此報告由安世半導體(Nexperia)贊助，邀請業界專家執筆，結合來自11個國家的觀點，包括商業與學術背景的工程師與領導者，提供自動駕駛汽車(autonomous vehicles, AV)的技術面發展現況。

一、產業現況
根據國際汽車工程師協會(Society Of Automotive Engineers International)的自動駕駛標準(SAE J3016TM)，自動化程度由低至高共分為六個等級，第零級(level 0)代表零自動化，第五級(level 5)代表全自動化。2020年初，自動車發展已達到第四級，即在嚴格控制的條件下，無須人為監控或接手即可自行駕駛。現今尚未出現支援全自動化的第五級技術，部分專家甚至認為全自動化不可能實現。目前市面上自動化程度最高的個人車輛屬第二級，仍須仰賴駕駛人員監控車輛行進、判斷接手時機。全自動化的主要挑戰在於環境不同(包括法規、文化與天氣)將大幅影響自動化的安全性與效能。

二、自動車的感測技術
自動車的應用領域包括個人車、大眾運輸、快遞貨運，以及農業與礦業專用車。不論設計理念為何，所有廠牌的自動車皆仰賴感測器(sensors)來偵測外在環境，以高階軟體處理收集到的資訊並決定路線，並透過一套致動器(actuators)來執行決策。感測器可分為「被動感測器」(passive sensors)與「主動感測器」(active sensors)兩類，前者負責偵測環境中物體所反射的能量，後者則負責發送電磁訊號(electromagnetic signal)並偵測反射，一般而言會混和使用兩種感測器。

(一)被動感測器
物件偵測技術廣泛應用於數位影像與影片，以相機技術(camera technology)為基礎的被動感測器得以率先使用於自動車。數位相機所使用的感測器仰賴電荷耦合元件(charge-coupled device, CCD)或互補式金屬氧化物半導體(complementary metal-oxide semiconductor, CMOS)。CCD與CMOS影像感測器的運作方式，是將波長介於400至1100奈米之間的訊號轉變為電訊號(electric signal)。
感測器的表面由一個個的像素(pixels)所組成，根據單一位置所累積的電荷量(amount of charge)，每一個像素都能夠偵測訊號的強度。不同的感測器可偵測不同波長的光，透過使用多個不同的感測器，即可紀錄顏色資訊。
CCD感測器可建立較高畫質的影像，而CMOS感測器較容易受到雜訊干擾，不過CMOS感測器耗電比CCD少了100倍，且易於製造，透過標準矽生產程序即可。目前大部分自動車所使用的感測器為CMOS，解析度為100萬像素至200萬像素(megapixel)。
大部分車輛的被動感測器套組中，會使用不只一個感測器來偵測同一個方向，將不同感測器所得到的影像重疊後，相機可拍攝物體的3D影像。立體影像可應用於測距(range finding)。
被動感測器的優點包括：
• 像素與色彩解析度高
• 畫面更新率(frame-rate)恆定
• 以兩部相機建立3D立體成像
• 缺乏發送源(transmitting source)，可降低受其他車輛干擾的機率
• 技術成熟，製造成本低
• 使用者可輕鬆看懂影像，進而執行操作
被動感測器的缺點包括：
• 缺乏發送源，光線微弱或天候惡劣時效能不佳
• 資料量龐大(0.5至3.5Gbps，大於主動感測器)，對汽車資料運算或雲端通訊皆構成挑戰

(二)主動感測器
主動感測器具備訊號發送源，仰賴飛時測距(Time of Flight, ToF)，透過測量訊號自「來源」傳送至「目標」的時間來計算距離。以下介紹三種主動感測器，其中超音波主要用於極短距離偵測，雷達可於雨天或霧氣等惡劣天候中偵測物體，但無法判斷複雜的形狀，光達偵測形狀的表現較佳，但易受周遭光線與天候影響。
(1)超音波感測器(Ultrasonic sensors，或稱SONAR)
歷史悠久，成本最低。各式感測器中頻率最低，容易受到雨水、灰塵，或其他超音波等環境因素干擾，需同時使用多個感測器以及額外類型的感測器來輔助。超音波能量隨距離遞減，僅適用於短距離環境，如停車輔助。
(2)雷達(RAdio Detection And Ranging, RADAR)
無線電波(radio waves)於電磁頻譜中的頻率最低，優點為技術成熟、成本低廉，可抵抗低光源或惡劣天候條件，缺點為空間解析度低，無法提供物體詳細的空間形狀，於感測器模組中居於輔助角色。短距離雷達使用24GHz無線電波，而影像雷達(imaging radar)採用高能量電波77-79GHz，最長可掃描300公尺遠、100度視野內的範圍，帶來4D超高畫質的雷達影像，消除前述解析度的限制。
(3)光達(LIght Detection And Ranging, LIDAR)
光達使用脈衝雷射(pulsed laser)，每秒送出5萬至20萬個脈衝涵蓋某一區域，接收反射的訊號後，將訊號編譯成3D點雲(point cloud)，可偵測物件及其移動，建立最高達250公尺的3D地圖。
各種感測器中，以光達的發展最為蓬勃，已揮別傳統笨重昂貴的機械式掃瞄系統(mechanical scanning)，邁向新式的微機電鏡片系統(MEMS，microelectromechanical mirrors)，以及未使用機械元件的系統。未使用機械元件的光達，稱為固態光達(solid-state LIDAR)，也稱為LIDAR on a chip，包括快閃光達(flash LIDARS)以及相位陣列光達(phased-array LIDARS)。光達的優點為視野較廣(可望達到360度)、測量距離較遠、距離評估較準確以及運算成本較低；缺點包括解低度較差，以及雷射安全規範的限制。

(三)感測器的選擇
上述感測器各有利弊，沒有一種感測器足以應付所有路況，通常必須混合使用，以確保自動車的行車安全與效能。若要擇一，業界普遍將光達(LIDAR)感測器視為必備元件，然而有部分業者持不同作法，例如Tesla僅仰賴攝影機雷達搭配超音波，Wayve僅採用攝影機。
影響感測器選擇的技術層面如下：
• 掃描範圍：決定感測到物件後，有多少時間可以反應
• 解析度：決定感測器提供的訊息精細度
• 視野或角解析度(angular resolution)：決定需要多少感測器，以涵蓋欲偵測的區域
• 以3D成像區別多項靜態與動態物件之能力：決定能夠追蹤的物件數量
• 重新整理頻率(refresh rate)：決定感測器資訊更新的頻率
• 不同環境條件中的綜合可靠性與準確性
• 成本、尺寸，以及軟體相容性
• 資料量

(四)地理定位(geolocalization)
自動車的高階路線規劃(higher-level path planning)，除了使用GPS，也可利用多個衛星系統、擴增(augmentation)技術與額外的感測器來協助定位，達到公寸(decimeter)等級甚至更細的精確度，高解析度地圖(high definition maps)亦為目前許多自動車必備的資訊來源。

三、自動車的思考與學習
(一)感測器整合
自動車行進間，必須一面建立地圖，一面將自身定位於地圖中，此項技術稱為同步定位與地圖構建(Simultaneous Localization and Mapping, SLAM)。執行SLAM所需之環境資訊，部分來自現有地圖，部分則由感測器所收集，透過感測器整合(sensor fusion)，結合不同感測器與數據庫所收集的資料，可提升SLAM操作的準確性。

(二)常用的AI架構
(1)傳統順序式作法(sequentially)：將一個問題拆解為數個小問題，一次解決一個，每步驟皆有專屬的軟體處理。
(2)端對端(End-to-End, e2e)學習：使用單一全面的軟體，由於近年來深度學習領域出現重大突破，端對端越來越受到青睞。
(三)常用的機器學習演算法
不論何種AI架構，目前機器學習演算法相當多元，有些公司混合多種演算法，以提升準確性，同時降低運算需求。以下為使用最為廣泛的演算法。
(1)卷積神經網絡(CNN，Convolutional Neural Networks)
(2)遞迴神經網路(RNN，Recurrent Neural Networks)
(3)深度強化學習(DRL，Deep Reinforcement Learning)

四、自動車的行為
處理器的選擇上，大部分的自動車廠商採用GPU加速處理，不過也出現其他解決方案，例如張量處理器(TPU，Tensor Processing Units)。半導體領域的創新，包括製作體積更小的零組件與使用新材質氮化鎵(Gallium Nitride)取代矽，皆協助達成高複雜度與更多電子元件的需求。

五、自動車的使用者體驗
使用者體驗(user experience)為自動車的重要一環，主要挑戰如下。
(一)建立人們對自動車的信任：一項2016年的研究顯示，針對相同的錯誤，人們對於人類的包容度高於對電腦的包容度。
(二)自動車必須可與交通活動中不同角色的人們溝通意圖，包括駕駛、乘客、交通中的其他參與者(車輛、自行車等)以及行人：對車內人員，人類駕駛的行為將會被模擬顯示，對車外角色，車商正在研究以文字或符號顯自動車的示意圖，來替代人類駕駛在交通環境中所仰賴的互動方式。

六、自動車的通訊與連線
(一)車聯網
車聯網(Vehicle-to-Everything, Ｖ2X)一詞涵蓋車輛與交通活動中其他參與者的各類通訊，包括車對車(vehicle-to-vehicle, V2V)、車對交通基礎設施(vehicle-to-infrastructure, V2I)、車對網路(vehicle-to-network, V2N)，以及車對人(vehicle-to-person，簡稱V2P)。V2X的案例中，車隊(platoon)的應用受到廣泛矚目，當自動車或半自動車以車隊的形式移動，車與車之間保持極小的距離，如同火車車廂，如此可減少燃料消耗，應用於貨運卡車車隊上至多可節省16%的燃料。另一應用案例是，搭載V2V的車輛對後方車發送緊急煞車的廣播訊息，及時通知可能的危險。

(二)網路標準
絕大部分的V2X通訊奠基以下其中一種網路標準，兩者設計原理截然不同。
(1)專用短程通訊技術(Dedicated short-range communication, DSRC)：基於WiFi標準(IEEE 802.11p)，採用5.9GHz頻段中10MHz頻寬的頻道。
(2)蜂巢式車聯網(Cellular V2X, C-V2X)：用於自動車時必須基於5G網路。通過3GPP Release 15標準，C-V2X無線電技術包括為舊式的LTE C-V2X，以及新式的5G New Radio (5G-NR) C-V2X。
DSRC與C-V2X皆可透過PC5介面讓車輛與其他車輛或裝置之間達到直接通訊，適用於緊急煞車警示與交通數據收集等服務。C-V2X尚提供另一項名為Uu的通訊界面，讓車輛可直接與蜂巢式網路溝通。
目前第四代無線網路(LTE/4G)的速度與應變能力尚無法滿足自動車網路所需，相較之下，5G可提升資料傳輸速度(25-50%)、降低延遲率(25-40%)，以及服務更多裝置。使用蜂巢式連線的V2N通訊，若要使用Uu介面，需求將包括將即時資料傳輸維持每秒1至10Gbit、將端對端延遲(end-to-end latency)控制於1ms、支援目前手機頻寬1000倍的頻寬，以及降低能源消耗。5G雖然無法同時滿足上述所有需求，但已可讓開發人員為特定服務選擇所需的網路條件。此外，5G可提供網路切片(network slicing)，為同一硬體設施中不同的應用程式提供各自專屬的邏輯網路(logical network)，並提供雲端管理技術，視需求管理數據傳輸與容量。
為支援全自動車，應用程式每秒可能產生巨量資料。為因應此需求，半導體製造商(高通、英特爾)為特定應用程式研發專屬電路，結合5G的大頻寬、創新的數位無線電(digital radio)與天線架構(atenna architecture)，將自動車打造為行動數據中心。另一方面，若能只將必要的資料在適當時間傳輸至需要的接收端，亦可降低資料傳輸量，無須時時保持高資料負載。

(三)選擇DSRC或C-V2X
效能、能力、部署成本以及技術成熟度，皆為選擇DSRC或C-V2X的重要考量，若要使兩項技術並存於同一地理區域，必須克服頻譜管理與操作執行的各項挑戰。
(1)美國
1999年，美國政府將5.9GHz頻段中的其中一段配置給車用DSRC。2003年，歐巴馬政府曾草擬法案，2023年起販售之車輛必須配備DSRC，不過流程後來停止。2009年12月，美國聯邦通信委員會(Federal Communication Committee, FCC)將原本5.9GHz頻譜中屬於DSRC的頻段切分，將大部分的頻段保留給商用WiFi與C-V2X。
(2)歐盟
歐盟原先致力於將DSRC規定為強制標準，但近來各成員國投票反對DSRC，支持C-V2X。
(3)中國
中國始終朝5G蜂巢式V2X的方向發展，計畫自2025年起新車必須配備C-V2X。中國大量投資5G通訊設施，正好支持C-V2X的使用，2019年預計約有13萬個5G基地台啟用，預估於2025年底前5G使用者將達4.6億名。
(4)車商
不同車商有各自的V2X時程規劃。Cadillac率先於2017年發行具備V2X能力的量產車，採用DSRC，Volkswagen的Golf新車款亦將採用DSRC，而BMW、AUDI、PSA以及Ford目前則著手研發與蜂巢式V2X相容的車款。Toyota原先計畫在2021年以前為美國車輛安裝DSRC，2019年停止該項計畫，表示原因之一是需要聯邦政府支持將5.9GHz頻段保留。
若以高度自動化車輛的技術效能需求來看，許多專家認為5G-NR V2X是當然的選擇，DSRC不足以支援自動車的部分關鍵功能。半導體製造商高通(Qualcomm)與車商Ford合作，於實驗室與田野測試中比較C-V2X與DSRC的表現，結論是在對抗訊號干擾與某些情境中，C-V2X的表現優於DSRC。