“相信大家若回到80年代时，对于汽车可以自动驾驶应该都会觉得很荒谬，如今科技发达，自动驾驶也不再只是会发生在电视上的事，不过对于自动驾驶的安全性，许多人还是会有很多担忧，本篇文章将从自动驾驶的技术原理，来浅谈自动驾驶的现况与未来～”
在2016台湾GTC 的活动上，与 NVIDIA 负责自动驾驶领域的技术人员小聊了自动驾驶相关的议题，毕竟先前Tesla 的严重事故也让不少产业人士与消费者质疑现阶段的自动驾驶的安全，不过回到发生事故的Tesla 上，后续的事故分析指向感测器能力以及核心硬体并不适任自动驾驶应用。
VIDEO 先厘清当时发生事故的情况， Tesla 用于自动驾驶的方案是基于 Mobileye 的ADAS 先进辅助驾驶平台，并搭配雷达与摄影机，而发生事故的情况是因为白色车辆因强光反射，引发摄影机无法判读物体，而搭配的雷达也因为将车辆误判为收费站、陆桥一类的设施，同时也缺乏3D 地图辅助，导致系统因资讯不正确而发生意外。
事后Mobileye 也发出声明，表示它们提供给Tesla 的解决方案仍是为一般ADAS 所设计，并不足以用于自动驾驶；而先前国外汽车媒体则爆料， Tesla 虽打算继续升级自动驾驶用的感测器，添加更多的相机与雷达，但并无搭配光达的计画。
光达是什么？基本上是近似于雷达，只是将放出的侦测体由无线电波改为雷射光，相较于雷达因精度较差，多半用于量测与其它物体的相对距离，光达却足以呈现物体的轮廓，例如目前许多的地理3D 模型建构都是仰赖光达构成。
VIDEO 到底光达有没有必要性？ NVIDIA 的技术人员相当保留的表示，它们的自动驾驶车开发平台BB8 ，或是与Roborace 合作的自动驾驶赛车，皆具备光达设计，虽然光达价格相对摄影机与雷达高昂，却在自动驾驶的环境感测具有相当重要的意义。在 NVIDIA 的自动驾驶实验中，三项感测器之间是彼此相辅相成，在不同环境下都有其意义存在。
就以 Tesla 的事故状况，当时的情境因为相机在高光显像的极限而无法正确判断车辆，而测距的雷达仅能知道旁边有近似于基础设施一类的大型物体，若当时有光达搭配，或许能够因为侦测到物体形状而判断出有车辆接近。
毕竟目前的自动驾驶技术，由于无法让路上所有的车辆具备车联网系统，车辆之间不能直接沟通，仅能仰赖感测器技术作为判读基础，搭配车辆的GPS 定位系统以及高解析度的3D 图资，借此实现现阶段的自动驾驶。
相机虽是做为外界物体、路况感知的基础感测器，但现今的技术于高、低光环境皆难以获得精确的影像，更不用说雨天的情况；雷达虽能侦测与物体的相对距离，但不足以判断物体的轮廓；至于光达则让系统得知附近物体的轮廓，但若没有影像数据的辅助，有时也无法正确判读是哪一类物体。
除了这些对外感知以外，全自动导航结合 3D 高解析地图资讯也是有其必要性的，虽然有些人认为 2D 地图难道就不行吗？然而 3D 地图最重要的地方不仅于提供 GPS 定位的路线参考规划，而是将地图中的 3D 资讯结合感测器侦测到的周遭情况进行对照。
以Tesla 发生意外的状况来说，当主要负责视觉的相机与雷达将车辆误判为道路基础设施时，如果搭配3D 地图的资讯，至少就会得到该位置不应该出现基础设施的警告，当不该出现基础设施的地方出现疑似基础设施的物体，系统至少会知道感测器推测出来的资讯是有问题的，如此一来藉由3D 图资资料，至少还可作为一道防止意外发生的防线。
就目前自动驾驶的发展状况，分为初步的高速公路巡航，驾驶到指定地点的驾驶替代，以及最长远的人工智慧互动式自动驾驶；快速公路巡航驾驶实际上是许多先进辅助驾驶系统已经着手的应用，然而先进辅助驾驶仅止于依照标线驾驶或是跟车应用，当具备自动驾驶技术后，应该是要能够包括超车以及在正确的地段切换到其他快速道路。
比起市区道路，快速道路与公速公路相对是单纯的环境，鲜少会出现如红绿灯等号志，也不太会有十字路口，车辆可依照地上的标线做为参考行进，而结合自动驾驶系统后，系统除了基本的保持安全距离外，还可侦测周遭的车辆情况，推测道路可用安全空间，辨识交通告示如速限、道路缩减等资料，使高速巡航自动驾驶能够不只是直线前进。
中程目标的指定地点驾驶则有点类似搭计程车，告知自动驾驶系统要前往的地方，车辆自行安排路线并完成驾驶行为，这也就是属于司机取代型的自动驾驶，要达到这一层目标，不仅止于完成市区内的自动驾驶，也还包括郊区的自动驾驶行为。
VIDEO 市区的自动驾驶复杂的地方大家应该已经深知，包括复杂的交通工具同时在狭窄、多变的道路行进，以及更多因人为操作产生的突发状况；而郊区自动驾驶则是另一种复杂性，因为郊区驾驶虽然车辆不多，但却会遇到如缺乏可参考的标线、甚至没有明显的道路的情况，像是欧洲郊区还有不少是碎石路或是马车用的砖道等。
至于远程的目标所指的人工智慧互动驾驶，在某些程度上可能让世界减少私有车辆，或是从根本扭转对于都会大众运输工具的概念，在此时的人工智慧驾驶系统可揣测使用者的习惯与行为，例如透过与感测器一类的结合，在下班时自动前往接送乘客，甚至途中把乘客先送去餐厅，中间也会自行寻找车位等。
VIDEO 另外的延伸应用就如福特的城市交通实验或是如Uber 打算测试的无人化载具共用概念，也就是将载具视为共享财，或是更个人化的公车；相较传统的公车是以特定路线移动与定点停车，藉由全自动化共享的无人化载具使大众运输的模式改变。
不过无人化载具共用不会完全淘汰公车与火车等公众载具，而是互补与使用最佳化的概念，在长途的移动中仍藉由公车与火车(但仍就可能变成无人化驾驶) ，都会内的移动则由共享无人化载具取代，相较传统都会中的公车，可达到载具更有效化的应用，也减少交通的混乱或是公车使用率过低的情况。
但自动化驾驶技术的盲点，还是在于人的拥有欲与控制欲，不少人对于人工智慧的不信任性仍高，多半还是会认为电脑的稳定性不及人类，但偏偏人类的不确定性本身却又是在充满秩序的情况下最大的安全阻碍，分心以及无法达到全面的感知，是人类作为驾驶最大的不确定性。
虽然目前的自动驾驶成熟度仍不足以达到高安全性，不过当技术成熟之后，反而有人驾驶车辆才是问题的根源；目前多半的交通事故发生原因是因为突发状况造成，但无人化驾驶若结合车联网技术，车辆之间可自行管理安全距离的情况下，反而由人类驾驶的车子会产生不确定性。
由于自动驾驶车相较于仅透过双眼与耳朵作为对外感测的人类，车辆有着大量的感测器与HD 地图对照，理论上可同时兼顾前后左右的路况，不过在自动驾驶居多的道路环境上，因人类驾驶分心造成的突发状况，现阶段也很难确保能否因人工智慧的导入而减少意外发生，毕竟除了系统判读以外，还要加上车辆基本的物理动态，例如煞车距离与紧急转弯等。
虽然说当这些突发状况发生时，连多数的人类都无法避免发生事故，但以人类对于自动驾驶的期许，却又会希望人工智慧能够达成，这也是在人工智慧发展当中相当矛盾的一点，但基于人工智慧的自动驾驶是必须的未来，这却已经是相当确立的科技发展。
Follow 我们的Page，每天追踪科技新闻！ 点我 进去～
