自驾车传感器持续创新演进是自驾车市场未来数年扩展一大关键

自驾车技术在2017年可见各方业者积极抢进投入开发，相关感知技术也见到显著进展，其中让自驾车具自主意识行车一大关键，即在所配置的各类不同功用传感器技术，如光达(LiDAR)、毫米波雷达、摄影机、超声波及全球卫星定位(GPS)天线等。由于各有优缺，因此若要让自驾车具全方位感测技术水平，进行传感器融合将是必要过程。

随着时序步入2018年，各家科技、汽车及新创企业如何针对上述自驾车传感器持续创新演进，以及如何强化实时性自驾车传感器融合技术，将是决定自驾车市场未来数年能否逐步扩展一大关键。

光达最受关注驱动新雷射技术发展

据EE Times报导，在所有传感器技术中又以光达最受关注，2017年中可见许多汽车大厂及零组件供应商如福特(Ford)、通用汽车(GM)及大陆集团(Continental)等，分别进行光达业者收购行动欲强化技术布局。

如VSI Labs创办人Phil Magney指出，光达仍是最受向往发展的技术，部分原因在于光达可提供自驾车许多功用所需，如可提供高度自驾化汽车所需的所在地基础地图精确判读数据。

也因近来光达市场兴起，带动全新雷射技术浮现，如IHS Markit分析师指出，全新超过1,400纳米波长的雷射发射器技术已问世，可提供光达更高分辨率及探测距离，包括福特旗下Princeton Lightwave、Continental旗下Advanced Scientific Concepts(ASC)及Luminar Technologies等业者，均正在开发全新雷射技术。

同时，光达供应商也持续透过开发各式光束转向技术，来改善体积、成本及耐用性等，从机械式到固态光达均可见研发趋势。若要部署于量产汽车上，分析认为MEMS或光学相控阵(OPA)技术的固态光达较可行，另外低成本光达产品同样也有迹象，部分甚至已达不到100美元，主要设计供近接感测用，不过缺点是分辨率有限，导致无法清晰辨识物体。

毫米波雷达朝更小体积、更高精度研发

毫米波雷达技术发展同样不落人后，除了恩智浦(NXP)于2016年首度开启采CMOS制程技术、运行于77GHz的微型雷达芯片领域后，德仪(TI)在2017年也进军毫米波雷达市场，宣称开发出体积最小CMOS传感器产品组合。

而在雷达市场，各家业者技术竞争重点在于如何开发出体积更小且精度更高的雷达芯片产品，随着分辨率提升，如今也达到过去无法做到的物体辨识水平。

不过，要达更佳的分辨率就需要更多通道，这意味需要有更多数据进行处理，因此毫米波雷达需要特殊的处理器来处理这些数据、生成物体或点云，且毫米波雷达也需要开发工具供这些基础应用所需之用，不然很难进行数据处理。

一家2017年才创立的新创企业Metawave藉由开发一款类比波束成形技术，盼改变雷达技术缺陷。运用PARC授权技术超材料、雷达及天线，Metawave将于CES 2018推出「全雷达方案」原型，宣称这项基于超材料的类比波束成形技术能够精确控制雷达光束，以在不牺牲分辨率下实现更快的运行速度及更佳的讯号噪音比。

视觉摄影由Mobileye暂领先更多新技术浮现

自驾车视觉影像数据搜集处理也是另一技术重点，现阶段英特尔(Intel)旗下Mobileye为此一领域领导业者，但目前也有其它业者投入这块领域，让自驾车开发在这块领域有了更多不同摄影机技术选择，未来将人工智能(AI)应用于视觉影像处理将是技术所趋。

法国新创企业Chronocam所开发让机器进行感测及侦测、由事件驱动的传感器技术，虽仍未应用在任何商用化汽车中，但却可能完全改变当前CMOS影像传感器市场，因而获得市场关注。

Chronocam执行长指出，英特尔、NVIDIA等芯片业者仍将重心放在试图找出更准确且快速处理庞大数据的最佳方式，Chronocam则将重心放在影像数据的取得，藉此有助大幅减少数据负载，可让汽车进行近乎实时的决策。

感测融合为汽车具自主意识必备

汽车若要具自主意识，能够实时为汽车建立实时所在地周遭影像地图，以让汽车了解自身所处位置的光达便不可或缺。如NVIDIA开发的DriveWorks软件开发套件(SDK)与实时动态(Real Time Kinematics)也可提供这类实时在地化地图生成技术，另如Mobileye则是推广路网采集管理(Road Experience Management；REM)这类高画质地图绘制技术。

即使不少大厂投入这块领域开发，仍有其它新创企业可投入的空间，如加州新创企业DeepMap透过采用摄影机搜集的影像及光达搜集的数据，来改善目前的数码地图质量。

上述各自驾车传感器数据搜集后，如何进行高水平感测融合技术即最终要点，因为没有任何一项自驾车传感器技术能够可靠的包山包海所有的数据搜集，融合的结果决定了自驾车的决策与行为，以让驾驶达最安全等级。

然而，传感器融合有其困难度，因为必须同步处理所有这些讯号。至于应融合「物体」数据或「原始」数据，目前业界仍无最终定论。