【深度剖析無人車運作原理】AI如何學習開車

圖片來源:

Tesla

現在，無人車在國外已經蔚為風潮，不論是車廠、網路及科技公司或新創，都全力押寶自駕車，想要盡快讓它商用。臺灣雖然起步較晚，但也開始跨出第一步。但如何做出一臺練就開車本領的全自駕無人車，這次我們也透過臺灣國產首輛無人小巴，深度剖析AI開車的基本原理，以及背後運作流程大公開。

雖然，在設計自駕車時，有很多不同有效作法，各家巧妙各有不同，但基本上，AI開車背後的基本運作流程大同小異。無人車要會自己開車，首先是要有輛能控制的汽車，然後，這部車上還要有個能負責發號施令的汽車大腦中樞（或稱作自駕AI大腦），並且還要有一層感測器融合組成的感知層，同時還要搭配一個高精度環境地圖。基本上，只要有了自駕車體、AI大腦、感知與高清地圖，汽車就會自己開車。

而要剖析無人車，可以從硬體和軟體來談。首先，在硬體方面，要讓AI學習開車前，先得找到一輛AI能駕馭的汽車。因為傳統汽車的設計，是以人為控制為前提，利用手腳來控制汽車方向盤轉向和煞停，當前方遇彎道要過彎時，人會經過大腦發號施令，轉換為身體動作操控方向盤，雙手會根據大腦傳達的指令轉動方向盤，再由電子轉向控制系統，依據方向盤上操作力矩與轉角計算並轉換成輪胎轉向舵角，進而控制汽車轉彎，或依踩放油門及煞車力道來控制車速。

不過，這次負責打造農博無人小巴的台灣智慧駕駛執行長沈大維表示，無人車的前提，是要將一切的動作改為汽車訊號控制（或稱為線控驅動），也就是要能夠透過汽車電子訊號來控制車輛的操作，包括加速、煞車和轉向，而非人為或機械控制。以汽車方向盤轉向系統為例，一般燃油或電動汽車多採用機械式控制，搭配油壓輔助推動，主要還是人為操控。必須要先改成非油壓驅動的線控馬達，才可以直接經由汽車內部網路（CAN）接收上層車輛控制端下達的操作指令，再將收到控制訊號轉成機械運動，進而控制汽車輪胎的轉向。

AI學開車的第一道關卡，得將車控系統全面改成線控操作

單就這點看，要想取得一輛能回控的汽車並不困難，目前市面不少配備主動安全ADAS系統的高階車款的轉向、煞車和油門，多數都已採用線控驅動，不過，沈大維更進一步說明，無人車要能受控的真正關鍵，在於能不能取得這些線控系統的控制權。因為汽車底層線控系統一般都是封閉架構，基於安全考量，車廠或上游的一線（Tier 1）廠商不會輕易對外開放通訊標準（Protocol）。就算自駕AI大腦再聰明，要是沒有辦法與轉向、煞車及油門等線控系統溝通，還是無法開車。這是AI學開車得先克服的第一道關卡。

假使車廠或汽車零件商不願開放或授權金額太高，自駕車業者就只能自行研究摸索，或改用其他汽車供應商開放的線控馬達零件買回來自己改。對於不具車輛工程或線控方面專業的業者來說，要自己改就會很困難。因此，現行常見會採取的作法，會是直接向改裝車廠訂製已經合法改過，能用於自駕車開發的汽車，如Lincoln MKZ、Ford Fusion及Lexus RX 450h等，皆是目前很常用於自駕車研發的車款，不只新創團隊，就連Nvidia、百度、蘋果等大廠都有用。

以農博無人小巴為例，沈大維則說，因為專案開發團隊成員，剛好都是車輛工程或線控系統專業出身，對於這部電動小巴的線控煞車、油門操控早已駕輕就熟，所以只有轉向是向國外購入方向機馬達，再由他們自行改為巴士專用的線控轉向系統，但即便如此，他也坦言，無人車改裝過程是一大挑戰。

攝影／洪政偉

台灣智慧駕駛執行長沈大維表示，製作無人車的前提，是要將一切動作改為汽車訊號控制，也就是要能夠透過汽車電子訊號來控制車輛的操作，包括加速、煞車和轉向，而非人為或機械控制。

感測器就像自駕車眼睛，周圍環境感知全靠它

不過，就算好不容易改裝成線控汽車，這也只達到AI開車的最低要求，這臺無人車上，還需要配有不同感測器來辨識周圍環境，若以自駕車比喻操作駕駛，感測器就像眼睛，能感知周遭的道路環境，眼睛看到後會透過車上如大腦的決策機制，在內建的運算主機計算後選擇合適的行駛路線，再經過如手腳的控制系統，操控油門、煞車等功能。

就像一般人開車變換車道、或左右轉時，會因為視線盲點產生「死角」，因此需要後視鏡來幫忙察看左右或後方車輛位置和動態。每輛無人車上，通常也會配備好幾種不同類型的感測器，例如攝影鏡頭、光達（LiDAR）和雷達等。這些感測器的作用也不盡相同，以攝影鏡頭來說，因為它有極高解析度和顏色等資訊，適合用於偵測行人、路標或交通號誌，不過也容易因為光線、下雨等天候因素被遮蔽而影響辨識度。

相較之下，雷達就比較沒有這個問題。因為是利用無線電波接收空間裡被感測物體所反射的訊號，因此較能完整掌握與物體相對距離及方位，只是它的影像解析度不如攝影機；而一次由上百萬個掃描點組成來測距的光達，不論偵測精度和解析度都遠高於雷達，能在車輛周圍建立更精細的3D立體影像，可以清楚描繪物體形狀，甚至連交通警察的指揮手勢都看得一清二楚。

不過，光達量測的畫質和精度雖高，但價格與雷達相差數十到百倍以上，從而會提高自駕車成本。再者，因為是以雷射光束來測距，也容易受到逆光或惡劣天候的影響，仍需雷達從旁輔助。

工研院機械所數位長王傑智也強調，自駕車從來不是單一技術，即使用再昂貴的感測器，都還是有它的使用局限，比如他曾試用號稱公分級精度的GPS來定位無人車座標，但實際用過後發現，並不是在所有地方測得的誤差都在數公分內，有些情況下使用，誤差就會很大。因此，他說，在設計自駕車時，應該想辦法善用各種方式，將不同感測器巧妙地整合，來相互確保安全。他反覆強調，安全才是最重要的。

目前業界在使用感測器時，有像是以電動車特斯拉為首，只以雷達和攝影機為主，也有如Waymo、蘋果等科技廠商以結合光達3D影像辨識環境為主，甚至在Waymo的Lexus自駕休旅車上，還同時使用3種不同遠距的光達感測器，最遠有效偵測距離達到300公尺，相當於3個美式足球場的距離。意味著，對於無人車行車安全有更高的保障。

沈大維表示，農博無人巴士上，主要有用到12顆聲波雷達、8顆攝影鏡頭，以及車頂一顆光達，能分別從不同角度來蒐集車輛周圍的路面資訊，一方面這些影像資料蒐集後，能當作無人車學開車的訓練素材，另一方面，當遇到主要或某顆感測器故障，而無法偵測環境時，也能確保有其它備用感測器，能接手提供路況資訊，來做為自駕車行駛判斷的依據。

結合高精度環境地圖，提高無人車感知能力

除了感測器外，自駕車上還要有一個高精度環境地圖，雖然在天氣晴朗的情況下，車上感測器能夠檢測出車道線、路面邊緣、可通行空間等，但對於道路坡度、曲率等檢測卻有一定難度，這些數據有助於對無人車的控制，剛好高精度地圖可以提供。再者，當遇到暴雨、大雪等惡劣氣候時，車上感測器難以感知遠處障礙物、車道線等資訊，而透過高精度地圖搭配GPS定位，也能提供這方面的路況資訊，做為自駕車行駛路線規畫與行車策略的依據。

因為是完全為提供無人駕駛專用繪製的地圖，不像傳統GPS地圖，在這個地圖上，只會出現和駕駛有關的訊息，如道路、感興趣點（POI），而且誤差要在數公分以內。有了更精準定位的地圖，自駕車也能夠根據車上感測器偵測到車道線、道路邊緣的距離，來與地圖提供的資訊做比對，當感測器失靈導致汽車偏離原本車道時，就能透過地圖來進行修正，將汽車導回原車道，進而能提高行車安全。

自駕車使用高精度地圖時，還有另一個好處，就是有助於提前擬定行駛策略，舉例來說，在高精地圖上通常會預先標註駕駛應注意的交通及路況等特徵，以便於車輛行進時，就能根據事前已得知的前方路口交通型態，如交叉路口或限縮車道等，提前決定採取行動的時機，是要先變換車道或開始減速，而不用等到進入感測器有效偵測範圍內，才開始動作反應，讓自駕車決策可以再早一步。

上面這些事前工作都就緒，AI才可以開始學開車。不過，講到學開車，還是得先從自駕車控制決策過程談起。不像人開車，很多時候，腦袋不用多想，看到前方綠燈就通過，但對於無人車來說，即便是一個簡單的過馬路決定，都是經過一連串高度複雜模型演算和邏輯推演過程，再來決定是否要穿過馬路，以及用何種方式來開。

一般而言，無人車自駕系統的組成，分為感知、決策以及控制。也是自駕AI大腦組成最重要的三大元件。其中感知系統是在處理來自各種感測器的資料，用來偵測車輛周遭環境的物體辨識、定位及追蹤等訊息；決策系統則是依據預先設定的決策邏輯與規則，結合感知系統提供的環境動態資訊，來決定車輛路線規畫和行駛策略，最後再由控制系統在符合車輛操控反應前提下，來具體下達控制指令，操作汽車完成動作。

AI要如何學會轉彎？

那AI要怎麼學習轉彎？負責協助技術支援無人小巴自駕能力開發的Nvidia臺灣業務協理蕭怡祺的回答很簡單：「就是透過訓練。」雖然講起來很容易，但要真正做到，卻不是件簡單的事。而且同樣是學習，AI學開車也有許多的有效學習方法，各家車廠巧妙各有不同。

就像開直線、或彎道是所有開車新手上路前必練的基本功。AI學開車也不例外，若是連開直線或彎道都控制不好，更別說要開上路。

蕭怡祺也以新手開車來舉例，新手駕駛一開始也不會知道怎麼開車，而是一旁教練手把手指導開車技巧，久而久之就懂得車要怎麼開。AI學開車也是如此。起初，AI一定不知道如何開，車開得歪歪斜斜，所以得教AI學習，因此，第一步得先找到一名駕駛行為良好的操作員，讓AI可以學習對方如何開車。

沈大維也以無人小巴為例，在訓練AI系統時，Input就是場景，Output就是操作模式，透過不斷訓練，讓AI學會應對不同場景。舉例來說，彎道就是一個場景，也就是輸入值，如何轉彎，要以什麼速度過彎就是操作模式，也就是輸出值，透過車輛參數記錄和影像資料標記，來訓練類神經網路模型，目標是讓AI輸出的操作模式，接近人當時的操作模式。

實際執行上，當車輛行駛時，車上感測器就會開始蒐集所有行駛資料，這臺車上會記錄如相機等感測器資料，同時也會錄到車輛運動狀態下，經由CAN BUS蒐集駕駛操控行為所回傳的資料，包括轉向舵角、煞車及油門等，再將兩者資料同時比對，例如在某一時間點，汽車前輪舵角突然變大，然後幾秒內就變小，而且這段時間車速有明顯減慢跡象，對比前方鏡頭正好拍到拐彎處有條車道線，AI就會學習這些數據之間的關聯性。

當下次看到同個彎路時，AI就會知道對應先前駕駛開車方向盤打了幾度的舵角，經多久才回正，以及當時車速變化情形，來持續修正調整到接近和駕駛一樣的操作。經過無數次反覆自我學習，以後看這類型彎道時，AI就會知道控制汽車做出相對應的舵角，與維持相應車速過彎。

當學習彎道種類越多樣，以後遇到不同彎路時，就能依據不同彎道曲線控制汽車行駛在車道內，而不會開出車道。直線路段也是類似作法，讓車輛反覆學習保持開在車道中間，比如偏哪邊就向相反方向轉些角度，讓它不會超出中間標線。

攝影／洪政偉

在AI訓練學習階段，Nvidia臺灣業務協理蕭怡祺指出，深度學習扮演重要關鍵，可以用來協助AI加速完成學習推論感知周遭環境，再由控制決策系統依據感知推論結果，搭配其他必要資訊，完成控制汽車前進、過彎等動作。

深度學習就像是一本無人車考照基礎題庫，用來傳授AI開車技巧

在AI訓練學習階段，蕭怡祺表示，深度學習（Deep Learning）扮演重要關鍵，可以用來協助AI加速完成學習推論感知周遭環境，再由控制決策系統依據感知結果，搭配其他必要資訊，來完成控制汽車前進、過彎及減速等動作。

深度學習是機器學習類神經網路的其中一個分支，不像傳統基於規則方法設計的演算模型（如決策樹等），深度學習是由很多小的數學元件組合成一個複雜模型，就像腦神經網路一樣，能建構出多層次的神經網路模型，適合用在解很複雜的問題，比如照片分類、人臉辨識、語音轉文字等。過去幾年，深度學習演算法歷經幾次飛躍性重大突破，特別是在物件偵測、分類和定位上，可以發揮出更好的學習效果，近來也開始被廣泛應用在自駕車上，用來傳授AI學習如何開車的技巧。

甚至於，對於AI來說，深度學習就好比是一套無人車考照基礎題庫，在這個題庫中會記載各式各樣行人、號誌、標線的基礎題型與不同的交通情境，來幫助AI從大量可供學習的資料訓練和學習過程中，找出一個最有效的學習開車的方法。

現階段，在自駕車學習設計上，有許多現成可參考的自駕車學習方法，而Nvidia則是採取一套分工設計的學習方法論，來教導AI學開車。

以自駕車感知系統為例，蕭怡祺表示，這個感知系統是由多個深度類神經網路（Deep Neural Network，DNN）模型所組成，但是每個DNN模型在這裡面，只會專做一件事，沒辦法一次同時做兩件不同的事，例如有的DNN是負責偵測車體，但是它無法一次偵測車體和車道線，仍需要有其他能偵測車道線的DNN模型來協助完成。

這也意味著，AI想要學會開車這項技能，就得同時要擁有很多不同功能類型的DNN模型，來協助辨識所有駕駛情境。就連訓練時，每個DNN模型也都要分開各自訓練。每張圖上都要先標記出裡面哪些是這個DNN需要學的對象，並且框出它在照片中的哪個位置。並將訓練完後的DNN模型放進車上做推論測試，檢驗它學習成效，再根據結果反覆修正到能認得要它認的東西為止。

以Nvidia自駕車BB8來說，這臺車上對外至少就用到了10種不同DNN模型，用於處理車道線、行人、障礙物，以及可通行空間等訊息。蕭怡祺表示，他曾看過有人最多使用20個DNN模型，分別用於車外環境辨識與車內監控上，「這還只是相機偵測，其他還會有雷達和光達偵側來相互對照，最後，再由決策系統依這些環境感知訊息，搭配地圖定位、交通法規等，綜合協調出一個合乎邏輯的行車策略。」他說。

像在無人小巴上，沈大維表示，這次一共使用了兩種DNN模型，一個負責彎道工作，另一個則是用在行人偵測。其中，彎道DNN模型只會負責處理車子過彎，並不會偵測現在有無行人衝進車道，而是會由另一個識別行人的DNN模型處理，假設遇到過彎同時有人衝出，這時就會由更上層控制決策系統，依據事先設定的規則綜合判斷後再做出決定，比如看到有人就停，沒人就開。透過這種基於規則的判斷方式，來幫助巴士開在人來人往的園區路上，而不會動不動就撞到人。

在農博例子裡，因為交通環境單純，設計的決策機制不用太過複雜，不過，一旦進入一般市區道路，面對到更複雜路況和交通時，光只是感知能力強還不夠，無人車還要具備有高度決策邏輯的判斷能力，能在複雜車流、行人穿梭的不確定路況中，依據這些綜合環境情資下達正確決定，決策系統也得要變得更有智慧才行。

不過，對於無人車來說，就算只是一個簡單轉彎操作，還是有AI學習困難的地方，蕭怡祺也舉直角轉彎來說明，因為車輛進彎接近垂直角度，攝影鏡頭拍到的路面影像，只會看到一點點車道線，使得AI在學習訓練時，就容易因為特徵資料不足，只有一方舵角資料，使得學習效果大打折扣。而要克服這個難題，就得要加強這方面的資料學習。

另外，在學習訓練樣本上，也不能只蒐集同類型的資料，需要不同取樣做開車學習，沈大維表示，因為車上感測器容易受到天氣的影響，使得AI所見影像，會和原先學習影像不一致，就容易產生誤判，如在農博自駕場地，每到正午大太陽時，白色車道線經過光照看起來就像黃顏色，AI因為以前沒看過，就可能不會把它當成車道線，經過時就容易開出跑道。所以，負責開車的人，就得要取得這類型的稀有資料，讓AI可以去學習這之間變化，使得學習過程能自我優化並處理數據之間更複雜的關係。

另一方面，雖然在物件偵測上，深度學習的確有其厲害之處，很會解高難度的問題，但也並非任何情況都能用到它，舉例來說，當用它來解一些簡單問題時，就容易會出問題，或是具有高度不穩定性，例如N-bit奇偶同位元校驗、乘法運算，或是一些簡單視覺偵測題，比如找出圖片中有無相似的形狀等。

王傑智就表示，深度學習技術並不是萬能，即便它很管用，但也應該要用在對的地方，比如它適合用在自駕車環境感知上，但是在決策和控制就不太適合。他表示，在設計自駕車時，通常會採用各種不同的有效方法，來確保整個自駕系統的安全性。就連做物體追蹤，都會同時有好幾種作法，用在不同感測器上，來反覆檢驗確認，以確保自駕行駛的安全。

就像新手學會開車後，接下來就是持續累積經驗，不斷精進自己的開車技術，AI能開車以後，真正挑戰才開始。不只要會開車、認路，還要能從路面上停放車輛、行人徒步區找出車輛可以通行空間來開車，更要能依據車況變化，隨時動態調整行車策略與規畫路線，這是決定無人車能不能上路的最大關鍵。尤其是在臺灣這種機車穿梭的場景，對於自駕車要能從封閉實驗場域，開進一般道路，更是一大考驗。

自駕車如何學會轉彎

以農博自駕小巴為例，在訓練階段（藍線），持續蒐集人工駕駛行駛間的前方路面影片和輪胎轉向舵角資料，集中到Drive PX2上的外接SSD硬碟，再轉存到筆電進行前置處理，來產生訓練用資料，再透過雲端，上傳到深度學習運算主機訓練轉彎DNN模型，完成DNN模型後回傳到PX2平臺。

推論階段（紅線），自動駕駛時，能需即時拍攝前方路面影片，傳入PX2利用DNN模型來推論出控制輪胎的轉向舵角資訊，同樣透過VCU車控及EPS轉向系統轉換成控制訊號，來操控汽車輪胎的轉向。

圖片來源：Nvidia、Ecotrons、CMU；資料來源：iThome整理，2018年9月。