分類
人工智慧

天擇集團-自駕車中的AI應用,台積電為蘋果研發自駕晶片的傳言四起

監測車輛狀況

最具前景的維護類型是預測性維護。其定義如下:「預測性維護利用監測和預測模型來確定機器狀況,並預測可能發生的故障以及何時發生。」它嘗試預測未來的問題,而不是已然存在的問題。從這方面來看,預測性維護可以節省大量的時間和金錢。包括監督學習和無監督學習都可用於預測性維護。其演算法能夠根據機載和機外數據來做出預測性維護的決策。用於該任務的機器學習演算法屬於分類演算法,例如邏輯迴歸、支援向量機以及隨機森林演算法等。

收集車險資料

來自車輛的數據記錄可以包含有關駕駛員行為的資訊,而且這些數據可以用來分析交通事故,也可用於處理車險理賠。所有這些都有助於降低汽車保險的保費,因為具有更加確定的安全性與保證。對於全自動駕駛車輛來說,賠償責任將從乘客(不再是駕駛人)轉移到製造商。而對半自動駕駛車輛來說,駕駛人仍可能承擔一部份責任。

要證明這一類的情況將越來越依賴於車輛AI系統所擷取到的智慧數據。來自所有感測器的數據會產生巨量的資訊,隨時保存所有數據可能不切實際,但是保存相關數據的快照,似乎是獲得證據的折衷方法,這些證據可用於特定交通事件的事後分析。這種方法類似於黑盒子保存數據的方法,可以在發生碰撞事故後根據其中的數據進行分析。

感測器數據處理

自動駕駛車輛在運行期間,無數的感測器為車輛的中央電腦提供了數據,包括道路資訊、道路上出現的其他車輛資訊,以及如同人類感知般地偵測到任何障礙物的資訊。有些感測器甚至可以提供比普通人更好的感知能力,但要做到這一點就需要智慧演算法,用於理解即時產生的數據串流。

智慧演算法的主要任務之一是檢測並辨識車輛前方和周圍的物體。人工神經網路(ANN)是用於該任務的典型演算法,也稱為深度學習,因為神經網路包含許多層級,而每個層級又包含許多節點。圖2顯示了這種深度神經網路,不過在實際的神經網路中,其節點數和層數可能更多。

為了分類物體,視訊輸入分析採用機器學習演算法以及最可行的神經網路。由於我們有多個不同類型的感測器,因而必須為每個感測器配備專用的硬體/軟體模組。這種方法允許平行處理數據,因此可以更快做出決策。每個感測器單元都可以利用不同的AI演算法,然後將其結果傳達給其它單元或中央處理電腦。

路徑規劃

路徑規劃對於最佳化車輛行駛軌跡並產生更好的交通模式非常重要。它有助於降低延遲並避免道路擁堵。對於AI演算法來說,規劃也是一項非常適合它的任務。因為這是一項動態任務,可以考慮到很多因素,並在執行路徑時解決最佳化問題。路徑規劃的定義如下:「路徑規劃讓自動駕駛車輛能夠找到從A點到B點之間最安全、最便捷、最經濟的路線,它利用以往的駕駛經驗協助AI系統在未來作出更準確的決策。」

路徑執行

路徑規劃好之後,車輛就可以透過檢測物體、行人、自行車和交通號誌來掌握道路狀況,透過導航到達目的地。目標檢測演算法是AI社群的主要關注點,因為它能夠實現仿人類行為。而當道路情況不同或天氣條件變化時,挑戰就來了。許多測試車輛發生事故都是由於模擬環境與現實環境的條件不同,而AI軟體若接收到未知數據,很可能會做出無法預測的反應。

蘋果旗下的泰坦計劃(Project Titan)被認為專注於開發促進自駕車技術,但據其他報導指出,蘋果也可能開發自己的車。

《電子時報》9 日報導,蘋果正與台積電合作開發自駕晶片技術。兩家公司計畫在美國建立工廠以生產「蘋果汽車」晶片,目前正與車用電子供應鏈的上下游供應商協商。《電子時報》補充指出,「蘋果汽車類似特斯拉自駕系統」,但並沒有進一步詳述這意味什麼。

《電子時報》的蘋果資訊有好壞參半的紀錄。儘管供應鏈報導通常站得住腳,但報導蘋果未來計畫時遭遇許多失誤。因此應對此報導抱持懷疑與保留態度。

蘋果分析師郭明錤先前預測,蘋果將從台積電採購自駕車晶片。郭認為,「蘋果汽車」可能會在 2023~2025 年首次亮相。此外,台積電仍在考慮在亞利桑那州建造晶片製造廠。《電子時報》有可能會將這些報告與蘋果自駕車的傳聞混為一談。

有關泰坦計畫的傳言多年來沒停過,儘管面臨發展方向改變和裁員等問題與困擾,但自駕系統開發似乎仍在繼續。8 日報導指出,蘋果已將自家自駕車團隊移轉至 AI 人工智慧與機器學習負責人部門。報導並指出,蘋果仍在決定到底是要推出自家汽車,還是為其他汽車製造商設計自駕系統,抑或發表與第三方汽車相容的售後套件。

※本文章屬於TNZE天擇集團所有嚴禁轉載※