研究發展處 林祐賢 

在自動駕駛領域中，通過整合來自各種感測器的數據，實現了物件偵測、路徑規劃和決策命令的功能。隨著AI技術的演進，影像定位技術逐漸被應用，車輛可通過相機生成語義地圖來理解周圍環境，這使得車輛能夠在複雜的環境中進行自主導航。語義地圖是通過對影像中的物體、交通標誌、道路邊界等元素進行識別和標註，幫助車輛更準確地理解並定位自己的位置，並在此基礎上做出行駛決策。這種方法相比於傳統的點雲地圖具有顯著的優勢，點雲地圖通常依賴激光雷達(LiDAR)來生成三維空間點雲數據，並基於這些數據進行環境建模。雖然點雲地圖在提供高精度的空間結構方面有其優勢，但在對道路語意理解、以及在計算資源上，語義地圖的表現更為出色，特別是在城市環境或是複雜的交通情境中。 

在這種新型技術中，攝影與GPS等輔助感測器協同工作，即時生成地圖元素，進而實現對車輛的定位。與傳統的地圖建設方式相比，這一方法不僅減少了對高單價感測器的依賴，還提升了產業應用的可行性。透過車載感測器與計算平台，AI語義地圖學習框架能夠在動態環境中即時估算車輛的精確位置，並預測其在車道內的準確位置(Where in lane)，這對於L3級別智慧車輛的應用至關重要。此種語義地圖技術，將AI影像定位結合了其他感測器(如GPS)，避免了繁瑣的高精度建圖過程與常態性的維護成本。 

車輛中心之AI影像建圖與定位技術發展 

定位系統架構如圖1所示，使用衛星導航系統(Global Navigation Satellite System, GNSS)、慣性測量單元(Inertial measurement unit, IMU)、輪速計、相機及高精度地圖等資料，提供了一個穩定且具成本效益的解決方案。這種多感測器融合的架構不僅能提升車輛定位的準確性，還能在其一感測器異常或中斷的情況下，依賴IMU和輪速計等資料來保持穩定的定位。利用相機資料進行道路輪廓繪製及地圖匹配的方式，也使得系統能夠提前預測車輛位置和行駛軌跡，進一步增強了自動駕駛系統的可靠性與決策能力。此外，這樣的系統設計在減少對高精度GNSS的依賴的同時，也降低了運營成本，並提供了較高的擴展性，能夠根據不同需求進行調整和升級。

圖1、 影像定位系統架構示意圖 

匹配模組是基於視覺的定位演算法，在自動駕駛開源平台上進行整合，系統中主要使用攝影機和慣性元件等感測器數據，結合向量地圖進行車輛定位。圖2.1是將地圖資訊投影至前方攝影機的畫面上。圖2.2為投影線段，綠色線段代表特徵之間有成功匹配，在兩個不同的視角或時間點上，這些特徵在匹配過程中對應成功，表明該位置或物體的確定較為精確或一致；紅色線段表示匹配失敗或不準確的對應關係，原因可能是由於光照變化、視角差異或其他因素影響了匹配的準確性。匹配模組使用多個可能位置進行預測的技術，如圖2.3所示。

圖2、影像定位與地圖資訊

結論 

隨著AI技術的不斷進步，影像定位技術已經成為自動駕駛領域中的輔助技術之一。通過相機與輔助感測器的協同工作，車輛能夠理解並定位周圍環境，實現高效的動態導航。這項技術大大減少了對傳統高價位感測器與複雜製圖的依賴，進一步輔助提升自動駕駛車輛的環境感知能力和決策效能，推動智能交通系統向更高效、更安全的方向發展。