目前駕駛輔助系統(ADAS)是主要商品化的產品，從駕駛輔助到全自駕的過程中，仍有高階ADAS發展的空間。開發高階ADAS與測試自駕車，都需要依照感測器的數量妥善分配運算資源，才能在現有解決方案算力有限的情況下，維持系統順利運作。車用運算效能的需求持續增加，車用電腦等產品也在權衡算力與成本之下逐步推出。針對自駕落地的測試，在特定的駕駛區域中，已有巴士與計程車相關案例，可推測未來公共運輸有望率先導入全自駕功能。
高階ADAS發展空間足
工研院資訊與通訊研究所車聯網及自動駕駛系統組組長李夏新(圖1)提及，車用運算的效能需求隨著汽車功能的演進變化，現階段比較熱門且成熟的是ADAS的應用。而不同等級的自駕車效能要求比ADAS高很多，因為連接的感測器數量較多，需要較高的算力，不同的應用車款大小，包含自小客車與巴士所需的效能也不同，需要克服系統層面的效能與散熱議題，以及外部因素如法規等挑戰，因此Level3、Level4的自駕車距離商品化還要一段時間，目前看到的自駕車仍以試驗性的產品為主。隨著自駕程度提高，不同的自駕等級與車用運算的效能需求會持續增加。
目前市場對於ADAS功能的需求強勁，Imagination Technologies汽車部門行銷總監Bryce Johnstone(圖2)分析，有機會在2026~2027年導入的Level3、Level4自駕車的市場也潛力十足。2022年可以觀察到汽車往全自駕邁出下一步，網域控制器(Domain Controller)及區域控制器(Zonal Controller)中運算集中化的前提下，汽車可以提供高階的ADAS功能。
自駕須分配系統運算資源
自駕車的算力需求，可以從採用的感測器數量推估。鏡頭、雷達及LiDAR所需的運算效能不同，雷達通常內建運算功能，可直接處理資料並回傳運算結果給主機，可以為系統節省較多的算力需求，減輕主要運算單元的負擔。LiDAR以傳輸原始資料(Raw Data)為主，將原始資料傳輸到主機運算，由主機判斷路況，因此LiDAR需要使用較多系統中的運算效能。鏡頭則分為有運算能力與沒有運算能力兩類，智慧鏡頭會先透過內建CPU處理資料，再將結果回傳主機，傳統鏡頭則提供原始資料給主機，由主機處理及判斷。因此設計一部自駕車，首先依照車子的尺寸規畫部署感測器的數量，再依照是否內建算力將感測器分類，接著計算整體系統需要的運算效能。
以工研院與廠商合作開發的自駕巴士為例，巴士需要的感測器數量較多，即便採用高效能的解決方案，還是妥善分配系統裡面的運算資源，才能滿足所有功能的運算需求。自駕巴士所用的數個鏡頭與LiDAR，需要分配各自占用的資源，與台灣車用電腦廠商合作的過程中，研發團隊向廠商溝通需求並採用現有的產品，整個系統依照車用電腦的規格與效能調整資源，確保自駕功能順利運作。
自駕車的運算方面，市場上車用高效能運算產品較少，因為市場現階段以ADAS應用為主，Level3、Level4的應用需求較少，且產品組合需要取得算力、功能與成本的平衡，期望提高成本效益。因此自駕車除了由中控電腦主要執行所有感測器的運算工作，如果運算資源受限，可以由多個系統分工，例如其中一個系統處理車控相關運算，便能在單一解決方案效能有限的前提下，滿足車內所有的運算需求。
高階ADAS實現人車共駕
在Level3、Level4自駕實現之前，現階段汽車功能的發展往高階ADAS功能邁進。麥迪創科技技術長黃慕真(圖3)指出，人車共駕是潛力十足的應用，不但能提升駕駛的用車體驗，也能透過軟體提升人與汽車之間的互動，甚至透過AI演算法讓汽車系統記憶車主的駕駛行為，以及接收駕駛的語音指令等，使得駕駛人與汽車之間的互動更為流暢。針對人車共駕的應用，麥迪創科技研發Self Learning架構，透過演算法開發駕駛輔助軟體，此軟體具備自主訓練能力，能使用車主的指令或相關數據訓練模型，建立客製化的駕駛輔助系統，並應用在智慧座艙與ADAS系統中。目前此架構將部署在現有的商用車載平台，並支援多個作業系統，可快速依照車廠需求執行概念性驗證(POC)並量產。
另一方面，為了提升系統效能，面對車用運算遭遇的效能瓶頸，Imagination採用On-chip Memory來降低延遲、減少功耗並提高效能，同時搭配Multigigabit Ethernet交換器與路由器，確保汽車網路的骨幹容量足夠，能夠維持數據傳輸順暢。此外，優化類神經網路與演算法，有助於確保底層的異質運算能力，可以支援包含RISC-V CPU、Power VR GPU運算、PowerVR類神經網路或多位元乙太網路等架構。針對高效能運算的需求，Imagination則提供可擴充的異質運算解決方案，可依照車廠的需求彈性調整。其中，類神經網路加速器(NNA)擴充的範圍涵蓋1 TOPS到TeraOPS，其4NX解決方案提供以秒為單位的快速推論，並且該方案在具備高運算效能的同時，盡可能提高能源使用效益，避免大量占用處理器的運算資源。
公共運輸率先實現自駕
相較自小客車的自駕發展，限定路線或行駛範圍的自駕巴士與自駕計程車有機會更快上路。以台灣為例，工研院承接經濟部為期四年的科技專案，與廠商合作開發電動自駕巴士，研發自駕相關的車用運算、空間感測、自駕軟體相關技術，研發完成後再協助廠商技術轉移。
另一方面，美國亞利桑那州鳳凰城郊區也已經開通自駕計程車的服務。Bryce認為，Level4自駕車與自駕計程車的市場在剛起步的階段，數量並不多。即便2027年，受限於法規，也不容易看到Level4自駕車的市場大幅成長。但是部分政府單位允許自駕計程車在特定區域低速行駛，因此普及率有可能上升得比Level4自駕車更快。
著眼高階ADAS
自駕車發展的過程歷經重重難關，從Level2進展到接近全自駕的Level3~5之間還有一段漫長的路，而ADAS在其中仍有一定的發展空間。高階ADAS的功能可以越來越智慧化，搭配演算法與算力優化的支援，AI的Self Learning架構促使汽車系統學習車主的使用習慣，讓提升駕駛使用ADAS的體驗。
同時透過感測器與運算效能的優化，系統可以更即時感知環境資訊，也能協助駕駛辨識路況，甚至協助決策與預測，有效提升汽車行駛的安全性。在自駕應用方面，全自駕的自小客車落地仍有諸多待克服的因素，然後路線或行駛區域固定的計程車或巴士，有機會提早導入自駕功能，在相對單純的環境中實踐自動駕駛的藍圖。
