座艙調整各家廠商仍在研發階段,依序有相關發布和概念車出爐。 各大車廠皆有所搭配Tier1車電系統整合商發展人機介面相關技術,而語音助理、手勢控制、駕駛監測系統軟硬體技術需求不同,各自有不同上游業者共同投入。目前各大車廠在車載人機介面新技術的發展狀況概略整理如圖1。 圖1 新興車輛人機介面應用產業布局 語音助理大舉進軍汽車市場 語音助理在各類的3C產品中已有相當高的普及度,以各類科技大廠主導相關技術發展,包含亞馬遜(Amazon)、蘋果(Apple)和Google等,都是其中的佼佼者。為了延伸應用範疇,各廠都將汽車應用列為重點市場,並以既有的語音平台為基礎,重新調整為車用語音平台。 同時,為因應技術發展需求,許多大廠也與軟體技術廠商合作甚至併購,例如Google買下多倫多大學資工系所創辦的DNNresearch,加強其語音搜尋引擎能力;亞馬遜則為增強語意辨識於2012年併購Evi等。 車用語音助理之關鍵礙於如何清楚地接收駕駛者或乘客之語音指令,關鍵零組件為聲學元件,在車用市場上包括樓氏電子(Knowles)、ACC、GoerTek等皆有發展車內專用聲學元件,為目前市場主要領導者。 各家車廠多將手勢控制以及駕駛監測系統等技術整合至自家車內輔助系統,例如Toyota 的TSS2.0、VW 的Safety Features Lane Active等,皆有搭配駕駛監測系統的開發;而BMW的HoloActive Touch、BENZ的MBUX皆同時包含手勢控制以及駕駛監測系統技術。因應感測與辨識技術所需要的感測元件以及搭配的軟硬體、晶片技術而有不同廠商,例如BMW與Melexis合作開發車用ToF晶片並與SoftKinetic合作開發軟體技術。 語音助理在車用環境中從聲音輸入以麥克風硬體設備收音,採用MEMS陣列式麥克風為主要趨勢,其收聲元件中振膜採用硅、矽等材質,相較早期電容式麥克風採用的聚合纖維更耐熱、抗震,收音品質較不受溫度及電壓變化等影響,且金屬外殼具有良好射線屏障,避免收取不必要雜訊。 軟體處理中主要為自然語言處理,其中包含到語音識別、語意理解,後續在回饋語音則有語言生成、語音合成亦或是Text To Speech(TTS)等程序。 動作執行層面則分為屬於車輛控制的座艙調整、空調、啟動引擎和車門,以及娛樂、導航、通訊等項目。除車輛控制外,剩餘項目皆可在無需嵌入車電系統環境下進行,例如透過個人行動裝置、後裝設備等,對於語音平台或相關技術業者而言更多以此類服務滲入市場。 三類業者主導車用語音市場 車用語音助理相關業者可分為三類,包含車廠、語音平台以及語音技術/設備商,三方業者各有不同目標,彼此呈現相互競爭又合作的態勢。整體而言,可歸類為三種合作模式。 第一種模式為車廠直接採用語音平台服務,車廠以增加銷售賣點為動機,將各大語音平台引入車內,藉以增加服務體驗;各語音平台為提升其服務可及性以及取得更多使用者數據,多投入開發車用語音平台,例如Google的Android Auto、Amazon的Echo Auto以及Apple的Carplay,同時開放開發者環境,強化與車上電子系統的整合。雖欲增加車內服務項目和體驗,車廠對此合作方式亦有所顧慮,擔心消費者體驗導向平台大廠,因此各大車廠也積極在相關平台上發展自有的服務平台,以維持消費者的認同感與滿意度。 第二種模式為車廠自行開發語音服務,部分車廠希望掌握車上相關聯網服務廣大商機,同時由於語音平台亦將連結車輛控制系統,因此部分車廠投入自有語音系統相關技術研發,此方式需投入大量成本和人力。以Benz為例,與各大語音平台皆有合作,但在2018年仍自行開發MBUX系統,可結合車機上座艙控制以及影音娛樂、導航等功能,亦可銜接各語音平台影音娛樂功能。 第三種合作模式為語音技術商結合平台導入車廠的車輛產品,語音技術軟體/設備廠商,例如Nuance、SoundHound皆有開發語音技術以及相關應用軟體,ROAV和Chris則發展相關設備可介接至車內。此類業者可藉自行開發軟體或硬體,將語音系統服務導入車載機系統,同時以API方式銜接各大語音平台相關服務。以此方式銷售自家語音產品,同時亦可取得使用者數據提升技術。 因車內收音並非直接對麥克風說話,屬於遠場收音形式,其效果不如對手機、話筒設備等近場收音,個人主聲特徵更不明顯,因此噪音處理技術對於車內語音應用情境至為關鍵。背景噪音和發聲回音更容易影響收音品質,且在車內有多人談話情形須作考量和反應速度的要求,技術上需克服如何在多人談話中辨識駕駛聲音以及運算效能的提升。 手勢控制以ToF/結構光為主流 車用手勢控制在2013年時已經有以揮動方式控制天窗或開啟後車廂等產品出現,至2015年後已發展出在中央控制台前以細微的手勢動作控制如點選、左右滑動、音量放大等控制。 目前車用環境手勢辨識技術上主要分為三類,分別為ToF飛行時間法、立體攝影和結構光等技術。ToF是以一發射器發出射線,透過接收器接收反射回來的射線時間差,計算和物體之間距離;立體攝影則是透過兩個以上相機模組,從不同角度對同一物體拍攝,以三角定位方式判斷物體遠近、相對運動等;結構光與ToF相似,皆透過主動光源將光紋打在物體上,此方式透過對空間編碼後將原光紋與物體移動光紋之間的差異達到辨識效果。 ToF和結構光都以主動光源的變化達到辨識效果,於其他領域皆已廣泛應用。立體攝影在無光或弱光環境下卻難以辨識物體,且物體判斷運算複雜、容易造成延遲。因此現今在車用環境上皆以ToF和結構光為主。 歐洲新車安全評鑑會EuroNCAP在2025 RoadMap提到在2020年將駕駛監控系統列為安全評鑑項目之一,若沒有相關系統無法達到5星評價,為相當重要的指標,此舉將帶動駕駛監控系統加速普及至各級車款。駕駛監控系統主要可分為兩類,分別為直接偵測和間接偵測。 間接偵測透過檢測駕駛與車輛間互動或操作,如透過駕駛習慣偵測及車內配備之感測器,進而判斷駕駛行為是否正常。駕駛習慣主要偵測駕駛在操控方向盤、油門或煞車等機械操作,判斷路徑、轉向角度是否偏移或太大;車內配備感測,則是判斷駕駛的物理位置,例如手是否有握在方向盤、安全帶鬆緊程度等方式。 直接偵測以照相機或生物感測器對動作觀察或生理狀況作駕駛行為判斷。透過注意力偵測或生理狀況偵測方式。注意力偵測主要是以照相機對駕駛拍攝,判斷其動作、情緒等方式;生理狀況則是透過感測器判斷駕駛心跳、脈搏、體溫等方式。 以SAE評定自駕車等級Level 1~5,在Level 2以上駕駛無須操控方向盤、油門和煞車等行駛控制,無法採用間接偵測方式,但在Level 2~3之間仍須讓駕駛保持警覺,在緊急或無法判斷的情況下,須隨時切換為手動駕駛,故必須以直接偵測方式進行。 最早從2007年Volvo發表車道偏移偵測系統,可透過駕駛行駛路徑判斷駕駛是否有危險行為,後續各大車廠在2014~2017年皆發表此類產品,例如 VW的Fatigue Detection System、 Nissan的Driver Attention Alert、Honda的Driver Attention Monitor等。 在2018年開始各車廠、Tier1的車電系統以及製作車用晶片的廠商開始發表直接偵測之車輛監測產品。例如,2018年Valeo發表的Facing Monitor...
0

UL4600搶頭香 無人駕駛安全標準出爐

UL日前發布《UL 4600自動駕駛產品安全評估標準》,這是第一個針對無人駕駛車輛制定的安全評估標準。 該標準的範疇包含了在無需人類駕駛監督的情況下,評估自動駕駛產品的安全原則與流程,意即車輛將可完全自動駕駛。此標準基於設計流程、測試、工具資格、自主性驗證、資料完整性、以及無人駕駛之人機互動等的風險分析與安全相關等主題,要求提供安全論證。UL 4600標準保持了技術中立,即不強制在研製自動駕駛系統時使用任何特定技術,並允許設計流程存在靈活性。 UL 4600並未定義在性能或安全上通過或失敗的關鍵要求,也未涵蓋道路測試或可接受的風險等級。此外,此標準不涉及與產品設計推出決策或產品性能相關的任何道德方面的要求。 該標準是由Underwriters Laboratories與來自Edge Case Research的專家Philip Koopman博士合作,推促了標準的制定。Koopman博士是國際公認在自動駕駛車輛安全領域的專家,他將逾20年的研究經驗融入了UL 4600標準中。 Philip Koopman博士表示,「UL 4600是一套要求,學習了安全事故中的教訓,可為安全案例的內容提供依據。這種安全案例方法提供了靈活性,可以幫助確保安全,又不會過度限制快速發展的技術。」 此外,Underwriters Laboratories召集了國際上多方的利益相關者,參加標準技術小組(STP)共同制定標準。小組成員建議待選內容、分享知識、對建議內容進行評審和投票表決,並取得最終共識,發布了第一版UL 4600標準。其它利益相關方則透過UL標準的線上合作平台提供意見與建議。 UL全球標準副總裁Phil Piqueira表示,我們非常感激Koopman博士和諸多利益相關單位,他們積極分享知識見解,投入標準制定。這是標準化與新興產業同步發展的良好典範,有助於支援安全的同時,也鼓勵創新與持續進步。 Uber ATG自駕車集團安全負責人Nat Beuse進一步表示,Uber ATG相信自願性的產業標準能夠支援自駕車(SDV) 的安全發展,這是所有涉足這個領域企業必須考量的重要因素。UL的新標準與標準制定方式可以支援快速反覆運算與回饋,這與我們的產業需求保持同步。對於SDV的安全發展,Uber和其他的STP成員都願意有所貢獻,並推動共識。 STP成員代表包括了汽車製造商、卡車運輸、機器人、航空、保險公司、政府體系在內的法規機構、學界、消費者權益保護組織等。國際上對發展進程有高度參與,參與成員來自美國、中國、德國、英國、瑞典、新加坡等。 UL 4600將持續接受評估,以保持內容的相關性並推動產業的採納。各界人士都可以隨時透過網站CSDS.UL.com提交相關的標準補充與修改建議。
0

自駕交通工具帶動感測器市場起飛

汽車等交通工具搭載自動駕駛功能,將是擋不住的趨勢。而自動駕駛交通工具不可或缺的各種感測技術,也將因為這股風潮,成長為一個龐大的產業生態系統。研究機構Yole Developpement預估,未來15年內,自駕車上所撘載的各種感測器總市場規模,將出現 51%的年複合成長率(CAGR)。屆時,與機器人車輛生產相關的總收益將達到600億美元,其中的40%將來自於車輛本身,28%來自於感測硬體,28%來自於運算硬體,剩餘的4%則來自系統整合。 Yole的分析團隊對2024年感測器市場規模的預期是,光達將達到4億美元,雷達為6,000萬美元,攝影機為1.6億美元,IMU為2.3億美元,GNSS設備為2,000億美元。不同類型感測器之間的分配情況在未來15年內或許會發生變化。無論如何,感測硬體的總收益將在2032年達到170億美元。  
0

三大應用領域需求看漲 半導體異質整合勢不可擋

觀察這些應用領域需求可發現,若將晶片需求分為小體積、低延遲、低成本、高效能、低功耗等五大需求,對於半導體晶片的功能與規格皆不相同,如穿戴裝置主要著重在小體積、低功耗、低成本等需求,對於效能及延遲性要求相對較低;資料中心則為了因應高速運算的需求,因此較著重在高效能、低延遲的快速反應能力。 資策會MIC產業分析師黃馨 手機/醫材/自駕車 晶片需求大不同 針對上述所提到的五大晶片需求,以下將以手機、智慧醫療器材及自駕車等三個應用領域產品作為舉例,透過這三大應用領域的需求剖析,可發現未來晶片的發展不僅將朝向更多元件的整合,且隨著產業需求的不同,未來晶片將朝向客製化的走向發展。 手機著重RF模組整合 為因應不同通訊階段的頻譜要求,手機內整合的元件也有所不同,特別是在RF射頻模組的整合。RF前端模組主要包含功率放大器(PA)、低雜訊放大器(LNA)、濾波器、開關和被動元件等,讓訊號能夠在不同頻率下進行收發。隨著未來頻段的要求變多,RF模組除了需要有更高的整合度外,未來面對5G毫米波的興起,為了滿足高頻寬、低延遲及大量連線等需求,天線和RF模組必須整合,也因此未來通訊相關模組的元件整合將變得更加多元且大量。 醫療影像器材體積減小/元件增加 以腸胃鏡為例,過去腸胃鏡長度達200公分,對於彎曲的小腸檢視無法輕易達成,且易造成病患不適,膠囊內視鏡應運而生。相較傳統腸胃鏡,膠囊內視鏡大小僅有長2.6公分、寬1.1公分,膠囊內包含微型照相鏡頭、光感測器、影像傳輸器、迷你相機等元件。 未來,生物學家更提出微生物組療法,透過在細胞中植入感測器及記憶體組件方式進行疾病診斷,因此可發現,醫療影像器材體積逐漸減小的同時,整合元件數卻將持續增加。 自駕車整合感測元件/處理器/記憶體 為了賦予自駕車具備感知外界環境的能力,現階段自駕車的發展著重於搭載各種感測器做為感知媒介,包含光達、雷達、相機等。隨著未來自駕車等級的進步,對於自駕車中的電腦系統要求,將從現在的駕駛輔助到未來的完全自動化駕駛,效能要求的遞進不僅使得未來自駕車元件模組增加,同時配合自動化回應的趨勢,感測元件必須將感測內容,快速傳遞至處理器並迅速做出反應,因此感測元件與處理器及記憶體的整合,將成為未來的發展重點。 未來晶片趨向異質整合/客製化  從上述的三大應用領域需求可發現,未來晶片的發展不僅將朝向更多元件的整合,且隨著產業需求的不同,未來晶片將朝向客製化的走向。 隨著市場需求的發展,產品複雜度的提高使得整合元件數目隨之增加,若將處理器元件比作人類大腦,現階段產品需求,主要著重在創造更大容量且更快速運算的大腦。然而隨著通訊需求的提升,未來更重視提升大腦與外界聯繫的速度,以及透過加入眼、耳、口、鼻、手等感測元件進行感知,甚至增加大腦在感知後自動判別並執行反應等功能,因此處理器加上各式元件的做法,將成為未來產品發展趨勢。 終端產品逐漸走向多晶片且客製化的方向前進,晶片製程因為摩爾定律趨緩,開始走向透過封裝方式進行異質晶片的整合。 過去,半導體產業以摩爾定律作為主要依循的準則。根據摩爾定律定義,每隔18個月,積體電路上的電晶體數量將成長一倍,受惠於摩爾定律持續的發展,2018年,整體半導體產值達到4,800億美元的收益。 儘管台積電等晶圓代工龍頭持續挺進5nm、3nm的製程,但仔細觀察近年來摩爾定律節點成本的改變,在14/16nm之後,晶圓生產成本持續變高,摩爾定律將無法達到過去規模經濟的效益。此外,終端需求對於成本、效能、體積以及整合程度的要求日漸提高,在面對成本日益增加、終端產品走向高複雜化的情況下,晶片的整合成為半導體產業界越趨重視的方法。 晶片功能整合方式主要可分為系統單晶片(SoC)以及系統級封裝(SiP)兩種。 SoC整合度與成本皆高 系統單晶片是透過電路設計的方式,將數個功能不同的晶片整合在同一個晶片上,這樣的晶片整合程度相當高,效能表現也很好。然而由於SoC的功能整合僅限於使用同一製程技術的晶片,對於整合元件中,因考量製程成本而採用較低階製程的感測元件或MEMS等功能元件,將無法與採用先進製程的處理器、記憶體進行SoC晶片整合。 此外,SoC的開發成本卻也相當高,如台積電7nm的系統單晶片開發成本已接近3億美元,未來進入5nm世代後,更上看5億美元,也因此SoC主要用於生產量大且生命周期較長的產品,目前全球能夠投入先進製程的IC設計業者,也只剩下少數龍頭與系統大廠。 SiP異質整合超越摩爾定律 為因應SoC所面臨的製程瓶頸及開發成本過高的挑戰,系統級封裝的概念開始被半導體業界廣泛採用,更被定義為是超越摩爾定律的重要方式。SiP突破SoC的整合限制,將數個功能不同、製程不同、來源不同的晶片,透過封裝整合在同一個基板上,成為一個具備多元功能的晶片,這類的整合概念就是現在所指的「異質整合」。 隨著近年來系統級封裝技術的演進,晶片堆疊封裝使得晶片面積有效縮小,開發成本也較SoC來得低,晶片整合上更具彈性,也因此近期被廣泛應用在上市時間較短的消費性電子產品上。 3D封裝提升晶片傳輸速度/效能 異質整合的晶片模組發展越趨複雜且多樣化,技術難度也越來越高。從傳統的2D平面封裝逐漸朝2.5D封裝邁進,2.5D的封裝方式是讓晶片並排,並採用中介層(Interposer)和重分部層(Redistribution Layer, RDL)的設計進行晶片整合,透過晶片與基板間的中介層連接,大幅提高封裝接腳的訊號密度,提高傳輸速度及效能。 近年來,將多晶片垂直堆疊的3D封裝更逐漸成為業界發展重點,透過晶片間矽穿孔(Through-Silicon Via, TSV)的互聯技術傳遞訊號,TSV的串接使得晶片間的距離更短,晶片傳輸速度更快、效能更佳,整體的晶片整合度也更好,目前最廣泛的應用在多顆高頻記憶體與處理器的堆疊上。 隨著製程難度的提高,異質整合面對的挑戰也將趨於複雜。首先,異質整合使得晶片在同樣面積下,堆疊多個晶片形成多層3D架構,當晶片堆疊的緊密程度提高,晶片間散熱面積也將隨之減少。此外,晶片距離的縮短及單一晶片中越來越多的運算單元,將使電磁干擾的問題越趨嚴重,異質晶片整合度也將面臨巨大挑戰。 過去半導體產業鏈各自分工,現今隨著製程發展,面對日益增加的異質整合技術挑戰,未來半導體上中下游的價值鏈將須緊密合作,以通力解決異質整合問題(圖1)。 圖1 異質整合挑戰與半導體產業鏈關係改變 異質整合的立體堆疊架構下,多維度雜訊將比過往的訊號干擾更加難以處理,因此除了EDA廠商須提供IC設計廠更多樣化的模擬工具進行多類型訊號模擬外,在產品設計之初,整體產業鏈也需有更多的上下游溝通,包含訊號完整度、電源完整度等技術,未來皆需以產業鏈偕同模擬的方式進行。 與此同時,多層的3D架構使晶片散熱面積減少,不只須仰賴材料及設備廠提供更多創新的材料來克服發熱問題,產業鏈也需透過熱模擬的方式,找出功耗較低、散熱效能較高的晶片及導熱效果較佳的封裝架構。 產業鏈緊密串連必不可缺 異質整合晶片來源、製程的不同,使得整合難度上升,晶片必須透過系統級的完整分析及3D模擬,避免系統分割時區塊不夠精確的問題。另外,晶片的厚薄與晶片的精準堆疊也是異質整合相當關鍵的成功要素,也因此,未來上下游協同設計將成為產業發展的趨勢。 面臨異質整合的技術挑戰,未來半導體產業鏈關係將需要透過更緊密地協同設計、協同模擬等方式進行合作。 然而由於看好異質整合的發展效益,產業鏈中的IC製造廠及EMS廠紛紛依循自身優勢投入IC封測產業,面對這樣的產業鏈分工重組,未來IC封測廠將會有部分產品及技術與IC製造廠或是EMS廠重疊的情形,因此產業鏈競合關係將有所改變,面對封測業務市佔將被瓜分的IC封測廠而言,在未來垂直應用領域的客製化市場中找尋快速商用化的模式將是IC封測廠未來的利基。 (本文作者為資策會MIC產業分析師)  
0

落實汽車天線罩測試 車用雷達干擾影響大減

可為駕駛提供幫助,並能夠提高道路安全性的高級駕駛輔助系統現在已整合到入門款車輛,成為汽車世界中的常見技術。全自動駕駛汽車(包括測試汽車)經常會成為新聞頭條,尤其是在自動駕駛車輛發生事故後。這些複雜系統在準備批量生產前還有很長的路要走,但可肯定其會於不久的將來成為現實。 汽車雷達感測易受干擾 能夠偵測附近物體的感測器是自動駕駛汽車的關鍵元件,這些包括攝影機和雷射雷達感測器,尤其是雷達感測器更為重要。現今每年生產數以百萬計的汽車雷達,為高階車輛中的標準裝置。汽車雷達感測器主要用於提高駕駛舒適性和預防事故,大多支援主動車距控制巡航的雷達感測器均在76GHz至77GHz頻率範圍(1GHz頻寬)內運作,用以感測遠處其他車輛和物體。汽車雷達要實現一些先進功能,特別是能夠感測附近物體的功能,如變道輔助和盲點偵測等,需要其於77GHz至81GHz頻率範圍內運作,以更大頻寬才能實現所需高解析度;且高達81GHz的擴展汽車頻段有助於減少無線電干擾。 由於汽車外觀比功能更重要,汽車雷達通常被雷達罩覆蓋,該雷達罩由對RF訊號透明的材料製成。汽車散熱器格柵上的標誌通常用於雷達罩用途,塑膠保險桿也是雷達良好藏身之處。過去標誌主要用於推廣品牌,而無其他重要作用,但現可作為雷達天線罩,因而更像RF零組件。若於設計中不考量此點,則可能對標誌後的雷達探測性能及準確性產生不利影響。 尤其是具有局部材料厚度變化的三維形狀品牌標誌可能會導致在毫米波段運作時導致出現RF性能問題。保險桿通常塗有金屬漆,可減弱高頻訊號。因此為確保雷達可靠性,必須驗證天線罩的材料屬性並檢查其對雷達訊號的影響。對自動駕駛而言,汽車感測器的不確定性和風險皆無法接受,基於以上產生的錯誤皆無法透過後續處理而充分糾正。因此車輛製造商及其供應商需要全新量測功能,以便評估天線罩雷達一致性。 雷達偵測精準度受多方影響 汽車雷達感測器主要使用頻率調變連續波(FMCW)訊號。由於傳播延遲和都卜勒(Doppler)頻移,這些感測器可量測並解析多個目標的距離及徑向速度。根據天線陣列特性,還可量測和解析方位角甚至至仰角。在偵測及追蹤後,感測器電子裝置處理訊號以生成目標參數清單,其中包含物件量測位置、速度以及類型訊息(行人及汽車等)。此清單將被發送至車輛電子控制單元,用於即時決策車輛操控。因此該資料的準確性和可靠性對車輛及乘客安全極為重要。 雷達精度取決於多因素,如硬體零元件、軟體處理和雷達回波本身。具有低訊噪比(SNR)的訊號回波參數無法像高SNR訊號一樣精確量測。此外,諸如多路徑傳播和天線罩等引起的失真也大幅影響量測精度;方位角量測誤差會導致目標看起來與實際位置有偏差,如圖1所示。雷達感測器角度量測誤差僅為1O,將導致100m外的目標看上去橫向偏移1.75m,以致被誤認處於不同車道。為確保可靠運作,在此距離下角度量測誤差須遠小於1O。 圖1 由於方位角量測錯誤,未正確檢測到目標位置,自動駕駛車輛控制器可能會做出致命動作。 天線罩選用決定雷達偵測精度 圖2顯示基於實際汽車零組件量測結果得出的方位角偏差影響,其中商用汽車雷達與靜止目標距離為12.4m,角度為11.5O,該圖顯示不同天線罩如何影響雷達的橫截面和入射角。以A區顯示值(無天線罩)也在此提供用於比較;可以看出當使用合適天線罩(B區)時,對入射角的估算無影響,但雷達橫截面會以兩種方式減小(在此狀況下約為2dB);若使用不合適的天線罩(C區),相對於比較量測值,平均雷達橫截面下降約4dB,使其難以偵測弱反射目標。不合適天線罩對偵測入射角的影響亦明顯。在恆定11.5O時無法看見,但在11.5O和11.7O間交替變化時則可顯示,因此訊號處理電子裝置不會獲得明確值。使用該天線罩,汽車雷達無法達到0.1O的目標精度。 圖2 不同天線罩對雷達橫截面(RCS)和入射角影響,不相容天線罩會導致角度誤差。 多因素考量輔助雷達校正 現代雷達感測器在接收器前端通常具有天線陣列,透過量測由相控陣天線波束成形獲得的相位和振幅比確定方位角(有時還可確定仰角)。為獲得最佳方位角精度,必須單獨校正每個雷達感測器。以下是雷達校正的典型程式:首先將感測器安裝在消聲室內轉盤上,遠場中已知距離的角反射器通常作為參考目標;量測雷達方向圖並將其儲存於感測器記憶體(Memory)中,再由偵測演算法使用,於訊號處理過程中校正演算,並於運作期間完成。 車輛製造商通常在標誌或保險桿後方將校準的雷達感測器整合至車輛。由於訊號必須在到達目標和從目標返回過程中兩次穿過天線罩材料,因此天線罩材料對於RF傳輸訊號的減弱出現兩次。從以下分析可看出其減小雷達偵測範圍。 根據訊號傳播定律,訊號傳輸後功率與距離r的平方成反比,代表在訊號往返過程中,其功率將減小因數1/r4。對於具有3W輸出功率、25dBi天線增益、雷達目標橫截面為10m,而訊號偵測臨界值為-90dBm的77GHz雷達使用此等式,配置最大範圍為109.4m。若天線罩雙向減弱為3dB,則同一雷達最大距離將減少16%,僅為92.1m。 但材料減弱並非減低雷達性能的唯一因素,天線罩材料的反射率和均勻性也很重要。例如塗漆中金屬顆粒的反射以及基礎材料的射頻失配會在天線罩內(即靠近感測器位置)產生干擾訊號,後者於接收器鏈路中被接收和下變頻,進而降低雷達偵測靈敏度。許多汽車製造商試圖透過傾斜天線罩減輕此影響,使發射的雷達訊號反射至其他處,而非直接回到接收器前端。但此種解決方案會受設計限制,且無法消除導致RF能量損失的寄生反射。 另一個問題則是,天線罩中夾雜物和密度變化等導致材料不均勻,會干擾出射和入射波前,因而可能失真,並降低角度量測準確度。雷達感測器校準無法補償此種影響,因為即便雷達校準後也可能安裝在不同製造商的天線罩後面。 傳統黃金裝置偵測死角易現 天線罩製造商通常使用參考雷達(黃金裝置)測試其產品。對於這種測試,將角反射器以事先預定距離和方位角安裝在雷達前面(圖3),分別在有和無天線罩的情形進行差動量測再加以比較。若雷達測定距離和方位角以及回波訊號在指定範圍內,天線罩測試始合格。但此方法僅檢查特定方位角,易錯過天線罩中有問題的區域。另一種量測方法以類似方式操作,但僅需一個反射器—將雷達感測器和天線罩安裝至轉盤,以不同角度重複量測,可從轉盤讀取實際角度(地面真實狀況)並與雷達測得角度比較。該方法與轉盤定位精度一樣精確,但因測試需長時間故不適用於生產線測試。 圖3 使用黃金裝置的典型測試設置。 天線罩測試儀克服傳統限制 有方案能克服傳統方法的局限,像是羅德史瓦茲(R&S)QAR汽車天線罩測試儀(圖4)使用具數百個發射及接收天線的大型面板代替具微小天線陣列的黃金裝置,這些天線在75GHz至82GHz的擴展汽車雷達頻率範圍運作,使汽車雷達綜合數百個天線資料;由於具大孔徑,可憑藉更高解析度(mm範圍內)量測距離、方位角和仰角,使量測結果(即反射率)顯示為X射線影像,即便測試及量測經驗受限者也可立即進行品質評估。與使用真實雷達量測不同,此方法毋需費時量測順序以確定天線罩特性,只需一次時程即可獲得結果,類似使用攝影機拍照。 圖4 R&S QAR汽車天線罩測試儀。DUT安裝在操作台前邊緣,桌台上的藍色裝置包含用於傳輸量測的可選mm波發射器。 被測天線罩放置於面板前的指定區域,可進行兩種量測,一種用於確定被測裝置(DUT)反射率,另一種用於確定透射率。 首先進行反射率量測以確定天線罩材料反射多少能量,此能量無法透過天線罩。如上所述,反射訊號會降低性能,甚至損害正確運作。由於各種原因,某些區域可能具有較高反射率,如材料缺陷、空氣夾雜物、不同材料層間的有害相互作用或某些材料組分過多等。透過根據幅度和相位連貫使所有反射訊號連接,該量測方法提供空間分辨量測結果,而視覺化結果能直觀、定量評估DUT反射特性。 圖5 反射率(左)和單向衰減(右)的高解析度mm波影像。標誌中的白色輪廓表示測試發射器或雷達輻射橫截面,該區域用於評估。 圖5中高解析度雷達影像顯示演示用天線罩(圖6)覆蓋下雷達感測器看到的影像,亮度水準代表反射率、區域越亮、反射雷達訊號越多;金屬物體(四角螺釘)顯示為白色,標誌清晰可見的輪廓顯示局部高反射率和非常不均勻的整體影像;標誌區域中較大的0.5mm厚度足以大幅降低雷達性能。 圖6 演示天線罩,僅在天線罩主體表面上方突出0.5mm,即便厚度微小增加也會導致在77GHz時失配。 此示例中天線罩中間部分平均反射率為-11.0dB,標準差為-18.2dB,在許多使用場景中此值過高,無法確保雷達可靠操作。實際上預期反射率取決於雷達單元靈敏度和欲覆蓋的最大偵測範圍。 接下來量測天線罩材料的頻率匹配及衰減。位於DUT後的發射器在選定頻率跨度掃描,可精確評估天線罩的發射頻率回應,回應可提供有關DUT用於雷達操作確切頻段上RF匹配的詳盡訊息,其與雷達使用的實際訊號波形無關,因此對可安裝在天線罩後的雷達均有效。圖6右側圖則顯示演示天線罩的量測結果,由於76GHz至79GHz之間的高波紋度,該天線罩不適用於在該頻段操作的雷達。 若使用汽車行業真實3D天線罩的傳輸量,可測得圖7中類似鋸齒狀的曲線,該天線罩會遇到各種性能問題: 頻率匹配位於不太有利的71GHz左右而非於76GHz,是因某些天線罩層厚度增加所致;79GHz頻帶中不穩定的減弱變化表明駐波比顯著增加,表示天線罩邊界處反射及強烈干擾效應;總體單向(One-way)衰減相對較高,將導致偵測範圍顯著減小。 圖7 在一個複雜3D設計商用多層天線罩上進行的透射率量測。 準確感測實現安全自駕 自動駕駛需可靠雷達正確無誤偵測周圍區域物體,可行性取決於雷達品質及其安裝狀況。雷達安裝在品牌標誌或保險桿後,車身部件(天線罩)會減弱訊號,以致無法偵測物體或於錯誤位置偵測到。當下此類部件不僅需滿足其原始目的,且須具備特定RF特性,並以準確實用的量測方法驗證。相較黃金裝置,此測試儀能更快、更易評估汽車天線罩品質,不僅量測DUT的RF透射率,進而帶出天線罩設計的基本適用性,並量測反射率而視覺化為X射線影像,亦可讓非專業人員進行可靠合格/失效評估,對於生產線終端測試尤為重要。 (本文作者皆任職於羅德史瓦茲)
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -