【專訪前蘋果神祕部門自駕車老手】自駕車真正的挑戰是要規模化

「我這輩子，從來沒想過大家會把自駕車當一回事。」 講到這段做自駕車研究的回憶往事時，工研院機械所數位長王傑智侃侃而談。因為就連他也沒料想到，居然有一天，自駕車真的可以成真。

熟識王傑智的友人都叫他Bob，平時熱愛馬拉松的他，國內外大小賽事都能看見他征戰身影，就像跑馬拉松，不能只靠體能，也得靠意志力堅持，對於笑稱自己是老自駕人的王傑智來說 ，做自駕車研究也像一場馬拉松，靠的就是毅力堅持到最後。

早在20年前，當大家都還當無人車只是電影描繪的科幻情節時，王傑智就一頭栽進當年較為冷門的自駕車領域，並選擇以機器人研究聞名的美國CMU攻讀，還向當時學界最早完成無人車雛型Navlab1的機器人研究大師Chuck Thorpe拜師。

而他在2003年發表的自駕車研究，更替他贏得了當年ICRA最佳論文獎，恰巧口試他的委員，正是後來大名鼎鼎的Google自駕車之父Sebastian Thrun，直到2007年的國際機器人研究期刊上，兩人都還有共同署名發表。

提到王傑智的大名，美國矽谷自駕圈幾乎沒有人不認識他，甚至連現在許多Uber自駕車團隊成員，或是自駕車新創創辦人，都是他以前同校師兄弟，講到自駕車演進與技術發展，王傑智比誰都還清楚。

2004年自CMU畢業後，他先後在澳洲雪大、臺大資工教了十年書，後來轉戰到了矽谷，直到兩年前，王傑智都還在蘋果特別產品部 （SPG）擔任主管職位，而且長期投入自駕車研究逾20年。去年歸國後正式接任工研院機械所數位長，率領研究團隊要打造國產自駕車AI大腦，短短不到1年，已經完成了至少3輛國產自駕車，現在每天都在工研院開放園區測試，說他是臺灣最懂自駕車的人，一點也不為過。

「我剛畢業時，業界根本還沒有無人車。」王傑智回憶起這段日子說道，但是誰也沒想到，相隔10年後，因為Google無人車問世受到外界囑目而迅速竄紅，自駕車技術反倒成為了全球當紅炸子雞。

不過，王傑智澄清說，這並不意味著，從事自駕車研發這件事變得很簡單， 只要想做，任何人都可以做。他說，做自駕車不像組裝玩具車，只要買輛電動遙控車，上面裝上攝影鏡頭，搭配一塊控制電路板，這臺玩具車會自動繞圈跑，就是自駕車。

他強調，真正的自駕車不能只開在特定路段，而要任何路段都能開，必須要能應付所有的駕駛情境。這有很高技術難度。

自駕車目前有哪些挑戰？王傑智也舉了其中兩大挑戰來說明。首先，第一個是氣候挑戰，他表示，自駕車碰到下雨、下雪天時，感測器將會難以運作，容易導致自駕車失靈，但是如果要發展自駕車，就不得不把天候因素考慮進來，設法在惡劣天氣環境下，將不同感測器技術，能夠巧妙地整合在一起，來相互確保行駛安全。「畢竟這是攸關人命的事。」他說。

其次，動態環境則是另一大挑戰。王傑智表示，要讓自駕車能開一小段路也許不難，但換成是要能在全世界所有道路上都能開，這就極為困難，因為不只要考慮到人、車、路等不同動態複雜環境的變化，自駕車還要適應不同地區當地開車習性的差異，比如在舊金山灣區道路設計較寬不容易交通阻塞，車輛通行也較守秩序，自駕車會相較好開，但場景如果換到臺灣，結果可能就不是一回事。

做一輛自駕車跟做一億輛比，難度層次完全不同

但是，對於王傑智來說，無人車真正挑戰是在規模化。「我在矽谷學到的經驗是，做一輛自駕車，跟做一億輛的挑戰規模完全截然不同，」他表示，很多人以為只要完成一臺自駕車後，接下來要複製到其他輛就很容易，但事情並非如此。

他解釋，如果只有一臺自駕車，只要把它控制參數調校到最好，上路就沒問題，但假設數量增加為10臺車時，就算每輛外觀都相同，車體還是會有些微差異，就可能會使得車上感測器擺放位置，因此稍微偏差一點，但就因為這一點點偏差，就可能會大大影響自駕決策結果，而要針對每輛車重新調整參數，反覆訓練測試，很花時間力氣。

「這是只做一臺自駕車，跟把車當做產品來經營發展的最大差別，」王傑智提醒，自駕車團隊一開始決定要做無人自駕車前，就必須先想清楚，自己要做的是技術展示用自駕車，還是要能夠商品化、量產化的自駕車產品。這是兩件完全不同的事情。

深度學習並非萬能，不應靠單一技術做整車自駕

講到當今自駕車技術路線。王傑智也提到現在當紅的深度學習（Deep Learning）技術對於自駕車的影響，但是他直言：「深度學習很重要沒錯，但是深度學習不等於自駕車，自駕車也不等同深度學習。」

王傑智表示， 深度學習技術雖然很管用，但要用在對的地方，比如深度學習適合用在自駕車的環境感知上，但是在決策和控制就不太適合，「我反對，用深度學習做整車的自駕，就是感知、決策與控制。」他表示。

「就算是感知，也有細分深度學習能做和不能做的事，」他說，因為深度學習並不是萬能。舉例來說，用深度學習判別桌上有一杯水，但是當這杯水移動時，能不能追蹤它跟著移動是個問題。今天換作辨識車輛時，除了要知道前方這是一輛車，還要預測出它的移動軌跡，判斷前方車子會不會突然撞過來，以這例子來說，「深度學習只會用在車輛辨識，接下來汽車會往哪走，方向會左彎還是右彎，行人會不會衝出來，會由其他追蹤、控制決策等系統，來負責執行這些任務。」

王傑智指出，自駕車設計有很多方法和理論，但總有人會認為舊的設計不好，一定要用新技術，這個觀念並不正確，他也舉物體追蹤來說明，在冷戰時期，各國利用地面雷達來偵測追蹤空中戰鬥機高速移動軌跡，背後這套跟蹤飛機系統技術，用的就是傳統追蹤理論，這跟現在自駕車追蹤物體原理相同。「就像是飛機自動飛行會以符合系統工程設計來執行，為何自駕車就不能以同樣標準來完成，不夠時在用深度學習加強呢？」他反問的說。

王傑智進一步補充，通常在設計自駕車時，不會只靠單一技術或系統來開發，而會採用各種不同的有效方法，來確保整個自駕系統的安全性。他說，就連一個物體追蹤算法，都會同時有好幾種作法，用在不同感測器上，來反覆檢驗確認。就像每架飛機上，現在都還會存有一套備分系統及感測器，以便於當某個主機故障或感測器失靈時，還有其他備用系統或偵測器可以接手，繼續維持系統正常運作，就連軟體都會需要一個備分算法，「這就是我們所謂的功能安全（Functional Safety）。」他說。

「我是研究了一輩子的老自駕人，」王傑智有感而發的說，從一開始沒人把無人車當一回事，到現在受到所有人的重視，這是相當正面值得鼓舞的事情，「對我而言，也終於能走出學術象牙塔，可以真正替人類做出有意義貢獻。」

談無人車全自駕服務還太早，主動安全整合自駕功能是大商機

對於當前全球自駕車產業的發展， 王傑智則認為，現在要發展全自動駕駛車服務，時間還太早，加上使用需求量少，他反而看好，自動駕駛在主動安全市場，將會有更大發揮的空間，比如將部分自駕功能放進計程車上，來輔助司機安全駕駛，「特斯拉就是其中代表。這也是臺灣業者，未來可以把握的商機。」他表示。

王傑智也說，不論傳統車廠，還是如Google等網路科技公司或是新創，最終都是要往無人車發展，只是彼此走的路線不太一樣。Google、百度打的算盤是要破壞式創新，走的是特定場域的自駕服務，他們心裡想的是5年到10年內可以取代車廠，而像特斯拉或其他傳統車廠，則是邊賣車邊做自駕，並持續透過這些車來蒐集資料，一步步升級自駕功能，大家各有盤算。

 相關報導  國產自駕車的誕生