i卡會員

為實現自駕車上路，車廠以涵蓋遠、中、短距不同視野範圍的異種類感測器打造360度環車感測系統，取代駕駛人的眼睛，作為自駕車行駛最關鍵的輸入參數。然而為使自駕車的決策系統能從感測資訊轉換，並即時解析交通混流場景內靜態及速度不一的動態物體，且判斷其下一步行為，若以基於規則化的系統(Rule-based System)，將難以因應多變的駕駛情境。透過AI人工智慧的機器學習及各類深度學習演算法，賦予傳統感測器智慧，使其不僅感測且可標記、辨識交通場景內的物體，轉身智慧感測器，提供車載決策系統可依循的「識別(cognition)」參數。進一步藉由融合異種類的感測器不同維度的資訊，以AI互補缺乏的邊緣特徵，且同步為同一空間、時間維度的感知融合，將大幅提升自駕車的感知能力。

【內容大綱】

• 一、自駕車感知
• 二、自駕車載感測器及其海量數據
• 三、AI於自駕車感知應用發展
  • (一)AI應用於單種類車載感測器發展
  • (二)車廠/自駕業者感知融合發展
• 四、自動駕駛開放數據集
• 五、智慧感測器與感知融合運算處理
• IEKView

【圖表大綱】

• 圖1、AI於自駕車感知
• 圖2、車載感測器配置及對應ADAS功能示意
• 表1、各類感測器於自駕車搭載數量及平均數據生成量
• 圖3、REM自駕地圖示意
• 圖4、(a)基於物體層級感知融合及(b)AI為基礎感知融合概念示意圖
• 表2、CARIAD感知融合策略轉換
• 表3、近年釋出的自駕車開放數據集
• 圖5、DAS到AV的感知系統變化