不需駕駛也能輕鬆上路-淺談自駕車與高精地圖

江凱偉∕成功大學測量及空間資訊學系教授。
曾芷晴∕成功大學測量及空間資訊學系碩士生。

前言
根據聯合國統計,每年約有5千萬人因車禍而受傷,其中大多為人為因素所致;有鑑於此,為了減少人為禍因及確保駕駛行車安全,而有無人駕駛的願景。回溯至1980年代,美國卡內基.梅隆大學(Carnegie Mellon University)團隊打造出全球第一輛自駕車雛形,揭開現代無人駕駛的序幕。同時,美國國防高等研究計劃署(Defense Advanced Research Projects Agency, DARPA)也開始大力推動自駕車技術,雖然當時自駕車在技術上仍受限制,但也讓更多學術單位和製造產業開始投入自駕車的相關研究。

自駕車分級,能力大不同
儘管至今自駕車技術發展仍尚未成熟,但仍有眾多廠牌的汽車系統開始引入「先進駕駛輔助系統(Advanced Driver Assistance Systems, ADAS),以提供駕駛目前車輛的行駛狀況以及周遭的環境變化分析,並預先警告駕駛潛在的危險,以利及早採取適當的措施,避免意外發生。美國國家公路交通安全管理局(National Highway Traffic Safety Administration, NHTSA)採用國際汽車工程師學會(Society of Automotive Engineers, SAE)提出的分類方法,將自駕車系統分成6個等級,如圖一所示。
圖一:自駕車等級分類。

圖中,第0級為最原始的汽車操作系統,必須由駕駛全權掌控行駛功能,如方向盤、煞車、油門、動力系統等。為了提升整體駕駛感與行車安全,在增添個別功能或裝置後,如電子穩定程式(ESP)或防鎖死煞車系統(ABS),則該系統可提升至駕駛輔助第1級,但主要功能仍需由駕駛操控。

雖然現今市面部分中高階車款主要仍由駕駛者自行控制車輛,但已額外新增自動化功能,減輕使用者操作負擔,如巡航定速(ACC)結合自動跟車和車道偏離警示(LDW),而自動緊急煞停系統(AEB)透過盲點偵測和汽車防撞系統的部分技術結合,降低因碰撞造成的車輛行駛意外,該系統則為第2級。第4級以上的車輛系統為完全自動駕駛,相對於第3級,只有遭遇少數緊急狀況才需要駕駛介入操作,至於最高等級的系統則能不受外界環境影響,也不需人為干預,透過完善汽車通訊系統進行車輛之間的溝通與協調。

所謂自駕,可沒那麼簡單
然而,若要實現自動駕駛技術必須克服三大挑戰:首先,必須使自駕車能得知當前車輛確切的位置與導航資訊;再者,由於自駕車是透過整合各式感測器來感知外界環境變化的,因此必須解決車載感測器受遮蔽或因為量測距離過遠而無法感知的道路事件;最後,則要賦予車輛和其它交通工具相互連結溝通的能力,以確保車輛能安全行駛。對自駕車而言,重要的不只是能看到周遭的障礙物,更重要的是下一秒鐘的行駛決策。

由此可見,自駕車上必須搭載各式感測器模擬甚至超越人在行駛過程的感官能力以感知周遭環境,同時配合全球衛星定位系統(Global Navigation Satellite System, GNSS)、慣性導航技術(Inertial Navigation System, INS)以及軟硬體電腦的運算能力與效能。此外,透過預先建置完成的三維高精地圖作為輔助資訊,已成為實現自駕車不可或缺的技術。

給機器看的特製高精地圖
高精地圖的發展與建置,可謂實現自動駕駛技術的關鍵。傳統的二維車輛導航電子地圖是以「人」為導向,由於人腦具有自主判斷與決策的能力,能依照經驗或先驗知識採取正確的措施以因應外界環境的刺激,因此這類地圖設計上較為簡易,也僅需簡單的指引標誌就能將使用者安全地引導至目的地,精度要求相對較低;即使在行駛過程中的導航系統發生錯誤,駕駛也具備足夠的能力修正行駛的路徑,做出適當的決策。

然而,隨著自動駕駛技術的引進,使用者從人轉移至機器,為科技帶來新的挑戰,即便機器具有遠優於人腦的邏輯計算能力及效率,但它仍缺乏對環境的基本感知與決策能力,舉例來說,若當前有障礙物必須規避,人腦能直覺式地因應當前的刺激做出適當的行駛行為,自駕車卻需要蒐集龐大資料並經過一系列複雜的電腦運算,才能正確回應外界的變化與刺激。因此,為了實現自動駕駛的技術,必須打造自駕車專屬的地圖,才能確保其能在無人干預的情況下安全且正確的行駛。

機器獨立行駛的先決條件
根據相關文獻指出,自駕車是由三大技術所組成。首先是讓自駕車取得、了解周遭環境資訊,以針對障礙物規避、車速調整、車道及行駛方向判定等狀況作回應的感知力;再來是定位與測繪(mapping)技術,隨時掌握車輛在地圖上的位置,並建構周遭三維環境資訊,方便車輛執行導航決策及更新高精度地圖;最後是行駛決策(driving policy),依據自駕車在不同場域的行駛能力給予適當的決策。

為了賦予自駕車具備對外界環境的感知能力,自駕車必須搭載各式感測器做為感知的媒介(圖二),一般自駕車搭載的感測器如光達、相機、雷達、全球導航衛星系統、慣性感測元件(IMU)等。圖三為自駕車元件與人類感官器官對應圖,代表自駕車需具備人類的行駛能力,然而各式感測器皆有優缺點,雖能透過感測器整合以彌補之間的缺點,但感測器的感知能力仍有一定的侷限,當超過感知力的範圍,一旦發生錯誤而來不及反應,便可能導致悲劇發生。

圖二:自駕車等級分類。

此外,隨著近年來都市快速發展,市區環境越趨複雜,各式高樓林立以及高架橋等建物嚴重干擾衛星訊號的傳送,導致訊號遮蔽或是多路徑效應的情形產生,使得自駕車無法獲得高精度的定位結果,並將自駕車準確定位置正確的車道上。因此,若自駕車能結合預先建置完成的高精地圖,便能提供自駕車額外的輔助資訊,確保安全行駛的最終目的,由此可知高精地圖的重要性。

高精地圖,到底是有多精?
高精地圖類似於市面上普及的電子導航地圖,然而高精地圖需具備的絕對精度更高,根據相關文獻指出目前使用的個人導航設備及智慧型手機導航精度約為5公尺,若要提升至車輛自動駕駛層級,導航精度需達0.5公尺內,提供資訊的圖資精度更要在25-30公分等級才能滿足需求。此外,高精地圖必須反映真實世界的狀況,故圖資上的道路屬性、車道幾何、拓撲關係、交通號誌、障礙物等都必須被精確定義,甚至要包含準確的道路形狀、每段車道的坡度、曲率、航向、高程等資訊,才能與自駕車本身的軟體技術與硬體設備間進行整合,從而滿足安全駕駛的最終目的。綜上所述,高精地圖需具備的條件如下:

1. 圖資精度要求達1公尺內,甚至更高級。
2. 所有地圖資訊都需在三維空間中。
3. 真實世界中的特徵物皆需明確定義。
4. 高精度地圖與真實世界須為1:1的比例。
5. 必須有即時的地圖資訊供車輛進行駕駛決策。

實現自駕車的技術大盤點
首先,自駕車本身絕對位置的定位精度必須滿足自駕車技術需求,然而由於環境複雜的都市地區多數時候無法獲得良好的衛星觀測量,進而無法準確將自駕車定位於正確的車道上。因此,有研究指出利用車道辨識(Lane Detection)演算法,可有效提升自駕車本身的定位精度,即便在都市地區亦能達到公分等級的定位精度;此外,荷蘭導航圖資公司TomTom提出自主RoadDNA技術,使自駕車利用自身感測器所得動態地圖對誤差即時修正,從而具備穩定且高精度的定位成果。

圖三:自駕車與人類感知與決策能力對照圖。

再者,自駕車核心技術的實現,仰賴車上軟硬體間的配合。如前所述,自駕車需搭載各式感測器,其中相機與光達如同車輛的視覺感官器官,透過蒐集影像和點雲資料以獲取使用者所處的空間資訊,進而對外界做出安全且正確的回應,由此可知自駕車需蒐集非常龐大的資料,無法再以人工方式處理,為降低時間及人力成本,須藉由機器自動化篩選與快速分類萃取,提供使用者正確的決策分析。隨著科技的革新與突破,目前國際上自駕車先進產業,包含Google、Uber和Here等皆透過測繪車蒐集真實世界的資料,並以影像與點雲分類技術針對道路邊界、障礙物、交通號誌等特徵物進行特徵萃取。

在影像辨識方面,常見的方法為利用RANSAC演算法自動化即時萃取目標物邊界,進而辨識目標位置。近年來,基於深度學習在相關影像辨識演算法快速發展,卷積式類神經網路(Convolutional Neural Network, CNN)為在深度學習上普遍應用於影像之分類、辨識、語意分割等任務的基本模型,也都被證實有良好的成效;部分學者修改CNN的架構,如全卷積式類神經網路(Fully Convolutional Networks, FCN),以提升CNN的辨識準確度。此外,目前圖像基礎的深度學習物件辨識(Object Detection)法,主要的佼佼者有Faster R-CNN和YOLO,其具備了即時性與高準確性的辨識成果。

相較於影像,光達點雲辨識技術特有的「三維幾何特性」,提供自駕車另一種環境判讀的資料,部分學者提出將影像分類中物件分類的概念延伸至光達點雲分類,提升自動化點雲分類的完整性與合理性。此外,有學者亦提出將光達點雲先轉換成影像後,再輸入至FCN進行辨識,也能達到很好的精度成果,近年更有人表明利用PointNet、PointNet++和VoxelNet等深度學習演算法直接處理三維點雲分割和分類的問題,可更有效率地處理點雲資料。

圖四:高精地圖。(HERE WeGo)

方便資訊處理的感測整合
即便相機與光達能作為自駕車感知周遭環境的媒介,然而這些感測器仍有潛在限制,如影像易受到光影變化影響、光達易受氣候條件干擾且價格昂貴等,都是感測器無法普及的最大障礙。為彌補感測器間的劣勢,勢必要進行多感測器整合,但不同感測器所獲得的資料型態、精度品質、解析度、測量單位皆不同,因此如何有效整合這些資料是很大的挑戰。雖說部分研究指出可利用內插演算法,將像素與點雲結合以達到整合的目的,不過,多感測器整合的議題仍為各國學者持續努力的方向。

除了感知環境的能力外,另一項重要的技術,就是自駕車與外界環境溝通的能力,即大家耳熟能詳的「車聯網(Vehicle to Everything, V2X)技術」,透過感測器技術、通訊技術、網路技術與數據處理技術等,應用於交通運輸上並建構一個有效管理與控制的智慧交通網路,其整合了汽車對汽車(Vehicle to Vehicle, V2V)、汽車對路邊設施(Vehicle to Roadside, V2R)、汽車對基礎設施(Vehicle to Infrastructure, V2I)以及汽車對行人(Vehicle to Pedestrian, V2P)等技術,串連人、車輛與道路的關係,強化行車安全。根據NHTSA預估,在駕駛人保持清醒的前提下,V2X的技術可避免80%的車禍發生或減輕其嚴重程度,大幅提升自駕車的安全性,因此車聯網V2X亦為未來自駕車需具備的重要技術。

結論
隨著科技持續發展與革新,人們的生活逐漸邁入智能交通系統(Intelligent Transportation System, ITS)的趨勢,因此各國產官學者也愈加重視自駕車的發展。然而,若要實踐無人駕駛的願景,必須透過跨領域技術的整合,同時搭配軟硬體和感測器運作才得以實現,其中高精地圖更是牽動無人駕駛技術發展成敗的關鍵,必須提供自駕車道路等級與車道等級的路徑規劃與導航能力,甚至需輔助達到高精度定位的功能。如何有效率產製符合高精度需求的圖資仍為目前各國學者努力的方向和研究重點,人工智慧技術的引入勢必也會為製圖市場擴展新的面向與契機,共同朝著無人駕駛時代的目標邁進。

延伸閱讀
1.Varuna De Silva, Jamie Roche and Ahmet M. Kondoz, Fusion of LiDAR and camera sensor data for environment sensing in driverless vehicles, ArXiv, 2017.
2.Harsha Vardhan, HD Maps: New age maps powering autonomous vehicles, Geospacial world, 2017.
3.Scott Stephenson et al., Accuracy requirements and benchmarking position solutions for intelligent transportation location based services, In Proceedings of the 8th International Symposium on Location-Based Services, 2011.

沒有留言:

張貼留言