在自駕車技術發展日益純熟下，對週遭環境掌握的更甚以往，故對感測器總數量需求日益增加。自駕車所使用的相機、雷達、超聲波（Ultrasonic）為常見感測器，基於安全考量智慧車多混用多種感測設備。

符合國際自動機工程師學會（SAE International）定義的Level 3標準以上的自駕車，因為人為干涉程度漸低，為了取得最佳的環境感測資料給主動式安全/自駕系統，高精度/3D感測之設備與相關技術成為自駕車的發展關鍵。高精度感測功能墊高感測器的成本，感測器總成本日益攀高。

此外，這些龐大的資料量處理更需要高效能的電腦，根據Intel統計一台完全自駕車所需的感測器，一天可以創造累積達4,000GB的資料量，大幅加重運算電腦的負荷。

為了可以滿足完全自駕車的發展需求，感測器與運算電腦分別致力追求更低成本，或是更高可靠度；但是還有一種趨勢發展就是「智慧化」，以系統綜觀的角度，檢視這個系統架構，讓感測器與電腦都具有更多智慧化、分散運算負荷，譬如內嵌感測晶片感測器、複合式感測器、感測融合電腦、低運算需求的中央電腦，智慧化趨勢讓中央電腦的負擔不要這麼集中與沉重。

而能達到智慧化趨勢的原因是什麼？「分散式自駕車架構」將是重要的促成因子，也因而帶動不同的硬體需求變化以及相關的市場潛在商機。

NVIDIA車用運算平台強調集中、強大的運算能力特色，但造成成本容易居高不下以及需要更大的功耗。為了解決此挑戰，Intel以分散式架構另闢途徑，提供一個低運算需求的車用運算平台，讓更多電子零組件業者得以研發不同解決方案。

圖1 : 自駕車為了要更清楚掌握週遭環境，增加越來越多的感測器，讓中央的決策電腦需要更強的運算能力，以應付有無限多種可能性的行車情況。（source：RDMag）

如前所述，自駕車為了要更清楚掌握週遭環境，增加越來越多的感測器，讓中央的決策電腦需要更強的運算能力，以應付有無限多種可能性的行車情況。長期以來，國際上自駕車技術的主導者為NVIDIA，其提供強大的自駕車解決方案，從在資料中心內訓練深度神經網路的運算系統，到支援車輛即時、低延遲推論的自駕電腦，可滿足高度行駛自駕車行車安全之目的。

然而功耗的要求仍是車用環境的一大限制，若使用NVIDIA強大且穩健的集中式車用電腦平台架構，不僅要高功率的支援，還需要在車內配置散熱設備，大大加重對汽車的負荷。在這樣的限制下，講究分散式、低功耗的Intel生態系正快速崛起。

集中式的自駕車系統，其感測器設計較簡單，且傳輸影像原始資料，資料量較大。關鍵的決策運算電腦可簡單與感測器整合，但需同時處理感測辨識、融合、推論、決策等複雜工作，技術進入門檻高，業者具獨佔之優勢。

分散式的自駕車系統，感測器較複雜，結合「辨識晶片」先進行辨識工作，降低資料傳輸量；也可打造專用「感測融合單元」集結數個感測器預先融合，均可達到降低資料傳輸量之目的。

至於決策運算部分，因不需採用高運算能力的電腦，專注「已辨識過」的資訊，進行推論與決策，可降低中央電腦運算功耗。但伴隨的挑戰就是，需要整合各種品牌與類型的感測器，方可有效擷取其精簡後的特徵值進行分析。

變化方向 (中標數字1.2.3.4請略為設計)

1.內嵌物件辨識晶片的感測器

現階段感測器將收到的影像資訊經感光晶片轉化為電訊號後，並沒有再經過晶片將電訊號轉化為標準圖像訊息，便直接傳輸給車用電腦進行處理，所以資訊傳輸量大，且需要高效能電腦處理。

未來趨勢則可以Mobileye為代表，在感測器中嵌入辨識晶片，首先將影像資訊經感光晶片轉化為電訊號後，再經由晶片將電訊號轉化為特徵值（可以識別物件類型，如卡車、小客車），之後將特徵值傳給車用電腦進行處理，而非回傳全部的影像資料，如此可大幅降低傳輸與車用電腦的運算負荷。

=對於產業的影響=

智慧感測器內嵌辨識晶片對於產業的影響，包含有感測器專用「AI物件辨識晶片」市場需求商機增加；對於自駕車電腦的運算能力可望降低，故有利於分散式架構之自駕車電腦。

2.複合式感測器

現在感測器大多將收到的影像資訊，經感光元件轉化為數位訊號後，便直接傳輸給車用電腦進行處理，所以資訊傳輸量大，且需要高效能電腦處理。

以AEye開發的智慧檢測及測距（iDAR）技術為例，內涵多種感測器（如相機、光達），iDAR將2D配置攝影鏡頭畫素疊加到3D體積畫素（voxel）上，經由Edge端融合、辨識後，才回傳特徵值給車用運算電腦處理，資訊傳輸量可大幅降低。

=對於產業的影響=

複合式感測器對於產業的影響，包含有「多合一功能感測器」市場需求商機增加；對於自駕車電腦的運算能力可望降低，故有利於分散式架構之自駕車電腦。

3.感測融合電腦

感測融合電腦的演化，將以百度的Apollo感測融合運算電腦（Apollo Sensor Unit，ASU）為代表，ASU提供多種感測器介接，用於收集各種感測器的數據，包括攝影機、光達、毫米波雷達和超音波雷達。感測融合電腦接受感測器影像資料後，中間融合處理後才回傳特徵值給車用運算電腦處理，資訊傳輸量亦可大幅降低。

=對於產業的影響=

感測融合電腦對於產業的影響，為感測融合電腦設備的市場需求商機增加；對於自駕車電腦的運算能力可望降低，故有利於分散式架構之自駕車電腦。

4.低運算需求中央電腦

車用運算電腦擁有強大的運算能力與冗餘（Redundancy）支援，目前以NVIDIA為代表，但因其強大GPU所帶來的深度學習速度及運算力，也同時具有高功耗的缺點。

未來低運算需求中央電腦，則以Intel的Intel GO平台為代表，為與NVIDIA車用運算電腦的高運算力競爭，採用分散式的架構，將輸入車用運算電腦的資訊流區分成感知、決策、控制這三個特定功能任務。

其中感知的部分將EyeQ5晶片搭載於感測器當中，將影像資料進行初步的辨識處理，決策的部分搭載了EyeQ5晶片將LiDAR和Radar的影像資料及已過處理的辨識訊號進行融合以及規劃，最後控制的部分則搭載Intel Xeon晶片。相較於NVIDIA SOC架構中的GPU，Intel於該晶片中搭載的是Arria 10 FPGA，Intel GO因將資訊流進行區分，僅傳送處理過的特徵值，每個晶片中的訊息處理量較少，故對於運算力的需求較低也因此有較低的功耗。相較於NVIDIA Pegasus主要晶片功耗達60W，Intel Go的晶片卻只要40W，有顯著的差異。

=對於產業的影響=

低運算需求中央電腦對於產業的影響，其一目前涵蓋FPGA、ASIC、CPU、GPU等晶片解決方案等晶片架構競爭激烈，可以嘗試組合不同架構的電腦。舉例來說，早期CPU因可以廣泛處理電腦中的程式，故曾大量被採用，但其在處理人工運算的領域效能較差，故漸漸被NVIDIA所主導的GPU架構採用，引入向量運算技術讓CPU運算效能優異但功率高。

近期以可再編譯閘門陣列（Field Programmable Gate Array，FPGA）為例，具有可編程、高度客製化運算架構的特質，為車廠實現差異化與高效率運算，初期成本雖低，但量產後成本高；長期可發展為特殊應用積體電路（Application Specific Integrated Circuit, ASIC），整體而言，可發揮最高的晶片效能，大幅降低晶片功耗。

探討自駕車關鍵電子零組件

圖2 : 現有感測器直接收到影像資訊傳給車用電腦處理，資訊量大，且需要高效能電腦處理。（source：aarp.org）

在分散式架構的技術下，自駕車關鍵電子零組件可分別從智慧化感測器，以及更輕盈運算架構探討國際的發展趨勢。

首先，以智慧化感測器為例，現有感測器直接收到影像資訊傳給車用電腦處理，資訊量大，且需要高效能電腦處理。未來的趨勢將是在Edge端的智慧感測器內嵌物件辨識晶片，與打造結合多種感測器進行融合的複合式感測器。智慧化感測器對產業影響可分為，在Edge端「物件辨識用AI晶片」以及「複合式感測設備」市場需求商機增加。

再者，以運算電腦架構為例，中央電腦提供強大的運算能力與冗餘支援已面臨很大的挑戰。新感測融合電腦，預先接受各種感測器資料進行融合處理，這些將有利僅回傳特徵值給電腦，資訊傳輸量小，以及「中央電腦運算需求降低」。對市場潛在商機為各種晶片架構競爭激烈，ASIC、FPGA、CPU、GPU不同晶片架構的低功耗電腦組合將有發展空間。

（本文作者為資策會MIC產業分析師）

刊頭圖（source：geospatialworld.net）