智慧駕駛產品開發？先解決資料問題(上)

先進駕駛輔助系統(ADAS)或是未來大家期盼的全自駕(兩者統稱為「智慧駕駛」)，都是接下來新興造車產業關鍵性的產品，DIGITIMES的研究也顯示相關產品如感應器、鏡頭、線材、MCU、AI晶片、軟體、服務等的營業額以及成長性都相當可觀。

智慧駕駛技術一般區分為4個技術模組：感知，理解環境重要的物件、移動方向、速度、行駛路徑等；預測，掌握週邊物件的未來移動軌跡；規劃，決定短時間前進的最佳路徑；控制，直接控制油門、煞車、方向盤等。

訓練(及測試)資料在智慧駕駛中具關鍵的角色，而且眾多研究顯示，量級多寡與正確率以及穩定度相關。資料除了用來訓練「感知模組」(一般以視覺為主、雷達為輔)所需的標註外，同時也是「驗證及確認」(verification and validation；V&V)程序中關鍵的元素； V&V用來確保智慧駕駛產品功能安全，其同時也需要大量駕駛場景(scenarios)。而這些感知、V&V資料的取得，耗費人力與時間成本相當高，而且深具挑戰。

智慧駕駛3D資料的標註耗時費力。在智慧駕駛的感知、路徑預測、以及規劃當中，需掌握物件在空間(立體)環境中的精確位置，所以必須標定空間中的長寬高以及中心點。一般3D的標註工具不方便使用，研究指出，3D資料的人工標註更加耗時，所需的時間為2D資料標註的2~16倍。

跨區的資料使用也有其限制。能否將甲地的資料使用在乙地？比如在歐洲收集以及標註的資料使用在美國？研究顯示有其侷限性。幾個原因，各區域的物件種類、分布不同，如美國的皮卡、台灣的機車，遠高於其他地區；另外，經過幾個資料集分析，一般美國車的大小高於歐洲車。當然可以想見天候、地貌、道路規劃、號誌規則也大不相同。此外各地的駕駛習慣也有想當大的差異：車輛密度、以及路況的反應，例如遇到前側方打方向燈時，各地區的駕駛反應大不相同。

建構3D動畫，模擬生成的資料存在應用領域差異的問題。既然收集標註不易，那就使用3D動畫生成路況，直接掌握各個物件、環境參數。但是真實場景的生成程序繁瑣，通常產生的路段、場景有限，不具多樣性。另一個更具挑戰的是Sim2Real的障礙：模擬場景(simulation；sim)所訓練出的AI演算法，在真實環境中(Real)同樣會因跨域(cross-domain)的問題而大打折扣，因兩方的光影、材質、線條風格等差異頗大，3D動畫很難成為主流資料。

特殊物件以及場景的稀少性是另一個挑戰。比如各地都有造型特殊的交通工具，可能在訓練資料中未曾出現，在辨識當下常被忽略，比如一台倒在路面只看到白色車廂頂的貨車、特殊造型工程車等。更多的是各種少量的駕駛邊角場景，一般難以收集，例如臨時封街辦流水席、深夜一頭牛衝上高速公路等。少量邊角案例常造成智慧駕駛的安全事故，並已有多起案例發生。

資料取得成本高，那可以考慮少量樣本技術(few-shot learning)嗎？這些技術一般針對資料取得不易的醫學或是工業應用，而且預期會在類似的工作中轉換。相關技術對於精度以及穩定度標準高的車輛感知與控制，一般不會採用。

看到這麼多資料取得的挑戰，難道就限制智慧駕駛技術的發展？無法商品化？當然不是。除了耗時、投入大量資金採用全人工標註之外，在工程以及學術上，已經證實有些方法可以大大降低資料標註的成本，後續的文章，我們再繼續探討可能採用的資料策略。