車輛中心 研究發展處 姚長昆

目前市面上，汽車多採用cmos攝影機捕捉車輛四周的影像，提供駕駛人直觀的影像資訊，避免車體與障礙物產生不必要的碰撞，然而有時駕駛人還是會因不專心而未注意車輛周遭是否有障礙物的存在，進一步導致意外的發生。

如何透過影像分辨且分類出不同類型的障礙物呢?我們透過機器學習即可做到這樣的分類器！Google利用一千台電腦架成了Google Brain，成功地將大量測試圖分成了三類：人臉、身體、還有貓。這已經展現利用機器配合深度學習（deep learning）演算法，就可以讓機器展現學習的能力。而深度學習就是模仿神經網路的運算模式，以多節點、分層的運算來分析圖片上的特徵。機器學習代表機器從此能夠如同人類一樣，在龐雜無盡的資料中自己找出潛在的抽象規則，而不需要他人的說明或指導。

目前車輛中心(ARTC)已利用機器學習的方法，研發出車輛與行人分類器，此兩項分類技術皆是利用大量的測試樣本影像進行訓練學習，此機器學習透過影像輸入訓練，利用特徵點的辨別找出可能的物體，此種特徵學習的方式需要大量的運算與分析，而龐大的運算電腦似乎不適合實現在各種應用上；但是拜科技所賜，未來的超級CPU就可以達到目前所做的事情，但為了以更有彈性的方式來開發車輛影像平台，ARTC使用FPGA (Field programmable gate array)開發平台來實現車輛與行人分類器，其實體如圖所示。

圖 影像式分類器FPGA開發平台

FPGA就像樂高積木一樣，提供許多小電路給設計者使用，設計者可撰寫程式打造客製化電路，透過高彈性設計的FPGA，讓我們可以針對車輛與行人分類器演算法做平行架構的設計，原本須在CPU上執行數秒的分類器，透過平行化的特性在FPGA上達到即時(Real-Time)運算，讓使用者可以即時得到警示。也透過多核心(Multi-Core)的特性，如嵌入平台中-ARM處理器，達到不同作業系統(Linux、Android…)的執行，符合各個車廠在儀表介面的整合。

未來，透過機器學習即可仿造大腦一般，利用辨識影像的技術分類出各式各樣不同的物體，在車輛先進駕駛輔助系統中幫助辨識障礙物，主動警示是否有障礙物的存在，將大幅減少交通傷害的發生；進而再結合主動控制，應用在自動煞車系統(Autonomous Emergency Braking) 或自動駕駛系統(Automatic Driving System)，達到降低交通事故與智慧行車的目的。