2017年國際消費性電子展(CES)猶如汽車大展，各家車廠紛紛推出自駕車實驗性車款，包含奧迪(Audi)、BMW、賓士與特斯拉(Tesla)等車廠；為此，輝達(NVIDIA)、英特爾(Intel)與賽靈思(Xilinx)等大廠順勢推出軟硬體結合的人工智慧(AI)解決方案，大啖自駕車新商機。
目前全球有總數超過十億輛的汽車，每天搭載乘客二千萬趟，至於貨車的總數也有多達三億輛，每年運送貨物行駛里程超過1.2兆英里。然而，交通事故造成的生命財產損失卻也逐年不斷升高。例如台灣在2017年年初鬧得沸沸揚揚的「蝶戀花旅行團遊覽車」翻車造成33人死亡事故，就是慘痛的例子。光是在北美，每年車禍造成的損失都達到數千萬美元。如今，車廠與相關供應鏈廠商正在全力研發自駕車或車輛輔助系統，以減輕駕駛的負擔並增進安全性，將可望有效減少車禍事故的發生機率。
毫無疑問，自動駕駛汽車將是21世紀最大的破壞性技術之一。自駕車將能夠大幅削減能源消耗並提高交通流量效率，提高運輸生產力和減少污染。最重要的是，自駕車將徹底改變道路交通的安全。根據世界衛生組織的數據，全球每年大約有120萬人死於交通事故。研究人員表示，自動駕駛汽車可以將事故率降低高達90%，每十年可能挽救1,000萬人的生命。
在無人駕駛的未來世界裡，可預見零事故與高行動力的可能性。為了追求交通零事故的發生，車廠無不卯足全力研發安全又可靠的自駕車，然而，目前自駕車最大的問題還是在於交通法規的限制，各國政府態度尤其重要。美國政府在2016年已發布全球第一套無人車安全評估指標，加州更開放進行上路測試；於歐洲地區，Euro NCAP於2017年針對新款汽車採用了雙重評分制度，在對車輛的標準安全配置進行評價的同時，也對加裝了安全選配的車型進行評價，為迎接自駕車時代跨出一大步。如今想獲得最高五星評價的汽車，不僅必須在碰撞中對乘員和行人提供保護，而且還要能夠自始避免碰撞。檢驗測試代表可能導致死亡或受傷的真實事故場景，得分最高者必須證明汽車配備能夠避免或減緩碰撞的技術，如碰撞不可避免，也必須對車內乘員和其他用路人提供足夠的保護。
加快自駕車上路腳步 高解析地圖不可或缺
2016年自駕車技術發展的重點在於感測技術的發展，以便讓自駕車能感知周遭環境，同時進行自主判斷。相較之下，2017年自駕車技術發展重點將結合高解析地圖(HD Map)的建置，這些精度達公分等級的高解析度地圖，對於讓自動駕駛的車輛安全且有效率地穿梭街道來說，至關重要。
NVIDIA技術行銷經理蘇家興(圖1)表示，實現自駕車的首要條件，便是讓車輛具備可以感知周遭環境的能力，包含身邊的汽車、人、交通號誌等。不過，隨著自駕車已能感知這些物件，接下來輔以高解析地圖，將可讓自駕系統的表現進一步獲得提升。
 |
| 圖1 NVIDIA技術行銷經理蘇家興表示，NVIDIA將HD地圖建置視為2017年自駕車技術的發展重點。 |
若想透過電腦判斷汽車是否該加減速或變換車道，則電腦必須知道汽車本身所在位置、汽車附近有幾個車道等資訊；但事實上，目前的導航地圖不僅定位速度較為緩慢，且圖資內容對自駕系統而言，資訊也不夠充分。因此，高解析地圖有可能成為今年自駕車很重要的發展重點。
已經具備周遭環境感知及判斷能力的自駕車，若能搭配高解析地圖，便可獲知每個車道的分布，並精準判斷汽車本身的正確位置。藉此，系統便可進一步判斷是否該通過行駛或變換車道。
高解析圖資蒐集的過程可以透過光達(Lidar)、照相機等設備來執行，但執行過程不是僅將汽車開過行經路線即能完成地圖，此舉只是先將資料蒐集完成，而後還須經過一系列的運算，以建立3D地圖。
NVIDIA DRIVE PX2是一個可擴充的架構，性能涵括整個自動駕駛技術所需要的AI人工智慧。在GTC技術大會上，NVIDIA發布了DRIVE PX 2 AutoCruise，此技術專為高速公路自動駕駛而設計，能夠持續地進行定位及製圖工作。此外，該公司也推出了DriveWorks Alpha 1自製作業系統，支援自駕車，全方位提供自動駕駛的各項功能，包括偵測、定位、規劃路線及動作反應等。
目前NVIDIA已與幾家圖資廠商進行合作，如百度、TomTom、日本ZENRIN、歐洲HERE等。由於建立高解析地圖是很花金錢與時間的投資，因此NVIDIA未來還會繼續與其他圖資廠商洽談合作，共同打造世界不同角落的高解析地圖資訊，為自駕車發展鋪路。
另一方面，除了NVIDIA積極推動高解析地圖建置，以支援自駕車發展之外，近期布局自駕車市場不遺餘力的晶片大廠Intel，更是透過併購手法擴大布局自駕車市場版圖。
不久前英特爾以高達153億美元的重金，收購以色列自動駕駛技術先驅廠商Mobileye，搶占自駕車市場的野心可見一斑。
全力衝刺自駕車市場 Intel高價併購Mobileye
此次併購將有望加速汽車行業的創新，並將英特爾定位為快速增長的高度和全自動車輛市場的領先技術提供商。
看好自駕車未來發展前景，英特爾預估，2030年，車輛系統、數據和服務市場的商機將高達700億美元。此併購案不僅擴展Intel投資數據密集市場的機會，同時也刺激該公司在雲端運算與連接技術的優勢。
英特爾首席執行長Brian Krzanich表示，這次收購對該公司的股東、汽車產業和消費者來說是一個巨大的進展。Intel為自動駕駛提供了關鍵的基礎技術，包括繪製汽車的路徑和做出即時駕駛決策。Mobileye則是帶來汽車等級的機器視覺運算能力和廣大的汽車生態體系。不僅如此，Intel更可以更低的成本為汽車製造商提供高性能的雲端至車輛連結的解決方案，從而加快自動駕駛的快速成形。
聯網/雲端效能合一 Intel Go平台奔馳車場
舉例來說，日前於CES大展，英特爾推出Intel GO此款針對汽車解決方案的全新品牌，橫跨汽車、聯網以及雲端領域。Intel GO品牌目前涵蓋多樣開發套件，從新一代Intel Atom處理器一路涵蓋到Intel Xeon處理器，以及針對自動駕駛設計的業界首款5G開發平台。
這個可擴充的汽車至雲端(Car-to-cloud)系統將汽車產業推入加速模式，快速邁向無人駕駛的未來。不僅帶給車廠與供應商極大的設計彈性，還能縮短向市場推出新體驗所耗用的時間與降低成本。
結合硬體與軟體開發套件，完整的Intel GO系統包含：
英特爾在汽車領域的豐碩成果包括49種車款，且目前已有超過30款內含英特爾技術的車款上路。鮮為人知的是目前也有數百款內含英特爾元件的自動駕駛車正在進行道路測試。
包括BMW、Delphi、以及百度等領導廠商已宣布計畫在其自動駕駛車中採用英特爾技術。事實上，BMW與英特爾以及Mobileye甫宣布約40部BMW自駕車的車隊—內含Intel GO解決方案—將在2017年底上路。現在透過Intel GO平台，各家車廠及其供應商可獲得所需的工具，更易於開發無人駕駛車，並讓新車款支援像是5G等未來技術。
5G對於自動駕駛的未來至關重要。自駕車必須產生與處理極其龐大的資料，才能導航以及對突發事件做出即時反應，現今的通訊系統原本就不是設計用來處理如此龐大的傳輸頻寬，為此業界才著手發展5G，提供更快的傳輸率、超低的延遲、以及車對車(Vehicle-to-vehicle, V2V)通訊功能，滿足自動駕駛時代的需求。
正因5G對實現無人駕駛的未來如此重要，英特爾也於CES發表Intel 5G數據機，號稱首創全球通用5G數據機晶片同時支援sub-6GHz以下頻帶以及毫米波頻譜。此數據機內含一個緊密小巧省電的晶片套件，提供超過5Gbit/s的傳輸率以及超低的延遲，讓自駕車能迅速地執行決策。
擴增機器學習應用 Xilinx軟體堆疊方案問世
機器學習的應用正快速拓展到越來越多的終端市場，在用戶端、雲端或者以混合的形態，將基於邊際網路的處理與基於雲的資料分析結合在一起。其中，在邊際運用上，賽靈思推出reVISION堆疊，致力於大幅拓展至廣泛的視覺導向機器學習應用。
全新reVISION堆疊讓更多領域中對於硬體設計不熟悉或不專業的軟體及系統工程師，也能夠更容易、更快速地開發智慧視覺導向的系統。這些工程師如今在結合機器學習、電腦視覺、感測器融合和連結的應用時，能夠獲得顯著的優勢。
 |
| 圖2 賽靈思工業、科學、醫療技術行銷資深經理羅霖表出，軟體定義reVISION流程能迅速開發快速反應的系統。 |
賽靈思工業、科學、醫療(ISM)技術行銷資深經理羅霖(圖2)指出，反應時間等這些顯著優點來自Zynq SoC遠優於嵌入式GPU和傳統SoC的基本架構優勢。嵌入式GPU和傳統SoC需要從感應器到視覺、機器學習和控制處理頻繁來往外部儲存空間(圖3)。相比之下，Zynq SoC部署了使用可編程邏輯和大量內部儲存器實現的優化和流線型資料流程。這不僅讓延遲僅為其他方案的五分之一，且還實現了對於許多即時應用至關重要的確定性回應能力。
羅霖舉例，在時速65哩下，比較一部汽車搭載以賽靈思基於Zync SoC的reVISION技術對照另一部搭載NVIDIA Tegra元件的汽車，兩者在辨識潛在碰撞危險與制動煞車的表現。由於Zynq SoC的優化內部儲存器和流線型資料流程，使得反應時間方面的優勢，讓距離縮短5至33呎，以輕易實現安全煞停並避免撞車。
除了至關重要的反應時間，賽靈思解決方案還在可重組性方面提供許多獨特的優勢。為了運用尖端神經網路與機器學習推論技術部署最佳系統，工程師必須在產品整個生命週期中適時優化軟體與硬體。
在規劃快速演進的感測器技術方面，對於可重組能力也有類似的需求。人工智慧的演進加快了各種感測器技術的研發與演化。這也在感測器融合方面產生新層面的需求，配置多種類型感測器組合，讓使用者能完全掌握系統環境的動態，以及觀察環境中各種物件的狀況。如同在機器學習方面，不論是現今指定的還是未來建置的感測器組態，都必須透過硬體的可重組能力支援未來的需求。
 |
| 圖3 嵌入式GPU與傳統SoC運算流程和Xilinx FPGA運算流程方式比較圖 |