Java課程是為了數位化的現在，Python課程是為了未來的人工智慧: 自動駕駛

顯示具有 自動駕駛 標籤的文章。顯示所有文章

2020年6月29日星期一

有了人工智慧再無視線盲區,開車免煩惱!

人工智慧讓你的汽車安全升級,不再有駕駛盲區!

普林斯敦大學的研發團隊將人工智慧和運用在追踪超速駕駛的雷達結合，研究發展一種系統，此系統可讓車輛發現街角轉彎處隱藏的危險，如下圖所示：

▲ 普林斯敦大學的研究團隊結合人工智慧雷達，開發出可使車輛發現轉角隱藏危機的系統

研究人員利用常用來追蹤超速駕駛和快速直球的測速雷達，結合人工智慧技術，開發了一種自動化系統：可讓汽車在街角轉彎處監視四周環境、發現迎面而來的車輛、行人。

這個系統易於整合到汽車上，使用都卜勒雷達（註：Doppler radar，一種雷達，可利用都卜勒效應，測量物體在雷達波方向上的徑向運動速度，常用於氣象觀測與測速。）將無線電波從建築物、車體的表面反射回去。

雷達訊號會以特定的角度，照射到物體表面後反射回去，就像是撞球的白色母球撞擊到球台壁後反彈回去一樣。雷達訊號會持續照射藏在街角轉彎處的物體，然後反射回來的訊號會被車上安裝的探測器偵測到，使系統能看到轉角的物體，並且判斷它是在移動還是靜止。

「這將使汽車偵測到今日許多光學雷達 (lidar) 與相機的感光元件無法記錄到的被遮蔽物，例如，讓一台自駕車在十字路口上環顧四周的危險物體，」普林斯頓大學的電腦科學助理教授、也是此次研究人員之一的 Felix Heide 說：「雷達感應器的成本也相對較低，尤其是與光
學感應器相比，而且也可以量產。」

研究人員在 6 月 16 日的電腦視覺與模式識別（CVPR）會議上發表了一篇論文，提到這個系統如何分辨汽車、自行車以及行人，並判斷他們的方向以及迎面而來的速度：「我們提出的方法能在現實世界的自駕情境中，在視線感應器偵測到他們以先，就為行人以及騎自行車的人預先發出碰撞警示。」

近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統，但其中有許多都是靠著光學雷達、可見光或是近紅外光的相機，這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中，Heide 的研究團隊曾使用光照來看見藏在角落的物體，但卻很難應用到汽車上，因為需要高功率的雷射且僅限於近距離使用。

近年來工程師們已開發出許多能讓車子偵測到路上異物的感應系統，但其中有許多都是靠著光學雷達、可見光或是近紅外光的相機，這種防止碰撞的感應器在現代的汽車中很常見。但是光學感應很難發現到汽車視線之外的物體。在早些的研究中，Heide 的研究團隊曾使用光照來看見藏在角落的物體，但卻很難應用到汽車上，因為需要高功率的雷射且僅限於近距離使用。

在過去的人工智慧研究中，Heide 及團隊人員想知道是否有可能創建一個系統，使用成像雷達而不是可見光，來檢測汽車事件之外的危險。對於雷達系統，在平滑表面上所耗損的信號是少得多了，且雷達是被證實可以用來追蹤物體的科技。他們所面臨的挑戰是，當雷達用於拍攝轉角處的汽車與自行車等物體時，其空間分辨率相對較低。然而，團隊相信他們可以開發出演算法來解譯雷達數據，以讓感測器發揮功效。

「我們開發的演算法很有效、並適合當代的汽車硬體系統」Heidi 說：「所以你可能會看到這項科技出現在下一代的汽車上。」
為了讓這個系統能分辨物體，Heide 的團隊處理了部分雷達信號，亦即能將背景噪音視為非可用信息的一般雷達。團隊應用了人工智慧技術來優化處理程序以及讀取影像。論文作者之一的 Fangyin Wei 表示：運行該系統的電腦，必須學會從非常少量的數據中，識別出騎自行車的人和行人。

她說：「首先，我們必須要偵測是否有物體。如果有的話，那他是否重要？是否為騎單車的人或是行人？接下來，我們就要將其定位出來。」 Wei 還表示：該系統目前能夠檢測到行人和騎自行車的人，工程師們都認為他們是最具有挑戰性的物體。因為他們的尺寸小、形狀不一、動作多樣。當然，該系統也能偵測到汽車。

Heidi 說，研究人員計劃在雷達和信號處理改善等多種應用上，進行研究。他說這個系統擁有完全改善汽車安全的潛力，且它是靠著現有的雷達傳感器技術就可做到，因此下一代汽車可望能部署雷達系統。

「這肯定會經歷到非常嚴峻的汽車開發週期」他說：「就整合與推向市場而言，它需要大量的工程與設計。但是人工智慧技術已經就緒，因此我們可能很快就會在汽車上見到這樣的景況。」

推薦閱讀：AI 自駕車不只有特斯拉！9 個人工智慧帶來的汽車產業革新

2020年2月20日星期四

人工智慧帶來的九個汽車產業改革(下)

人工智慧還為汽車產業帶來了哪些新旋風?

本篇為下篇，上篇請點此連結

6. Zoox ： 100% 全自製自駕車

▲ Zoox 無人車於夜間通過兩側都有停車的狹小街道的影片

Zoom - 這家比起其他自駕車業者，卻相對低調的公司，接收了 80 位 Tesla 頂尖工程師、 17 位蘋果工程師，成立 4 年就估值超過 300 億台幣
曾被封為「矽谷最神秘獨角獸」的 Zoox ，一向在業界裡走低調路線，曾發下要在 2020 達到「全自動出租車」的願景。
Zoom 的車體設計也走極簡路線：精簡了車頭車尾（因此外型像是 Mini Cooper 的頭尾相接）、每個輪胎都裝上馬達讓車子可雙向行駛，方便停車、車上也沒有方向盤與儀表板等等，因此有更寬敞的乘坐空間。不僅如此，乘客上下車時還能看到有貼心的問候語；可見 Zoom 想超越 Google、Tesla 等「前輩」的決心有多大。
目前大部分的自駕車公司都是為已有的車輛裝載人工智慧自駕系統，但 Zoox 正在從頭開始「全自造」打造自己的自駕車（2012 年創辦人之一 Tim Kentley-Klay 曾經嗆 Google 當時正在計劃的無人車是「傳感器架在一台老車上」）。不僅如此， Zoox 想讓電動、自駕、叫車三個願望一次滿足：在電動車領域顛覆特斯拉、在自動駕駛技術上對抗 Waymo 、在叫車方面挑戰 Uber 。
Zoox 也是加州首個核發許可執照、准許可載客的自動駕駛服務商，將先藉由先導測試計畫，以免費搭乘方式確認自駕車運作過程是否需作進一步調整。
產業影響：Zoox 目前正在努力在 2020 年實現成熟的自駕車出租服務

術業有專攻　自駕車得益於人工智慧技術的另一種方式

除了專攻自動駕駛系統與自駕車本身的公司，也有因AI驅動系統與機器學習使使汽車生產線更高效的公司、以及在ADAS（先進駕駛輔助系統）中應用AI，而使道路更安全的公司：

7. DataRPM：通過人工智慧技術預測機器故障

DataRPM 的母公司為 Progress Software Corporation，主要服務為全球各產業提供異常檢測和軟體解決方案。
而 DataRPM 的人工智慧機器學習技術能夠預測機器可能發生的問題和故障，從而節省了時間和金錢；另外，其傳感器數據來優化功能的技術，減少了突發性故障造成的停機時間，增加了設備壽命和運營效率的同時也提高了設備效率。
產業影響：一家英國車廠為了降低發動機製造的成本與提高效率，而找上DataRPM，在找出是哪些因素影響生產效率後， DataRPM 幫助製造商使用機器學習技術前幾週預測機器故障。

8. CarVi ：保障駕駛安全、改善不良駕駛習慣

▲ Carvi 的前方碰撞預警系統前方碰撞預警系統可以檢測到前面的汽車並對其進行連續監控，以防止事故發生。

CarVi 使用人工智慧提供駕駛分析和實時警報，以警告駕駛員可能發生的危險，例如其坑洞探查（ Pothole Detection ）技術，該技術能採集路面坑洞數據，升道路安全性的同時也授權給各州政府，方便當局進行道路維護；同時也能提醒車輛已偏離車道，即將與其他車輛發生碰撞事故。
CarVi 製造的 ADAS 可用於個人車輛、車隊、共乘或汽車保險公司，並且還加裝評分系統，對駕駛技能進行評分，並幫助駕駛員改善危害安全的駕駛行為。
產業影響：CarVi 的 ADAS 可幫助追蹤車輛、接收即時路面報告、提供事件的行車記錄，使自駕車整體上更安全。

9. Nauto：分析駕駛員行為以確保車隊駕駛安全

▲ Nauto 是 AI 驅動的即時駕駛行為學習平台，可預測、預防並減少移動生態系統中的高風險事故

Nauto 的人工智慧傳感器技術能檢測駕駛員行為數據，智慧駕駛員系統還可通過評估駕駛員的行為，提醒駕駛員保持足夠的注意力，探測酒後駕駛和開車打手機等行為，避免發生碰撞和交通事故，同時也能幫助車險公司評估風險。
Nauto 利用攝像鏡頭、面部識別和 AI 技術去分析駕駛員的行為，可以幫助公司更有效地向保險公司申請索賠。2016 年，豐田、寶馬以及汽車保險公司 Allianz 宣布獲得 Nauto 技術的授權。
產業影響：一家明尼蘇達州的運輸公司旗下車隊有 99% 的車輛都安裝了 Nauto。該公司採用了 Nauto 的技術來訓練、評估駕駛員，以確保安全與減少碰撞帶來的保險費用。
以上就是在自動駕駛產業中佔有一席之地、前景不可量的新創公司。可以看到無論公司主要業務是什麼、是否跟自駕車有直接關聯，AI人工智慧技術都是十分重要的一環，可以說是技術在手，就無須擔心無用武之地了。

2020年2月19日星期三

人工智慧帶來的九個汽車產業改革(上)

人工智慧影響了各產業,連汽車產業都迎來了新的革命!

AI 人工智慧在全球科技浪潮下一直是備受注目的。近年,人工智慧的應用百花齊放，成為人們生活中重要的一環。儘管 AI 技術在各個領域都迅速發展，汽車產業也想盡辦法在各方面使用 AI ；但到了 2020 年，又要如何拓展人工智慧應用的新可能？在電動車和自動駕駛技術已成為市場趨勢的現在，這問題成為了最新的熱門話題。
餐飲、房產、家庭裝修,甚至國防安全，許多產業都將受到自動駕駛技術的影響，而改變原有的產業策略。自動駕駛技術成為了各種產業的重要技術，而汽車產業本身也圍繞著自駕技術,湧現了許多目標方向相同的新創公司。
來看看這些公司如何將人工智慧應用汽車的油門踩到底吧！

各有巧妙不同　新創公司們的獨門絕活

雖然幾大汽車製造商都在努力創造自己的自駕車和駕駛系統，但我們將注目於新創的科技公司。
無論其技術是用於公共交通，乘車共享還是個人需求，以下公司都處於自駕技術的最前線：

1. nuTonomy：專注解決複雜的都市交通挑戰，推出無人計程車

▲ nuTonomy 與東南亞版的 Uber「Grab」合作，在新加坡推出無人駕駛的計程車

坐落於波士頓，擁有 MIT 麻省理工學院的團隊背景，專注於研究無人駕駛技術的整體解決方案，目標是在交通繁忙的地方提供無人駕駛車隊，以確保更安全的道路，更便捷的交通和更少的污染。nuTonomoy 的技術「nuCore」始操控車輛變得靈活，該技術使車輛即使在最複雜的交通情況下也能導航。
2016年開始， nuTonomy 開始在新加坡試測試無人駕駛計程車，更與叫車軟體 Grab 合作，成為全球第一個向大眾開放的無人駕駛測試專案。
產業影響：近期 nuTonomy 與提供網路叫車服務的公司 Lyft 合作在波士頓海港區進行駕駛測試，以期未來能替 Lyft 用戶提供服務，因改變大眾的出行方式而獲得了更多的關注。

2. AutoX ：全球第一個有送貨服務的自駕車

▲ AutoX 推出全球第一個自駕車送貨服務

AutoX 提供自駕軟體的解決方案，對硬體的要求非常低，只有數個攝影鏡頭，不需要LiDAR、超聲波裝置、或者差分 GPS 定位系統，硬體成本不到 50 美元。在行車安全方面，該公司的車輛結合了人工智慧技術，透過傳感器、實時攝像鏡頭和許多真實測試里程，以確保能在旅途中做出安全的決策。
當前，AutoX 正致力發展無人車貨物配送，用戶可以通過搭配之APP選擇商品並進行配送，並可以在配送時繼續在移動商店上瀏覽選購。
產業影響：AutoX 最近在美國加州舊金山灣區的聖荷西（San Jose）啟動了他們的試點計劃，在地理圍欄區域內測試服務，併計劃每隔幾週擴大該區域。

3. Drive.ai ：解決人機溝通難題，用螢幕讓自駕車「說話」

▲ 自駕車 drive.ai 於下雨的夜晚，在舊金山灣區流暢地行走

Drive.ai 創立於 2015 年，因使用人工智慧深度學習來識別與迴避道路上的障礙物而聲名鵲起。
Drive.ai 車隊的日產 NV200 車身主體顏色爲橘色，帶有一條波浪形的藍色條紋。這些車輛不僅是自動駕駛，還能與附近的駕駛員和行人進行通信：全車配備了四個 LED 螢幕，能向行人顯示車輛當前的意圖，例如「等待」、「開始」、「進入」或「退出」。
產業影響：2018 年 5 月， Drive.ai 宣布在德克薩斯州的弗里斯科測試自助駕駛服務，在無人類干預之下、進行自動駕駛汽車的公共道路固定路線測試（如以下影片）。

▲ drive.ai 自駕系統在德州運作

4. Optimus Ride：第一個在紐約推自駕服務、安全穩定的低速自駕車

▲ Optimus Ride 為第一個在紐約推自駕服務的業者

來自 MIT 的 Optimus Ride 專注在為社區和城市之間提供安全穩定又便利的運輸方式。該公司的人工智慧電動車,提供高效率又便捷的自動駕駛，並且與 Velodyne Lidar 合作,其車隊採用雷達感測器感，讓「即時障礙物」、「空間」方面的偵測、導航安全與操作等可靠性，都更上一層樓。
Optimus Ride 在特定的「地理圍欄Geo-Fencing」（指在特定區域,如社區和城市內的自動駕駛區域）經營低速接駁車的服務。
產業影響：Optimus Ride 的車隊,目前除了在麻州南韋茅斯的波士頓海港區部署運行之外，還因其卓越的安全特性，取得在紐約上線的資格(過去因為法律限制，紐約一直被認為是自駕車的禁地) ，活動範圍為有 300 英畝的「布魯克林海軍船塢」的封閉工業區執行，乘客可乘坐 Optimus Ride 在海軍船塢的入口與紐約東河輪渡碼頭之間來回。

5. Waymo (Google 無人車): 使用自家研發零件，包含 360 度光學雷達

▲ Google 無人車 Waymo 的 360 度光學雷達體驗

Waymo 誕生於 2009 年，原本只是 Google 的一項自動駕駛汽車計劃，到了 2016 年才獨立成為 Alphabet 公司旗下的子公司。2018 年底，Waymo 推出首款自駕叫車服務「 Waymo One 」，代表自駕車正式上路。
迄今為止， Waymo 車隊的自動駕駛里程已超過 800 萬英里，其光學雷達的 360 度感知技術可檢測多達 300 碼外的行人，生成周圍環境精確的 3D 地圖，辨識人類、分類物體並預測下一步動作。