車用感測系統的發展為近期自駕車的重點，訊息蒐集、解讀、融合、判斷就是車輛是否能自主的要點。感測技術的改善，感測融合與相關演算法及AI深度學習的導入與資料、訊息與命令迅速處理並低延遲傳遞，有助自駕車產業發展再邁進一大步。
汽車智慧化風潮成為半導體產業成長的主要引擎，在達成高度自動化的Level 5自駕能力之前，提升安全性依然是各項電子系統導入不變的目標，其中感測技術強化車輛對環境的感知能力與緊急事件的偵測、應變能力，包括光達(LiDAR)、毫米波雷達(Radar)、影像感測器(Image Sensor)、超音波(Ultrasonic)等，這些元件近期成為汽車產業技術開發的亮點，強化偵測感應能力，同時提升整合度並降低成本，成為功能更強大的ADAS系統，讓車輛的環境感測功能與安全性進一步提升。
目前先進駕駛輔助系統ADAS的發展，已能提供豐富的被動安全功能，幾乎達到SAE定義的Level 2自動駕駛等級，而更關鍵的Level 3則是從傳統車輛進階到自駕車的關鍵門檻，車輛成為主動，駕駛轉換為輔助者，其中感測系統的發展最為重要，訊息蒐集、解讀、融合、判斷就是車輛是否能自主的要點。其中感測元件、系統的技術與應用設計都是相關廠商發展要點，同時也蘊含龐大商機。
車輛感知系統負責蒐集環境資訊，近年自駕車風潮興起，過去幾年許多實驗性的自駕車已進行的數百萬公里以上的自駕數據蒐集，Uber與Tesla的事故，事後調查就是因為系統異常與感測器失效的緣故，事後各界檢討，認為感測器間的資料融合與運用更為關鍵，而運算速度、抗環境干擾與辨識精準度為前端感測器的三個重要指標。
超越人類感官的車輛感知系統
依然在實驗道路上的自駕車，近期在系統設計上更加重視感測裝置的搭載，工研院資通所車載資通訊與控制系統組組長蔣村杰舉例，以美國GM推出的自駕車系統Cruise AV為例，已經搭載數十顆感測器，包括五顆LiDAR用來偵測固定以及移動物件；環繞車體共十六顆攝影鏡頭用來偵測追蹤行人、交通號誌與可行走空間；另外，還搭載長/短距雷達共二十一顆，長距雷達偵測車道上的車輛與速度，短距雷達偵測周遭物件。
在感測系統的運作上，可以大致分成四個流程，蔣村杰說，感測階段是透過各類感測器收集車輛周圍的訊息，接著是感測融合階段稱為Multi-sensor Fusion，先做前置處理與資料對齊，再透過物件感測(Object Sensing)，以深度學習影像辨識軟體針對所偵測到的物件與資料做訓練，而後將多重感測資料進行融合(Data Fusion)，事件推理(Event Sensing)流程會將感測事件分類，如橫向訊息要能清楚區分是行人穿越道路或橫向來車。
透過這些感測器與機器學習軟體演算法的處理，可以讓車輛電控單元最初能完整模擬人類的感官，最終的目標則是要超越人類在駕駛車輛時所使用的各種感官能力(Perception)，實現同步即時的全方位環境感知能力，並針對感測結果進行控制決策的判斷。
ADAS以主動安全功能為趨勢
NVIDIA執行長黃仁勳在CES 2017演說曾直言：人類不該開車！因為根據統計94%的車禍肇事原因是駕駛，北科大車輛工程系教授陳柏全(圖1)指出，分心駕駛(Distracted Driving)包括視覺、動作、思考的不專注，經常看到許多交通事故的肇因都是使用手機，其中駕駛中打文字簡訊是最容易肇事的行為。於是，在達成完全自駕的目標之前，汽車產業將不斷發展安全裝置，早期以被動安全裝置為主，安全帶與安全氣囊就是最著名的例子；近年，資訊科技蓬勃發展，電子產品介入成為主動安全裝置。
圖1 北科大車輛工程系教授陳柏全指出，94%的車禍肇事原因是分心駕駛，其中駕駛中打文字簡訊是最容易肇事的行為。
先進駕駛輔助系統是透過許多電子元件與子系統組合而成，陳柏全表示，ADAS系統大部分功能與安全息息相關，運作機制與前述感測系統運作類似，由最初的感測器蒐集到的初級資料，經過資料融合、分析，整合出人、車、路的資訊，並產生決策與動作，最後的動作又分為警示如視覺、觸覺、聽覺的警示，而更積極的就是透過主動的駕駛控制介入，如轉向(Steering)、煞車(Brake)、油門(Throttle)，未來發展的安全性ADAS將以這類主動式功能為主。
主要的ADAS子系統包括前方碰撞警示(Forward Collision Warning, FCW)、自動緊急煞車(Autonomous Emergency Braking, AEB)、車道偏離警示(Lane Departure Warning, LDW)、盲點偵測(Blind Spot Sensors, BSS)、主動跟車巡航(Adaptive Cruise Control, ACC)等，而ACC功能發展更成熟之後，車輛可以隊列巡航方式行進就是所謂的車龍(Platoon)，可以改善交通流量，並提升車輛燃油效率約15%左右。
HD Map提升感測系統準確性
車輛面對行駛過程複雜的環境變化，需要精準掌握，近年高解析地圖(HD Map)也是發展重點之一，可以事先掌握所有動態之外的環境資訊，再與感測器偵測到的即時動態訊息疊合，並執行路徑規畫讓車輛的控制與移動可以精確無誤，新馳科技研發處副總經理賴盈霖提到，高解析地圖與感測器結合執行導航稱為慣性導航，與人參考導航駕駛不同，對於系統運作的要求很高，在執行時可分為三個層面，分別是策略、技術與操作，如要駛下交流道，需要預先規畫通知系統變換車道，並使轉向與傳動系統正確無誤地執行。
短時間內要達成Level 4的自駕功能看起來難度還很高，以市售車來看，車廠致力的重點就在強化ADAS的功能，大概是Level 2+或ADAS+。賴盈霖解釋，視覺慣性測距(Visual Inertial Odometry)是慣性導航的基礎，建立起車輛的視覺，硬體包括相機、GNSS、動作感測器(IMU)與CAN，搭配高解析地圖。一般GPS的誤差可以在5公尺以內，而搭配相機可以將定位精準度提升到1公尺以內，加上高解析地圖就可以將誤差縮小到20~50公分等級。
視覺同步定位與地圖構建(Visual Simultaneous Localization and Mapping, vSLAM)也可以稱作視覺增強精確定位(Vision Enhanced Precise Positioning, VEPP)是利用相機與動作感測器的訊息融合後，再結合GNSS與車輪測距(Wheel Odometry)融合後的資訊而成，產生六個方位的精確定位資訊，但其中最大的挑戰就在於時間延遲(Time Delay)，因為車輛的行進速度動輒每小時數十公里，指令與動作通常不可逆，如果出錯只能修正，也可能造成沒有修正機會的後果。
汽車電子化OTA軟體更新不可少
高解析地圖建置期間就需要花費許多時間與資源，而根據統計，高速公路上的地形、地貌每年更動20~30%，也就是一年後30%的資訊需要更新，維護對於高解析地圖重要性不言可喻。事實上，未來車輛資訊化，軟體更新會更像手機，空中下載(Over The Air, OTA)需求水漲船高，科絡達研發經理黃玉成(圖2)說，一般Software OTA就像過去的手機App更新，需要作業系統支援，而Firmware OTA不用底層的核心平台支援，第三類稱為診斷式OTA(Diagnosis OTA)，可以讓車輛系統時刻保持最新、提升功能，並降低車輛召回頻率。
圖2 科絡達研發經理黃玉成說，車載系統OTA可以讓車輛時刻保持最新、提升功能，並降低車輛召回頻率。
在OTA的架構上，以管理平台與執行更新程序組成，黃玉成指出，OTA升級流程包括用戶發起查詢、收集本地訊息、上報訊息、得到升級包與策略、DA執行策略、升級包分發、網關執行刷寫流程、UA執行本地升級流程、上報升級完成狀態等。在目前車用網路與處理器運算能力有限的狀況下，科絡達發展差分OTA方式，差分包可以整包下發到ECU進行更新，借助UDS進行串流更新。
車用毫米波雷達應用/需求火熱
在所有車用感測器上，毫米波雷達是近年發展非常迅速的產品之一，早年應用在軍事與航太領域，技術發展至今也相對成熟，雖然產品成本不如影像感測器具競爭力，但可以像光達一樣受到較少天候限制，偵測距離亦可輕鬆超過100公尺，同時半導體製程有利後續成本降低，因此吸引大量半導體廠商投入發展。
車用雷達已經逐漸應用在市售車上，而針對不同的應用需求，未來幾年，每台車輛上雷達應用數量將持續增加，德州儀器(TI)嵌入式系統應用經理許景華(圖3)表示，雷達的功能主要顯示駕駛人車輛與其他車輛的相對距離、速度與角度三種訊息。而高度整合也是發展趨勢，以TI的解決方案為例，通常整合了毫米波接收器、發射器、ADC、MCU與DSP成為單晶片。而不同距離的雷達，也會應用在不同類型的目標偵測與系統上。
圖3 TI嵌入式系統應用經理許景華表示，雷達的功能主要顯示駕駛人車輛與其他車輛的相對距離、速度與角度三種訊息。
在雷達的設計上，許景華直言，由於汽車移動速度與外界環境變化迅速，加上天候也會影響雷達感測表現，所以在毫米波雷達系統的設計上，最大的挑戰就是天線與演算法，這兩個設計直接攸關雷達感測的品質與準確度。未來，雷達應用範圍也將更為廣泛，包括車內偵測駕駛人的心跳、呼吸，室內人數的計算與移動軌跡的紀錄，甚至小到一個人說話的嘴型與講話的內容都可以透過雷達偵測加以解讀。
感測融合/深度學習不可或缺
未來車輛感測元件的類型與數量持續成長的狀況下，每輛汽車產生越來越多資料，不同感測器有不同專長，比如影像感測器成本低、解析度好，光達不受天候影響，雷達受天候影響也低，模組體積小安裝便利等。但未來每輛車產生的海量資料，必須要透過感測融合整合成有用的訊息，並導入人工智慧(AI)跟深度學習，工研院機械所自動駕駛技術部研究員林哲聰(圖4)認為，因應資料量大增，AI的功能將越來越重要。
圖4 工研院機械所自動駕駛技術部研究員林哲聰認為，未來車輛產生的海量資料，須透過感測融合成有用訊息，並導入AI與深度學習。
關於AI的導入，目前在網路上有很多開放的資訊，在初期有助於快速上手，可以選擇較適合自身應用的Dataset，並在標註(Labeling)時選擇好用的工具。而在框架部分，林哲聰說明，已有許多著名的工具可以選擇，包括：Caffe、Caffe2、Torch、PyTorch、MatConvNet、TensorFlow、Keras、Mxnet等。
而物件偵測與傳統機器視覺類似，林哲聰指出，這大致分成兩階偵測(Two Stage Detection)與一階偵測(One Stage Detection)兩種，兩階式的偵測演算法可以達到很高的準確率，但是速度較慢。一階偵測是指類似YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)這樣不需要候選區域(Region Proposal)，直接回歸的檢測演算法，這類演算法速度很快，但是準確率不如前者。最新的YOLOv3的偵測速度快又準確，是近期產業認為可以兼顧效能與準確率的演算法。
汽車電子元件檢測不可馬虎
汽車搭載的是人，因此安全問題是第一考量，越來越多電子元件導入汽車，面對產品失效的風險，隨著電子元件品質/耐用性/環境耐受度等要求更加嚴謹，車用元件的檢測與驗證重要性受重視的程度也持續提升，宜特科技可靠度工程處長曾劭鈞(圖5)解釋，需要更多測試驗證來確保元件的品質，對於製造商來說，也是成本的提升。而車用元件不同層級的製造商，從車廠、Tier 1車用系統供應商、車用晶片廠商、晶圓代工廠等，都有不同的標準要遵循與相關的產品驗證測試項目必須完成。
圖5 宜特科技可靠度工程處長曾劭鈞解釋，隨著電子元件品質/耐用性/環境耐受度等要求更加嚴謹，車用元件檢測與驗證重要性持續提升。
目前汽車電子元件/系統主要的測試驗證規範有IATF 16969、ISO 26262、AEC Q系列、IECQ AQP等，曾劭鈞說，IATF 16949是目前全球認可且應用於汽車/摩托車產業供應鏈的組織品質管理系統，大部分系統製造或經銷商都需具備；而ISO 26262《道路車輛功能安全》國際標準是針對總重不超過3.5噸八座乘用車，針對大部分電機/電子系統的功能安全性(Functional Safety)標準規範所制定的，基於IEC 61508《安全相關電氣/電子/可程式電子系統功能安全》內容規範詳盡。
AEC Q系列主要依據國際汽車電子協會(Automotive Electronics Council, AEC)的車規驗證標準，包括AEC-Q100(IC晶片)、AEC-Q101(離散元件)、AEC-Q102(離散光電元件)、AEC-Q104(MCM多晶片模組)、AEC-Q200(被動元件)，其測試條件較消費型IC規範更為嚴苛，但測試條件仍以JEDEC或MIL-STD為主，另外加入特殊規格，例如電磁相容性(EMC)驗證。國際電工委員會(IEC)推動電子零組件品質評鑑制度(International Electrotechnical Commission Quality, IECQ) IECQ AQP是其電子零組件品質評鑑制度。
自駕車發展到Level 4以後才算是正式進入自動駕駛的領域，目前產業的進展大概位於Level 2.x，感測器與其相關系統的發展，就是汽車能否跨越Level 3的關鍵，目前面臨的問題是感測元件技術的改進包括降低成本、提升精度，而導入越來越多感測系統之後，如何協助不同的感測器截長補短，發揮自身優勢，並快速處理大量感測資料，感測融合與相關演算法及AI深度學習的導入是另一個關鍵，最後有賴目前發展中的汽車網路技術改善車內與車外的通訊連結，協助資料、訊息與命令可以迅速處理並低延遲地傳遞，勢將有助於整體自駕車產業發展再邁進一大步。