自駕車感測技術 2018年持續創新演進
自駕車技術在2017年可見各方業者積極搶進投入開發，相關感知技術也見到顯著進展，其中讓自駕車具自主意識行車一大關鍵，即在所配置的各類不同功用感測器技術，如光達(LiDAR)、毫米波雷達、攝影機、超聲波及全球衛星定位(GPS)天線等。由於各有優缺，因此若要讓自駕車具全方位感測技術水平，進行感測器融合將是必要過程。
隨著時序步入2018年，各家科技、汽車及新創企業如何針對上述自駕車感測器持續創新演進，以及如何強化實時性自駕車感測器融合技術，將是決定自駕車市場未來數年能否逐步擴展一大關鍵。
光達最受關注 驅動新雷射技術發展
據EE Times報導，在所有感測器技術中又以光達最受關注，2017年中可見許多汽車大廠及零組件供應商如福特(Ford)、通用汽車(GM)及大陸集團(Continental)等，分別進行光達業者收購行動欲強化技術布局。
如VSI Labs創辦人Phil Magney指出，光達仍是最受嚮往發展的技術，部分原因在於光達可提供自駕車許多功用所需，如可提供高度自駕化汽車所需的所在地基礎地圖精確判讀數據。
也因近來光達市場興起，帶動全新雷射技術浮現，如IHS Markit分析師指出，全新超過1,400納米波長的雷射發射器技術已問世，可提供光達更高解析度及探測距離，包括福特旗下Princeton Lightwave、Continental旗下Advanced Scientific Concepts(ASC)及Luminar Technologies等業者，均正在開發全新雷射技術。
同時，光達供應商也持續透過開發各式光束轉向技術，來改善體積、成本及耐用性等，從機械式到固態光達均可見研發趨勢。若要部署於量產汽車上，分析認為MEMS或光學相控陣(OPA)技術的固態光達較可行，另外低成本光達產品同樣也有跡象，部分甚至已達不到100美元，主要設計供近接感測用，不過缺點是解析度有限，導致無法清晰辨識物體。
毫米波雷達朝更小體積、更高精度研發
毫米波雷達技術發展同樣不落人後，除了恩智浦(NXP)於2016年首度開啟采CMOS製程技術、運行於77GHz的微型雷達晶元領域後，德儀(TI)在2017年也進軍毫米波雷達市場，宣稱開發出體積最小CMOS感測器產品組合。
而在雷達市場，各家業者技術競爭重點在於如何開發出體積更小且精度更高的雷達晶元產品，隨著解析度提升，如今也達到過去無法做到的物體辨識水平。
不過，要達更佳的解析度就需要更多通道，這意味需要有更多數據進行處理，因此毫米波雷達需要特殊的處理器來處理這些數據、生成物體或點雲，且毫米波雷達也需要開發工具供這些基礎應用所需之用，不然很難進行數據處理。
一家2017年才創立的新創企業Metawave藉由開發一款類比波束成形技術，盼改變雷達技術缺陷。運用PARC授權技術超材料、雷達及天線，Metawave將於CES 2018推出「全雷達方案」原型，宣稱這項基於超材料的類比波束成形技術能夠精確控制雷達光束，以在不犧牲解析度下實現更快的運行速度及更佳的訊號噪音比。
視覺攝影由Mobileye暫領先 更多新技術浮現
自駕車視覺影像數據搜集處理也是另一技術重點，現階段英特爾(Intel)旗下Mobileye為此一領域領導業者，但目前也有其它業者投入這塊領域，讓自駕車開發在這塊領域有了更多不同攝影機技術選擇，未來將人工智慧(AI)應用於視覺影像處理將是技術所趨。
法國新創企業Chronocam所開發讓機器進行感測及偵測、由事件驅動的感測器技術，雖仍未應用在任何商用化汽車中，但卻可能完全改變當前CMOS影像感測器市場，因而獲得市場關注。
Chronocam執行長指出，英特爾、NVIDIA等晶元業者仍將重心放在試圖找出更準確且快速處理龐大數據的最佳方式，Chronocam則將重心放在影像數據的取得，藉此有助大幅減少數據負載，可讓汽車進行近乎實時的決策。
感測融合為汽車具自主意識必備
汽車若要具自主意識，能夠實時為汽車建立實時所在地周遭影像地圖，以讓汽車了解自身所處位置的光達便不可或缺。如NVIDIA開發的DriveWorks軟體開發套件(SDK)與實時動態(Real Time Kinematics)也可提供這類實時在地化地圖生成技術，另如Mobileye則是推廣路網採集管理(Road Experience Management；REM)這類高畫質地圖繪製技術。
即使不少大廠投入這塊領域開發，仍有其它新創企業可投入的空間，如加州新創企業DeepMap透過採用攝影機搜集的影像及光達搜集的數據，來改善目前的數碼地圖質量。
上述各自駕車感測器數據搜集後，如何進行高水平感測融合技術即最終要點，因為沒有任何一項自駕車感測器技術能夠可靠的包山包海所有的數據搜集，融合的結果決定了自駕車的決策與行為，以讓駕駛達最安全等級。
然而，感測器融合有其困難度，因為必須同步處理所有這些訊號。至於應融合「物體」數據或「原始」數據，目前業界仍無最終定論。
關注DIGITIMES，產業資訊一手掌握
TAG:DIGITIMES |