GPU实现车外场景比对 自驾车学习力大增

工研院在2016年9月与NVIDIA签署合作备忘录，近期已在自动驾驶的深度学习上，有了初步成果。为使台湾落实技术自主化，该自动驾驶车的关键技术皆是由工研院所自行开发，芯片组方案则采用NVIDIA DRIVE PX2，融合不同传感器的数据，使车辆具备多种感知能力，因此得以充分应付复杂的行车环境及角落。

工研院机械所正研究员/自驾车复杂环境数据融合感知技术计划主持人连豊力指出，由于工研院所开发的自驾车，是从零开始打造，其采用的车用计算机、通讯协议，都是掌握在工研院手中，因此要做任何的操控、控制都不会有问题。 现阶段我们进行开车场景的录制，完成后将数据丢到NVIDIA DRIVE PX2超级计算机开发平台中，去对应车用数据库，以进一步推论出所拍摄到的场景是汽车、巴士车，还是行人等。 然而，当比对程度达到水平后，就能进一步将车外场景的主要目标对象框出来。

当系统须一边开车一边进行学习，其处理耗能会相当高，但当学习完成后，单纯进行辨识的耗能则会降低很多。 因此一般在自驾车的学习阶段，会是用脱机的方式进行学习，而学习完后的辨识，则就可用在线的方式来进行。 但若辨识不成功，则又会再送回数据库去做学习。 连豊力表示，未来自驾车的发展，很可能会是让车上使用车上处理器，并直接做现场的处理与筛选，但在一段时间后，仍会上传到数据库，以便做比对。

连豊力进一步表示，目前自驾车的开发单位在运用传感器去感测外界讯息上，主要有两个做法，第一种方式是比较传统的，运用传感器所能感测的模拟讯号，例如根据车道线是白色还是黄色，去做计算机视觉分析，也就是从色彩、几何去累积对象的特征，其可靠度较高，目前所看到的行车纪录器或辨识系统，大多是运用这样的方式在做。

连豊力进一步表示，另外一种做法，则是目前NVIDIA主要在采用的方式，由于每一次开车左右两边的场景，会有所差异，尤其是当道路并非高速公路般笔直，而是弯曲的时后，若要让一台车学会如何开车，便必须透过录像机与计算机，将开车的场景、指令(左转、右转、不动、煞车、加速等)录下来，纪录完成后，计算机就会开始推论，当影像场景右边比较乱、 左边比较清楚时，代表方向盘正在左转，而影像如果很平均，则代表方向盘没有在动等，进而去找出中间的关联性。

连豊力分析，当这样的关系被找出，计算机就可以进而去判断，主人的开车状况，甚至车子该如何进一步自动进行左转、右转。 因此当计算机的影像纪录越多，自动驾驶能使用的数据库也就更为丰富。 不过相较于传统方式，其可靠度是比较低的，因其并没有办法做到1对1对应，当学习中的摄影机没有拍到某些信息，这些信息就学习不到了，也就无从判断，因此如何让机器的感测能力全面提升，将会是自驾车须跨越的一大门坎。

有鉴于此，目前工研院在发展自动驾驶时，是两种方式同步进行。 由于图形、影片的数据量相当大，而NVIDIA最大的强项即是在前端的GPU图像处理，这也是工研院与NVIDIA连手合作的原因。