各位現場及線上觀眾朋友大家好，我代表研華自主機器人事業部Autonomous Systems & Robotics BU ，歡迎來自台灣智慧駕駛 Turing Drive的執行長沈大維（Davide Shen）大家好，謝謝！ 我們現場也是座無虛席。剛才會前與大家閒聊，其實在我們的生活當中，已經有很多自動駕駛的應用，也有許多與機器人相關的應用。各位可能並不是自動駕駛或機器人開發者或專案負責人，但很可能都是受益者或使用者。比如說無人駕駛的計程車，如果你有去美國灣區或廣州的話，可以試試看。目前在高雄港亞洲新灣區已有台灣智慧駕駛的試乘體驗。 跟大家介紹一下：在某個觀光碼頭裡面，就有一台自駕接駁車，從停車場到展館之間進行接駁。目前是收費營運。每週四至週日，提供HTC AR觀光導覽服務，介紹港區周邊的一些景點，包括當地過去的一些歷史資訊，現在那座旋轉的大港橋等等。所以大家有空可以去體驗看看。 可見自動駕駛很快就會進入我們的生活當中。其實各位的車子裡面，都已經具備某種程度的自動駕駛功能。這種功能已經可以滲透到我們生活中的各個場域。今天我們要探討的除了開放道路的乘用車，不論是客車、轎車、公車、大卡車之外，在封閉環境的遊樂園、貨運、碼頭港口或者機場等特殊場域，如何實現自動駕駛？需要哪些關鍵技術？有哪些挑戰需要克服？ 首先第一個議題，就是這些自動駕駛技術在發展上，面臨哪些需求與挑戰？接下來我們要深入探討在自動駕駛中使用了哪些 AI 技術，與研華的核心價值、核心能力、邊緣運算，有什麼關聯？大家最關心的是自動駕駛何時可以商轉落地？那些技術、商業面或法規面的挑戰，還需要克服什麼？首先，我們就先從第一個議題切入。 剛才提到，不同場域的運行情境都不一樣，很複雜。關心研華的朋友都知道，我們這個產業是少量多樣的 Edge AI的產業，很複雜、場域多樣且少量。比如工廠內部的場域就不一樣，但核心的自主系統架構非常相似，有不同的感測器、運算器、AI組成的自主系統。懂無人機的人，大概也知道 AMR（自主移動機器人）在做什麼。因此，重點在於如何根據不同場域的挑戰，搭配最適合的感測器與運算器組合。這也是研華目前一項非常重要的里程碑。 我們與全球主要客戶合作，開發出一整套提供這些無人載具或機器人的套件，包括感測器（光達、攝影機）、運算器（主板、系統）及相關軟體，讓載具製造商或系統整合商可以更快速地開發、實現自動駕駛情境。 但是各位可能會覺得有點遙遠。所以我們今天邀請到國內最優秀的自動駕駛服務提供者Turing Drive來跟大家介紹。首先請執行長幫大家介紹一下…… 謝謝大家，謝謝 Stephen，也謝謝研華的邀請。我們一直專注於提供自動駕駛解決方案。如剛才Stephen 開頭提到，自動駕駛若在開放道路上是常見的應用，但若廣義而言，自動駕駛可以深入到各種不同領域，例如港口、工廠等場域，甚至農業、礦業，他們的應用需求可能比一般自動駕駛來的更快，我們公司一直專注於處理這種特殊場域的自動駕駛應用。 目前公司在台灣、日本、美國、印度等地都有與車廠合作的實際經驗，應用於不同場景：工業、港口或大型休憩場域，大多數皆有經驗。目前對應的車種數量超過 30幾種以上，我們公司專注處理各種不同載具，如Stephen剛剛所講的少量多樣應用。 我們剛剛的產品主要分為三大部分：AutoDrive、SyncDrive、EdgeDrive，AutoDrive就是我們的核心技術，主要拿來控制自動駕駛的軟體系統；如剛才所說，我們服務的客戶主要都是特殊場景，因應特殊應用車隊的場景，需要較完善的營運調度與管理系統，所以SyncDrive主要就是用來實現車隊協同、監控與任務指派的系統。大家都知道自動駕駛並非單純軟體，需要高度的軟硬整合，我們跟研華這麼長久的合作，就是試著把自動駕駛的軟體和硬體，做到更好的匹配與系統的整合。而必須透過專屬於車上的 Edge Drive，整合感測器與電腦，從底層 Driver 到上層軟體應用。 對於這些車廠，我們的價值在於，他們已無時間從零開始自行研發。若今天一家農用機具廠商決定開始做自動駕駛，可能需花 8、9、10 年，累積足夠的研發與營運數據。而我們公司已累積 7 年的自動駕駛營運經驗與大數據，可立即提供這些車廠一站式服務，幫其快速解決現有問題，幫他們的載具馬上升級成自動駕駛。 我們的應用場景其實與大眾想像有所不同。我們沒有從事開放道路上的自動駕駛，而是在博二港區的接駁車、工廠內倉庫搬運機具，以及礦業、建築等場景中的重型機具自動駕駛。這些都是我們目前專注的場景。你可以看到這張圖，列出了今年特定車輛的自動駕駛應用：這些場景中存在許多不同狀況。 例如，在博二，你會看到觀光客及建築物；而在礦區，環境則是空曠、多變、地勢崎嶇，并有坑洞等，這些環境中的感知、定位與導航，我相信必定需要大量 AI 協助。 接下來，我想請教 David：我們要談的問題是，有哪些不同的 AI 情境？幾年前，我們可能都在談影像辨識，現在更包含生成式 AI、語音、文字等不同應用。待會想深入談這些問題。根據 Gartner 的預測，未來各種 IoT 裝置都會需要 AI，差別只在於要做什麼、需要多少算力？在各種消費型或工業用裝置中，最基本的可能是做單一任務；而最整合的 AI 具備主動辨識、主動預測等功能。再進一步來說，未來幾年，根據高階預測，不同模式的 AI 將會互相整合。我們過去幾天在許多大廠 Keynote 亦聽到，不同任務需不同模型，未來的 AI 將提供整合式服務：你問它一個問題，它就幫你把事情做完。 實際上，在場域中、自動駕駛系統裡，AI 在做哪些事？不同 AI 任務、不同 AI 需求就決定客戶需什麼樣的感測器及運算效能？ 談到AI 絕對不只是某一家晶片廠商的產品才有足夠算力，而是要配合場景應用，搭配最合適的CPU、NPU、GPU組合。研華為了機器人產業的不同需求，提供一系列的專用品，裡面包含了各大廠牌，例如Intel、Qualcom、NVDIA、NXP & Rockchip這些運算器，有板卡、有系統，都是針對AMR及無人載具場景可搭配的工具。 大家聽到這，我們在做這種特定場景的自動駕駛，可能會以為是因為開放道路環境較複雜才選擇特殊場景。其實，開放道路固然有挑戰，但這些特定場景的挑戰，我認為並不比開放道路少。例如場域內並無明確標誌線維護，因此我們需靠 AI 協助去理解場景、識別環境。這便是我們這個 Segment非常重要的挑戰。 此外，另一重點是在於我們所應對的場景是相對多元與碎片化的。例如在工廠、港口，場景完全不同。若對每種場景重複開發，各自累積的數據無法互相共用。因此，我們必須以模組化方式應對客制化，不僅軟體需要模組化，硬體也須搭配。剛才介紹完產品線，就是針對不同算力、場景選擇合適硬體組合，來滿足這些自動駕駛需求。 我這邊舉一個例子：在障礙物識別模組中，我們使用多元感測器，包括光達、單目與雙目視覺相機進行資料混合。為何這麼做？是因為在特定場景中，只有障礙物時，我們才有辦法偵測到它。舉例來說，在高爾夫球場的偏坡上，看見障礙物若只以單一視覺相機辨識，會出現變形與距離判斷失準的問題。因此就必須融合不同感測器資料，例如光達對物件識別較弱，但可補充距離資訊。我們的做法是將不同感測器分別訓練 AI 模型，甚至預測其未來軌跡。為什麼要這麼做？因為障礙物（如人）的軌跡變化多端，需根據其過往運動軌跡預測接下來幾秒的軌跡，才有機會避開風險。 延續先前提到的障礙物識別，我們必須更精確地知道該物件相對於車台的位置。若只使用傳統 2D 虛框標記物件，會存在兩項問題：一是距離資訊較薄弱；二是將空白處也視為物件的一部分，對物件體積判斷不準。若要更精確地避開物件，就須知道物件的真實體積。還有我們必須知道該物件的頭部朝向或人行進方向，才能針對接下來的軌跡進行預測。因此我們投入很多資源，不只是要「看到人」，還要「看懂他、知道他要朝哪邊走」，才有辦法做到預測。 再舉例來說，在一般道路上因道路標誌線明確，只要車能識別車道線，跟著線走大概不會有太大問題。但在高爾夫球場中並沒有標線，因此我們要識別哪裡是可行駛的柏油路或砂礫路，必須使用不同演算法。若場域沒有道路標線，就無法使用傳統車道線辨識。而當然，最傳統的車道辨識我們還是有做：若場域有明確規範與車道線，我們系統仍然適用。 大家都知道現今所有自動駕駛技術使用的 AI 模型越來越多。例如我們目前系統跑了七、八支模型，因此我們對系統的要求越來越高。這就是一個權衡取捨的過程：堆疊越多算力，成本越高。因此一方面拜託晶片廠降價，另一方面我們努力在自身優化模型，不只是「買越多越省」，更是要自行努力。現在我們努力的方向是將不同 AI 模型合併：像前面提到的物體辨識、車道辨識與可行駛區域辨識三支模型整合。這樣好處是算力需求比三個模型加總還低，但精度卻不會差太多。這就是我們在軟體端努力的方向。 這的確是研華許多客戶、許多 Edge AI客戶目前面臨的重要課題：如何讓模型「瘦身」、打造高效、輕量的模型非常重要。不僅是省錢，更關乎運算與能耗。想像一台搬運車車上有多少度電？不過是 4、5 度電。如果我的電腦每小時就耗一度電，跑四小時就沒電了，根本無法運行。因此模型優化，讓電腦運算能力更適配車載場景，是非常非常重要的課題。多數客戶面臨的實際限制就是能耗與空間，無法把整個機櫃放到車上，以及成本限制。 剛才談了許多技術突破，我們發現技術永遠需要不斷創新，永無止境。可能今天在現有技術下接近完美了，但新的技術、新的 AI 出現、客戶需求變多。但在商務上，何時能看見自駕車於特殊場域開始量產？何時能打造出穩定、安全的產品，讓場域與客戶安心導入？這一點更為重要。我們或許不需要十全十美的產品，但我們需要「穩定可靠、可量產、可商轉」的產品。 在這之間，研華這幾年與全球機器人客戶合作發現，客戶不斷進步，也不斷需要落地商轉。在此過程中，我們制定了四大策略：第一是剛才提到的 AI 與邊緣運算非常重要，一方面要追求效能，一方面要追求合理成本與能耗，這部分是研華的核心價值，我們很樂意與客戶一起尋找最合適、最適當的方案；第二是前面提到的，需要適合各種感測器互配。許多感測器兼容性差，一起工作時常出問題，像是認為是電腦本身問題。這樣的狀況非常不理想。所以研華目標是提供完整的感測器＋運算器、甚至包含軟體的整套方案。尤其要支援一些高階感測器，如車用攝影機、ADAS 攝影機，這些攝影機速率、頻寬大、延遲低，卻不好整合，因此我們與多家晶片廠從內核、系統、驅動程式都做相容性確認，讓客戶可以在上層應用快速開發。Edge AI SDK是一套快速開發工具包，可以將環境架設起來。我們也提供完整的車隊管理方案，可與客戶討論各種安全措施策略。 無論如何，研華無法獨立完成這些工作，因此我們非常榮幸能與全球各類夥伴一起提供完整解決方案：從底層，我們與多家攝影機、光達、IMU、定位系統與馬達控制廠商合作整合；再往上一層，我們熟悉的晶片廠商Silicon partner；作業系統廠商如 ROS社群，我們也是會員，最後我們也與大型系統整合商或客戶直接合作。 從研華角度看，我們與夥伴一起提供完整方案，但從 2020 年代來看，若要讓自駕車在特殊場域商轉落地，還有哪些挑戰？市場端對自動化需求已出現且越來越迫切。很多場景如工廠、港口、農場都面臨缺工或工安問題。日本那邊做農具機具的廠商很焦慮，因為沒農夫，他們賣不掉機器，所以他們期望找第三方合作像我們這類公司。我想問的是，市場端是否真的已有這樣的需求出現？ 目前我的觀察是，自動駕駛因為它是一個非常複雜的垂直整合。借用 Stephen 那張圖，有許多面向，不只有軟體，還有電腦、感測器要整合，甚至還有第三方認證問題，因此絕不可能由單一公司完成。大型巨頭如 Google、Tesla 雖有能力，但即便他們也無法全部自行研發感測器與電腦處理器，他們也需要依靠於供應鏈。目前雛形已有，但我觀察是「整合度仍有很大提升空間」。例如剛剛提到感測器性能、效能與軟體適配問題，這些都需更快速實現，才有機會立刻滿足市場需求。另外一個重要議題是產業標準化：若供應鏈各位置有標準，就好比電腦上的 CPU、鏡頭都有統一接頭，隨便誰買都一樣。如果已有行業共識的標準化形式，即可進展更快、更垂直供應鏈整合。 以往我們在醫療等產業已有成功建立許多產業標準，如 SBC（單板電腦）、SIson 等，我相信在自動駕駛領域也需要這樣的標準化。最後就是軟體定義硬體的時代正在來臨，過去硬體主導的時代已成過去，「software-defined everything」正在進行。今年在 Computex 展示更多是應用而非 CPU 性能增進，我們看到從第 7 代進到第 14 代的算力大變革。所以這個時代正在發生巨變，非常高興在這個演進過程中，研華可以與許多台灣優秀夥伴共同努力。另外，也謝謝沈大維，跟大家一起深度交流。 謝謝線上與現場各位。南港展覽館一館與二館一樓研華攤位，歡迎大家進一步了解我們在各行各業的應用。謝謝！