機車先進駕駛輔助系統（ARAS）如何守護騎士的安全？

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

有個 14 歲的少年戴著安全帽，騎乘輕便型機車^[註]。一輛轎車正對著衝過來，他閃避不及，摔落地面，胸部撞擊油門把手。^[1]

少年至醫院就診時，雖然胸部觸診會疼痛，但肉眼看不到瘀青，X 光也顯示沒有骨折。從心電圖可見心臟跳動的頻律正常，不過有左束支傳導阻滯（left bundle branch block，簡稱 LBBB）的現象。^[1] 也就是說心肌裡流動的電脈衝，在前往心臟左邊下面，那個叫做左心室的部位時，被阻斷或變得遲緩。這可能會影響血液的輸送。^[2] 他被留院觀察一夜，隔天早上回家。預計一週後，至心臟科回診。^[1]

不料，才過五天，少年便猝死了。^[1]

為了釐清死因，驗屍團隊在二天後進行解剖。他們發現少年的左心室肥大（left ventricular hypertrophy）， ^[1] 該症狀的常見成因是心肌太過賣力運作。^[3] 此外，心臟不僅有多處破損及血浸潤；盛裝心臟的心包裡頭，還有 700 毫升的血液，^[1] 差不多就是臺灣一般大杯手搖飲的容量。^[4] 因此，他被認定死於心臟破裂導致的心包填塞（cardiac tamponade 或 pericardial tamponade）。^[1] 換句話說，因心臟受傷而流出的血液，在心包裏頭緩緩累積，使得內部壓力不斷升高，最後心臟承受不住，於是停止跳動。^[5]

追根究底探討起來，少年的心臟流血，是源自所謂的心臟鈍傷（blunt cardiac injuries）。^[1] 它雖非遭受外物穿刺，卻有幾種可能造成破裂的機制，例如：

1. 直接衝擊胸口的外力，使心臟在胸骨與脊椎之間被擠壓。^{[1, 6]} 這也是心肺復甦術（cardiopulmonary resuscitation，簡稱 CPR）的罕見副作用之一，發生機率只有 0.6%。^[7] 請大家千萬不要因噎廢食，該救人的時候，還是要做 CPR。
2. 按壓身體的下肢和腹部時，突然增加靜脈的壓力，並間接提高胸腔內壓，因而壓迫到心臟。^{[1, 6]}
3. 在瞬間加速、減速或旋轉的過程中，^[1] 扯壞了心臟本身的結構，以及它與血管之間的連結。^[6]
4. 爆炸事件改變受難者周遭的氣壓，朝著胸部直來的衝擊，造成看似微不足道的心臟挫傷，卻引發心肌壞死。尤其是年輕人血流改道的功能較差，特別容易受到的影響。^[1]

這個案例中少年遇到的，應該是屬於上述的第一種情形。他的前胸被油門把手擊中，心臟順勢往脊椎撞上去，並挫傷後壁。心臟鈍傷從外表看不出來，又未必有明顯症狀，所以診斷時較具挑戰性。不過，有些病患能迅速痊癒，不見得會產生致命後果。事實上，驗屍團隊發現少年的心臟，也的確有一些復原的跡象，只是所受的傷害太大，於事無補。^[1]

為了安全起見，當醫療人員見到第一張心電圖有異狀，就應該持續再做幾張，觀察心臟的狀況。同時，要反覆測量血液中肌鈣蛋白（troponin）的濃度，以協助判斷。^[1] 肌鈣蛋白只有在心臟受損的時候，才會出現在血液裡，從其含量可以推測傷害的程度。^[8] 值得注意的是，少年車禍後的驗血報告正常。^[1] 這也是為什麼醫師通常不僅要為胸痛病患驗血，而且 24 小時內可能會抽血 2 次以上，注意結果是否隨時間變化。^[8]

嚴重心臟鈍傷的肇因，50% 為車輛交通意外；35% 是行人被車撞；9% 與機車事故有關；而 6% 則是從高處摔落所致。^[6] 臺灣有些都市交通繁忙，所以事故頻傳。^[9]若是不幸遭遇車禍，就算沒有顯著外傷，大家最好還是去醫院稍做檢查。

延伸閱讀

保護腦袋都靠它！——安全帽的科學技術

備註

輕便型機車（moped）的排氣量在 50 c.c. 以下，視覺上和小綿羊機車（scooter）最大的差別，在於駕駛座前方，沒有臺灣人拿來載小狗的那個腳踏板。^[10]

1. Gentile G, Tambuzzi S, Giovanetti G, et al. (2021) ‘Sudden death due to cardiac contusion: Forensic implications in a rare pediatric case’. Journal of Forensic Sciences, 66, 5, pp. 1996-2001.
2. ‘Bundle branch block’. (11 JUN 2022) Mayo Clinic.
3. ‘Left ventricular hypertrophy’. (25 NOV 2020) Mayo Clinic.
4. 黃韻文（01 JUL 2022）〈環保杯6大QA懶人包！今起帶杯折5元　杯子挑多大才夠裝？〉NOWnews
5. ‘Cardiac Tamponade’. (22 OCT 2021) Cleveland Clinic.
6. Singh S, Heard M, Pester JM, et al. (22 MAY 2022) ‘Blunt Cardiac Injury’. Treasure Island (FL): StatPearls Publishing.
7. Yonezawa N, Takei T, Fujisawa M. (2021) ‘Right ventricular blowout rupture complicating cardiopulmonary resuscitation in a patient with acute pulmonary embolism’. BMJ Case Reports, 14:e245520.
8. ‘Troponin Test’. (09 SEP 2021) MedlinePlus.
9. 「道安資訊查詢網」交通部道路交通安全督導委員會（Accessed on 17 SEP 2022）
10. ‘Scooter Vs Moped – What’s The Difference?’. The Bike Insurer. (Accessed on 16 SEP 2022)

模擬驗證技術主要是為了預測、分析系統開發的特性及響應關係，透過模擬提供多種複雜條件下系統作動之響應行為，預先分析其環境條件、控制模組與系統物理特性關係是否符合預期。中心先進駕駛輔助系統開發之模擬驗證技術，依據環境感測模擬軟體建置 ISO 國際標準以及廠規測試驗證情境 (PreScan)，提供 ADAS 主動安全系統演算法開發模擬驗證 (MATLAB/Simulink)，並結合 CarSim 環境建置車輛動態，模擬車輛於實際道路路況之表現，確保 ADAS 控制系統演算法開發符合實際需求與安全規範。

ADAS 這樣守護你：車道維持、巡航控制、自動煞車

ARTC 開發一套自動輔助駕駛系統，主要由三項 ADAS 主動安全系統整合而成，包括車道維持輔助系統 (Lane Keeping Assistant Systems，LKAS)、自適應巡航控制系統 (Adaptive Cruise Control Systems，ACCS)、自動緊急煞車系統 (Autonomous Emergency Braking Systems，AEBS)，下列將介紹各次系統控制原理及流程。

車道維持輔助系統 (LKAS)

為了預防駕駛因疲勞而偏離車道，LKAS 系統利用車輛前方攝影機、車身訊號、方向盤轉角訊號，計算本車與車道中心線之偏移量，當駕駛有不當偏離車道時，系統將介入修正方向盤，使得車輛可維持於車道上而不偏離。

自適應巡航控制系統 (ACCS)

ACCS 是一種行車跟隨系統，藉由雷達偵測前車資訊，進而控制本車之行進車速，以確保行車的安全距離，而駕駛可透過安全距離之調整改變跟隨距離之遠近。

自動緊急煞車系統 (AEBS)

AEBS 透過影像與雷達感知融合技術，增強前方障礙物偵測之穩定度與精準度，並搭配車身訊號計算本車與障礙物之間的相對關係，最後透過系統的防撞決策來降低與前方撞擊之危險。

上路前，先進場模擬：ADAS 的模擬驗證技術

系統模擬驗證主要區分成三部分「測試情境」、「ADAS 主動安全系統演算法」、「目標車輛之物理模型」並透過相對應之軟體進行模擬，系統開發流程如下圖所示。

1. 測試情境：透過 PreScan 對外部環境及感測器的高度仿真，作為測試演算法前端之輸入資訊。
2.  ADAS 主動安全系統演算法：利用 MATLAB／Simulink 強健的開發工具，可制訂模塊對於各種時變系統，如控制、通訊、信號處理、影像處理和圖像處理系統等進行模擬、測試，也可以進行基於模型的設計。
3. 目標車輛之物理模型：利用 CarSim 對於實車車身姿態、行為、響應具有高精度之相似度，提供開發人員修改車輛參數、模型以達到符合模擬之層面。

Model in the Loop (MiL)

MiL 定義為「測試案例 @PreScan」、「演算法 @MATLAB/Simulink」、「物理模型 @CarSim」皆在純模擬環境下執行驗證，其優點為可快速測試演算法邏輯，並簡化過於複雜之測試流程，如下圖。

Hardware in the Loop (HiL)

藉由 HiL 來執行測試，主要是在演算法開發階段尚未完成前，先建置控制器的驗證迴路，並在模擬驗證環境中導入失效驗證情境，能實際測試車用控制器在不同的失效階段下，以了解控制器存在危險性及風險的情況，控制器是否實施緊急保護措施。HiL 模擬可幫助開發工程師在虛擬環境中有效地測試嵌入式控制器。

Vehicle in the Loop (ViL)

定義為將實車運動資訊回傳至虛擬環境中之驗證車輛，確保虛擬驗證車輛可與實際車輛之運動姿態相同，並透過虛擬感測模組偵測虛擬場景中之驗證車輛與對手車輛或相關物件之互動關係，再將此互動資訊傳輸至系統控制器 (ECU)，控制器依感測資訊下達控制命令控制實際車輛之轉向、煞車或油門等底盤模組。

考駕照就考駕照，為何需要模擬驗證系統？

模擬驗證主要是幫助減少演算法開發時程以及改變 try and error 開發流程，以及利用工具可以提早進行複雜場景測試及場景重現，利用 PreScan 建置各種測試環境，且提高測試情境之複雜度，將測試情境導入 MiL 測試可提高演算法功能上的確定性；HiL 測試可驗證單純在模擬環境下結合 ECU 後兩者輸出結果是否一致；ViL 測試則為了提高實車測試驗證安全性，因此利用 PreScan 模擬環境條件提供真實車輛進行 ADAS 系統演算法開發驗證，最後再進行實車道路情境測試確保系統功能之完整性、可控性以及系統穩定性、強健性。

本文出自財團法人車輛研究測試中心；原文於此，如需轉載，歡迎與車輛中心聯繫。