工研院機械所數位長王傑智曾經在蘋果特別產品部 (SPG)擔任主管職位,投入自駕車研究近20年。

「我這輩子,從來沒想過大家會把自駕車當一回事。」 講到這段做自駕車研究的回憶往事時,工研院機械所數位長王傑智侃侃而談。因為就連他也沒料想到,居然有一天,自駕車真的可以成真。

熟識王傑智的友人都叫他Bob,平時熱愛馬拉松的他,國內外大小賽事都能看見他征戰身影,就像跑馬拉松,不能只靠體能,也得靠意志力堅持,對於笑稱自己是老自駕人的王傑智來說 ,做自駕車研究也像一場馬拉松,靠的就是毅力堅持到最後。

早在20年前,當大家都還當無人車只是電影描繪的科幻情節時,王傑智就一頭栽進當年較為冷門的自駕車領域,並選擇以機器人研究聞名的美國CMU攻讀,還向當時學界最早完成無人車雛型Navlab1的機器人研究大師Chuck Thorpe拜師。

而他在2003年發表的自駕車研究,更替他贏得了當年ICRA最佳論文獎,恰巧口試他的委員,正是後來大名鼎鼎的Google自駕車之父Sebastian Thrun,直到2007年的國際機器人研究期刊上,兩人都還有共同署名發表。

提到王傑智的大名,美國矽谷自駕圈幾乎沒有人不認識他,甚至連現在許多Uber自駕車團隊成員,或是自駕車新創創辦人,都是他以前同校師兄弟,講到自駕車演進與技術發展,王傑智比誰都還清楚。

2004年自CMU畢業後,他先後在澳洲雪大、臺大資工教了十年書,後來轉戰到了矽谷,直到兩年前,王傑智都還在蘋果特別產品部 (SPG)擔任主管職位,而且長期投入自駕車研究逾20年。去年歸國後正式接任工研院機械所數位長,率領研究團隊要打造國產自駕車AI大腦,短短不到1年,已經完成了至少3輛國產自駕車,現在每天都在工研院開放園區測試,說他是臺灣最懂自駕車的人,一點也不為過。

「我剛畢業時,業界根本還沒有無人車。」王傑智回憶起這段日子說道,但是誰也沒想到,相隔10年後,因為Google無人車問世受到外界囑目而迅速竄紅,自駕車技術反倒成為了全球當紅炸子雞。

不過,王傑智澄清說,這並不意味著,從事自駕車研發這件事變得很簡單, 只要想做,任何人都可以做。他說,做自駕車不像組裝玩具車,只要買輛電動遙控車,上面裝上攝影鏡頭,搭配一塊控制電路板,這臺玩具車會自動繞圈跑,就是自駕車。

他強調,真正的自駕車不能只開在特定路段,而要任何路段都能開,必須要能應付所有的駕駛情境。這有很高技術難度。

自駕車目前有哪些挑戰?王傑智也舉了其中兩大挑戰來說明。首先,第一個是氣候挑戰,他表示,自駕車碰到下雨、下雪天時,感測器將會難以運作,容易導致自駕車失靈,但是如果要發展自駕車,就不得不把天候因素考慮進來,設法在惡劣天氣環境下,將不同感測器技術,能夠巧妙地整合在一起,來相互確保行駛安全。「畢竟這是攸關人命的事。」他說。

其次,動態環境則是另一大挑戰。王傑智表示,要讓自駕車能開一小段路也許不難,但換成是要能在全世界所有道路上都能開,這就極為困難,因為不只要考慮到人、車、路等不同動態複雜環境的變化,自駕車還要適應不同地區當地開車習性的差異,比如在舊金山灣區道路設計較寬不容易交通阻塞,車輛通行也較守秩序,自駕車會相較好開,但場景如果換到臺灣,結果可能就不是一回事。

做一輛自駕車跟做一億輛比,難度層次完全不同

但是,對於王傑智來說,無人車真正挑戰是在規模化。「我在矽谷學到的經驗是,做一輛自駕車,跟做一億輛的挑戰規模完全截然不同,」他表示,很多人以為只要完成一臺自駕車後,接下來要複製到其他輛就很容易,但事情並非如此。

他解釋,如果只有一臺自駕車,只要把它控制參數調校到最好,上路就沒問題,但假設數量增加為10臺車時,就算每輛外觀都相同,車體還是會有些微差異,就可能會使得車上感測器擺放位置,因此稍微偏差一點,但就因為這一點點偏差,就可能會大大影響自駕決策結果,而要針對每輛車重新調整參數,反覆訓練測試,很花時間力氣。

「這是只做一臺自駕車,跟把車當做產品來經營發展的最大差別,」王傑智提醒,自駕車團隊一開始決定要做無人自駕車前,就必須先想清楚,自己要做的是技術展示用自駕車,還是要能夠商品化、量產化的自駕車產品。這是兩件完全不同的事情。

深度學習並非萬能,不應靠單一技術做整車自駕

講到當今自駕車技術路線。王傑智也提到現在當紅的深度學習(Deep Learning)技術對於自駕車的影響,但是他直言:「深度學習很重要沒錯,但是深度學習不等於自駕車,自駕車也不等同深度學習。」

王傑智表示, 深度學習技術雖然很管用,但要用在對的地方,比如深度學習適合用在自駕車的環境感知上,但是在決策和控制就不太適合,「我反對,用深度學習做整車的自駕,就是感知、決策與控制。」他表示。

「就算是感知,也有細分深度學習能做和不能做的事,」他說,因為深度學習並不是萬能。舉例來說,用深度學習判別桌上有一杯水,但是當這杯水移動時,能不能追蹤它跟著移動是個問題。今天換作辨識車輛時,除了要知道前方這是一輛車,還要預測出它的移動軌跡,判斷前方車子會不會突然撞過來,以這例子來說,「深度學習只會用在車輛辨識,接下來汽車會往哪走,方向會左彎還是右彎,行人會不會衝出來,會由其他追蹤、控制決策等系統,來負責執行這些任務。」

王傑智指出,自駕車設計有很多方法和理論,但總有人會認為舊的設計不好,一定要用新技術,這個觀念並不正確,他也舉物體追蹤來說明,在冷戰時期,各國利用地面雷達來偵測追蹤空中戰鬥機高速移動軌跡,背後這套跟蹤飛機系統技術,用的就是傳統追蹤理論,這跟現在自駕車追蹤物體原理相同。「就像是飛機自動飛行會以符合系統工程設計來執行,為何自駕車就不能以同樣標準來完成,不夠時在用深度學習加強呢?」他反問的說。

王傑智進一步補充,通常在設計自駕車時,不會只靠單一技術或系統來開發,而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。他說,就連一個物體追蹤算法,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。就像每架飛機上,現在都還會存有一套備分系統及感測器,以便於當某個主機故障或感測器失靈時,還有其他備用系統或偵測器可以接手,繼續維持系統正常運作,就連軟體都會需要一個備分算法,「這就是我們所謂的功能安全(Functional Safety)。」他說。

「我是研究了一輩子的老自駕人,」王傑智有感而發的說,從一開始沒人把無人車當一回事,到現在受到所有人的重視,這是相當正面值得鼓舞的事情,「對我而言,也終於能走出學術象牙塔,可以真正替人類做出有意義貢獻。」

談無人車全自駕服務還太早,主動安全整合自駕功能是大商機

對於當前全球自駕車產業的發展, 王傑智則認為,現在要發展全自動駕駛車服務,時間還太早,加上使用需求量少,他反而看好,自動駕駛在主動安全市場,將會有更大發揮的空間,比如將部分自駕功能放進計程車上,來輔助司機安全駕駛,「特斯拉就是其中代表。這也是臺灣業者,未來可以把握的商機。」他表示。

王傑智也說,不論傳統車廠,還是如Google等網路科技公司或是新創,最終都是要往無人車發展,只是彼此走的路線不太一樣。Google、百度打的算盤是要破壞式創新,走的是特定場域的自駕服務,他們心裡想的是5年到10年內可以取代車廠,而像特斯拉或其他傳統車廠,則是邊賣車邊做自駕,並持續透過這些車來蒐集資料,一步步升級自駕功能,大家各有盤算。

 相關報導  國產自駕車的誕生


Advertisement

更多 iThome相關內容