8K立體影像產業化,數位影視新體驗
活動+

自駕車也該考駕照!學者建議為自駕車設計考照分級制度

  • 林芬卉
因為「開車能力」與「智慧」尚無標準可循,可預期自駕車考試將會比人類難上10倍。NVIDIA

現今車廠所開發的車款多具備主動安全功能,中長期將以發展自駕車為目標。過去硬體定義車的時代零組件可標準化,然未來邁向軟體定義車的時代,深度學習本身沒有參數可依循。因此,2018台灣車輛國際論壇中,專家學者建議是否模擬人類考駕照的方式,為汽車的自動駕駛能力作分級。

車廠開發自駕車及主動安全的目的,主要是以「安全」為考量,例如解決人類疲勞、酒駕等問題,然在發展過程中不免有事故發生。事實上,過去車廠在開發被動安全功能時,也曾經發生意外事故,例如安全氣囊功能是保護駕駛和乘客的安全,但曾發生過將小嬰兒打死情形;大家並不願看到悲劇發生,故致力思考如何將車子作得更安全。

現今車廠在作自駕車時,在沒賺錢之前就要先想賠錢,因有些意外事故發生可能是當初設計時沒想到的。每家業者自動駕駛等級設計的思考點不同,以Level 3車款為例,有時是由人類操作,有時是由系統操作,所以當汽車出現問題時,Tier 1至Tier 3業者需與車廠共同解決才行,並需根據數據文件(data file)釐清到底問題是出在哪裡。

Level 4(含)以上車款責任歸屬會變得更加明確,是由系統製造商負責,此時車廠更需要與上游供應鏈緊密合作,以確保主動式安全的信賴性。

成本方面,現車廠開發的自駕車多與電動車結合,在節能減碳的環保要求下,汽車電氣化已是相當明確的趨勢,僅是目前最大的問題為電池價格仍貴,且充電站數量不夠。

自駕車使用的感測器種類多且數量倍增,其中成本最高的光達即使價格降至7,000美元,恐將會阻礙自駕車發展;其次,現今汽車電子零組佔整車成本愈來愈高,然很多零組件用不到幾年就需更換,且尚未達到車規要求(一般車規壽命要求15年)。

除成本外,自駕車面臨的新問題是深度學習本身沒有模型、標準、規則可言。舉例來說,在過去機器時代,可預知10年後鐵件會老化、疲乏等,主因是有參數可計算出來。

但在人工智慧(AI)及軟體定義的時代,深度學習本身沒有參數,也就是所學習的東西並沒有正確答案,相對只能告知機率而已,例如有90%機率認確該圖像是狗、80%確認是車。所以未來會衍生出一個行業,即會告知在那個範疇內深度學習出來的結果是準確的。

換句話說,零組件是可標準化,但深度學習能否標準化?現在看來沒有答案,就如同飛行員駕駛技術的好壞,主要以飛行時數來衡量,當飛行時數不足時則無法出勤。

每家車廠的自駕車亦有學習時數或路測時數,而業界有提出相關的作法,例如是否要通何種測試,才允許自駕車在路上行走?自駕車需具備的能力有幾項?或者能力要達到什麼樣的程度?自駕車信賴性要如何測試等?

講到標準化的問題,可分成車外及車內兩種環境來討論。車外屬公共及交通環境,一般由政府來主導,因此與外界溝通的工具及方式亦需標準化;舉例來說,現今煞車燈及轉向燈的指示方式已經標準化,而正在導入的汽車通訊也需朝標準化發展。

另一方面,政府可立法要求將事故資料記錄器(Event Data Recorder;EDR)中的資料進行搜集及分享,尤其是遇到車禍意外時,方能釐清事件的責任及問題發生的原因。又自駕車時代分成人類操作及系統操作,此時更需要仰賴EDR搜集更多的資訊,以及界定事故責任歸屬。

相對於車外環境,車內環境很難有標準可言,主因是多由車廠主導。以自駕系統為例,車廠很難說A公司的人工智慧比B公司的好,主因自駕能力是沒有公開標準(Open Standard)可衡量。

也因為自駕車的「開車能力」與「智慧」尚無標準可循,可預期的是自駕車的考試將會比人類難上10倍,其中,AI是自駕車系統最難設計的部分。而自駕車要能身經百戰,及考驗並通過多重困難的情境等,為未來追求的目標。