教學機器人 自動駕駛系統-1

編著: 夏肇毅

初版: 2026/5/5

1.1 自動駕駛發展歷程

自動駕駛系統的發展可追溯至20世紀中期對智慧交通的初步構想，但真正技術突破發生於感測器、計算能力與人工智慧演算法成熟之後。早期研究多集中於道路磁軌導航與簡單巡航控制，直到2004年DARPA Grand Challenge競賽開始，推動全球學術界與產業界投入無人車研究。此競賽要求車輛在無人操作情況下完成沙漠越野任務，雖首屆無隊伍完賽，但促成感測融合、路徑規劃與自主控制技術快速進步。後續2007年Urban Challenge更進一步要求車輛在城市環境中遵守交通規則與處理多車互動，使自動駕駛從「導航」進化為「智慧決策」。進入商業化階段後，Google（後為Waymo）、Tesla、Cruise與各大車廠開始投入量產與道路測試。根據 SAE 分級標準，自動駕駛可分為 Level 0 至 Level 5，其中 Level 2 為部分自動化，Level 4 為特定場域高度自動化，Level 5 則代表完全無人駕駛。現今多數商業系統仍停留於 Level 2–4 間。整體而言，自動駕駛發展歷程反映感知、規劃、控制與AI演算法的共同演進，也是智慧交通革命的重要基礎。

1.2 SAE自動化分級

SAE（Society of Automotive Engineers）提出的自動化分級標準將駕駛自動化分為六級，從 Level 0 到 Level 5。Level 0 表示完全無自動化，所有駕駛行為皆由人類執行；Level 1 提供單一輔助功能，如定速巡航或車道維持；Level 2 則可同時控制轉向與加減速，但駕駛仍須全程監督；Level 3 為有條件自動駕駛，在特定情境下系統可接管，但必要時須要求人類接手；Level 4 可於限定區域內完全自動駕駛；Level 5 則為全場景無需人類介入。此分級標準有助於統一產業與法規對自動駕駛能力的理解，避免市場誤解。值得注意的是，Level 2 與 Level 3 的差異不僅在技術能力，更涉及責任歸屬與法規設計，因此被視為商業化與監管的重要分界。

1.3 系統架構總覽

自動駕駛系統通常可分為感知層、定位層、規劃層、控制層與執行層。感知層負責蒐集環境資訊，定位層確定車輛位置，規劃層決定行駛策略，控制層轉換為方向盤與油門指令。

1.4 關鍵技術挑戰

自動駕駛面臨感知誤差、極端天氣、長尾事件、法規限制與倫理決策等重大挑戰。

1.5 LiDAR原理

LiDAR（Light Detection and Ranging）是自動駕駛最重要的環境感測器之一，其透過發射雷射脈衝並測量反射時間來計算距離，基本公式為 $d=\frac{ct}{2}$，其中 $c$ 為光速、$t$ 為往返時間。LiDAR可生成高精度3D點雲資料，準確重建周遭物體與地形結構，特別適合障礙物偵測與高精地圖比對。其優點包括測距精準、深度資訊直接且不受光照影響；缺點則為成本高、雨霧環境性能下降與資料量龐大需高算力處理。現代自動駕駛系統常使用旋轉式或固態LiDAR，其中固態LiDAR具體積小、成本低與耐用性高優勢，為未來量產趨勢。

1.6 Camera視覺感測

Camera（視覺相機）是自動駕駛系統中最重要的感測器之一，其主要功能是捕捉高解析度影像並提供豐富的語意資訊，使車輛能理解道路環境中的細節，例如車道線、交通號誌、行人、車輛類型與交通標誌等。相較於其他感測器，Camera的優勢在於資訊密度高且成本相對較低，因此在量產車輛中被廣泛使用。影像資料本質上是二維矩陣 $I(x,y)$，每個像素包含RGB或灰階值，透過卷積神經網路（CNN）可進一步進行特徵提取與語意理解。然而，Camera的主要限制在於缺乏直接深度資訊，必須依賴立體視覺或深度估計模型來推測距離，這會增加誤差來源。此外，Camera對光線極為敏感，在夜間、逆光或雨霧環境下容易產生失真或過曝問題，進而影響辨識準確性。為改善此問題，現代系統通常會搭配HDR（高動態範圍）影像技術與AI影像增強模型。Camera在自動駕駛中通常負責語意理解任務，是高層感知的重要來源，但需與其他感測器互補使用以提升整體可靠性。

1.7 Radar毫米波雷達

Radar（毫米波雷達）利用高頻電磁波（通常為24GHz或77GHz）進行物體偵測，透過發射與接收反射訊號來計算目標物的距離、速度與相對方向。其基本原理基於飛行時間（Time of Flight, ToF）與多普勒效應，其中距離可由公式 $d = \frac{ct}{2}$ 計算，而速度則可透過頻率偏移估算。Radar的最大優勢在於其強大的環境適應能力，即使在雨、霧、雪或夜間等低能見度條件下仍能穩定運作，因此在自動駕駛系統中常被用於自適應巡航控制（ACC）、碰撞預警與盲點偵測系統。與Camera相比，Radar提供的是低解析度但高可靠性的距離與速度資訊，而非語意影像。這使其特別適合用於安全相關功能。然而，Radar的空間解析度較低，難以精確識別物體類型，因此通常需與Camera或LiDAR結合使用。現代車用Radar也逐漸從傳統2D偵測發展至4D Imaging Radar，可提供更精細的角度與高度資訊，使其在感知能力上大幅提升。Radar在自動駕駛中扮演「穩定安全感知層」的重要角色。

1.8 感測器融合

感測器融合（Sensor Fusion）是自動駕駛系統的核心技術之一，其目標是將Camera、Radar與LiDAR等多種感測器的資訊進行整合，以獲得更完整、準確且穩定的環境理解能力。由於單一感測器存在固有限制，例如Camera缺乏深度資訊、Radar解析度較低、LiDAR成本高且受天氣影響，因此融合技術可有效互補各自優勢。在技術層面，感測器融合可分為資料層融合（Early Fusion）、特徵層融合（Mid Fusion）與決策層融合（Late Fusion）。Early Fusion直接將原始資料對齊，例如點雲與影像投影；Mid Fusion則在神經網路中間層進行特徵整合；Late Fusion則在輸出階段整合各感測器結果。數學上可表示為 $F(x)=\sum_{i=1}^{n} w_i f_i(x)$，其中 $f_i(x)$ 為各感測器輸出，$w_i$ 為權重。現代深度學習方法如Transformer-based Fusion或BEV Fusion架構，使不同感測器資訊能在統一空間中表示，大幅提升物體偵測與追蹤能力。感測器融合不僅提升準確性，也提高系統在極端環境下的健全性，是實現Level 4以上自動駕駛不可或缺的關鍵技術。