車未來：Google在2014年買下了一家名為DeepMind的英國AI研究公司，三年後推出了劃時代的圍棋對奕軟體AlphaGo Zero，以自我學習的AI演算法，不需輸入棋譜從零開始，只用了40天就打敗所有之前的圍棋軟體，成為有史以來最強大的「棋士」；這件事證明AI透過深度學習，可以完成人腦無法做到的事。那麼AI應用到技術困難度更高的自駕技術，這個歷程又會如何推進？
國立陽明交通大學電控工程研究所王傑智教授 (圖右) 與車未來編輯團隊李應生 (圖中)、曾彥豪 (圖左) 進行訪談。
王教授：從NavLab開始，自駕車的技術逐代提升，初期以AI類神經網絡（ANN)為主的演算法慢慢演進到近年的深度學習Deep Learning，以適應並處理複雜多變的行車環境資訊。從工廠的AGV無人搬運車、AMR自主移動機器人的智能物流，一直到應用於實際道路上的L4以上自動駕駛車；AI的深度學習演算法透過攝像鏡頭、光達、雷達等感測元件接收到的環境感測資訊融合，不斷地提升自駕系統的學習認知能力，從而做出正確而即時的判斷，並對車輛下達動作指令。自5年前左右開始，全球自駕技術即開始快速發展，深度學習已是研發主流。
%20%e7%82%ba%e5%8f%b0%e7%81%a3%e5%8d%8a%e5%b0%8e%e9%ab%94%e7%94%a2%e6%a5%ad%e5%ae%a2%e6%88%b6%e9%81%94%e6%88%90%e7%84%a1%e4%ba%ba%e5%8c%96%e5%b7%a5%e5%bb%a0%e7%9a%84%e7%9b%ae%e6%a8%99_2.jpg)
車未來：AI主導的L4/L5 全自駕技術，跟時下流行的ADAS輔助駕駛系統，在理論出發點上有何不同？
王教授：ADAS主要在車輛橫向與縱向移動上做控制⋯ 橫向位移調整就好比是車道置中功能；縱向位移就好比是跟車功能，可依車速來設定相對於前車的距離。這些功能大多用在交通狀況比較單純的高速或快速道路上，當導出交流道進入市區行駛後，這些功能就沒有什麼實際幫助了，而需駕駛者接手掌控車輛。這種就屬於L2。但L4以上的無人駕駛（其實也包括L3)，則由自駕系統負責所有的路況判斷與決策；所以ADAS的技術一旦成熟而提升至L3時，會讓人忘了這些都仍只是「輔助駕駛」功能，因而發生意外。在近年來，全球自駕技術研發人員也開始不將L3、L4、L5當做技術等級判定的指標，而是更重視自駕系統在設計階段所定義的適用場域「ODD運行設計封閉場域」Operational Design Domain ⋯ 在ODD中，對適用場域的環境狀況、行駛條件、與行車性能等等的定義，反而更切合實際應用，而非拘泥於屬於哪一個等級。
車未來：美國加州交通管理局DMV每一年所公佈的自駕車年度路試報告中的MPI指標（每次人為接管的行駛哩程間隔），在各家廠商測試路線不同、環境不同、系統設定人為接管時機的條件不一的狀況下，是否仍能做為自駕技術比較的基準？
王教授：是的，這個報告已無法成為各家技術比較的基準，反而是ODD才能做為真正導入實際運用商轉的技術判斷依據。
車未來：AI如何以雲端運算及邊緣運算的方式，來處理大量即時的環境感測資訊？
王教授：未來車輛系統的運算分成Real-time、online、offline等三種方式。像邊緣運算就是屬於Real-time，用以解決眼前即時需處理的情況 (例如需要作動AEB、ABS )。像這種就無法倚靠運算有時間延遲的offline雲端運算，而後者可用於行車路徑規劃、遠方路況應對、infotainment 資訊娛樂系統等非自駕運算類。而運算的排序，首先必定是安全為優先考量，但光是安全也不能符合實際需求，而是要提速⋯ 譬如碰到前方修路或車禍，必需越過雙黃線向前行；左右側都有摩托車擠過來，車輛不能只是靜止而需緩緩前進；山路彎道前後無車時需略以直線前行以提升乘員乘坐舒適性。
車未來：自駕系統未來碰到電車問題（trolley problem) 時，該如何設計來決定意外發生時的碰撞對象或方式？
王教授：這是屬於倫理問題，但自駕設計人員反而應以避免發生這種意外事故為前提來思考系統設計的瑕疵，將之回歸到技術面的問題來解決。至於真的有刻意來製造事故，或是完全無法避免的緊急狀況發生時，那就不是在自駕技術設計可控範圍之內了。
車未來：AI自駕晶片的算力是決定自駕技術可否早日落地的關鍵因素，目前全球相關的技術進程如何？
王教授：以自駕技術研發人員的需求來說，當然是算力愈強愈好；但一方面有成本的考量，另一方面在晶片運作時散熱與耗電的實際問題，都必須統合考量。所以即使是目前全球最強算力的自駕晶片，對單純以技術面來考量的自駕研發人員來說都可說是不夠的；但反而在感測元件的佈建要如何精減以有效提供感測資訊等層面做思考，才能真正充份發揮晶片算力的功效。
.jpg)
車未來：全球各地都在路試自駕車，可否將各地路試的深度學習成果匯流到一台自駕汽車上，這台車在理論上就可量產行銷全世界，提早讓自駕技術落地？
王教授：曾有人將多組Dataset整合到一個自駕系統上，但因ODD條件各有不同，所以經深度學習後的行駛模式都有差異，並無法產生預期的相加效果；且因為相加後的模組model 太大，很難再做技術上的調整。反而是用深度學習的模組加上非深度學習的模組，可以在調整上更加沒有技術的障礙。
車未來：自駕技術有晶片算力、邊角案例（corner case)、成本控管、行駛環境各處不同等等商品化路途上的障礙，何時能真正落地？
王教授：自駕技術應逐步導入各個應用場域，譬如貨物運輸業、固定路線的公車、甚至捷運，以相對較單純可控的行車環境來優先實施，並能展現商轉模式的經濟價值。至於像Robotaxi 的個人用車終極應用，應該還再需要10至15年的時間。