近年來，智慧型無人載具興起，其中更以自駕車之發展日益擴大，此項技 術需有高精度圖資作為基礎，確保自駕車能運行於正確的路徑上。為提升國內 在製圖及自駕車導航的發展，高精度地圖需建置全新的製圖規範，爰本分項計 畫進行自駕車用高精度地圖 (HD Map)之回顧與製圖標準評估，供後續相關研究 參考。以下實施方法包含 1.高精度地圖、即時動態地圖文獻回顧及標準作業評 估；2.AI 技術特徵辨識輔助高精度地圖文獻回顧與先期評估；3.高精度地圖管理 及供應平台先期評估作業規畫；4.台中水湳為測試場進行服務案例試辦。本計畫 擬基於內政部既有製圖技術經驗，結合國內相關產業優勢背景進行高精度圖資 建置流程標準先期評估，優先以無人自駕車應用場域進行技術測試，期許後續 發展更多元情境之應用。
4.3.1 高精度地圖、即時動態地圖文獻回顧及標準建立作業規劃
高精度地圖為提供自動駕駛汽車的新一代輔助資訊，相較於現今導航基於 人類視覺觀點所使用的二維電子地圖，自駕車則需在行駛過程中透過地圖反饋 資訊即時作出決定，最終目的乃是安全地讓乘客送達目的地。根據先進駕駛車 輛安全研究指出，目前使用的個人導航設備及智慧型手機導航精度約為 5 公尺，
目的是告訴使用者車輛所在的道路位置，但若要提升至車輛自動駕駛層級，勢 必要將精度提升至 1 公尺內，方能提供確切的車道位置，使車輛行駛方向正確 且不會和其他車輛發生擦撞，故提供資訊的圖資精度更要提升到 25-30 公分等級 才能確實滿足自動駕駛需求，讓導航系統得以準確的引導車子移動；且所有資 訊都要在三維空間中，方能處理如高架橋、地下道等非平面的情況，因此，高 精度地圖皆需等比例的表現出人眼在駕駛當下所能見到的所有外界資訊，輔助 自駕車順利進行導航。
圖 4.29 高精度地圖(Source: Harsha Vardhan, 2017)
若要完成三維高精度地圖建置，需使用多感測器整合來偵測周遭的景物，
如衛星定位系統、相機、光達及慣性感測元件等，一台自駕車配備的感測器如 圖 4.30 所示。自駕車可以透過硬體設備收集大量資料，同時配合軟體處理得到 有意義的高精度地圖資訊，而多感測器之間資訊的整合也是一大挑戰，由於不 同感測器獲得的資料型態、測量單位不同，資料的精度品質、解析度也有所差 異，因此若要有效且快速的整合這些資訊也需憑藉著機器學習、電腦計算與平 台整合的技術，使所有資料的儲存、運算及決策皆能即時完成。因此高精度地 圖需要更為效率的方式儲存圖資，也就是即時動態地圖的發展初衷，使用如雲 端儲存的方式增進圖資整合及更新，即時共享道路資訊，進而維護高精度地圖 讓更多車輛得以安全運行，有關地圖圖台建置先期評估策略詳見 4.3.3 節。即時 動態地圖的願景是，若道路上參與高精度地圖觀測的汽車數量越多，則收集與 更新的資訊就越多，高精度地圖的成果精度及品質也就會相對提高。
圖4.30 自駕車上的感測器系統(Source: HERE Map)
此種全新型態的地圖在維度、內容、精度等內涵均與傳統二維電子地圖有 所不同，原有的製圖規範已不能滿足其製作、維護及檢核需求。內政部作為我
國圖資管理與主管機關，本計畫結合內政部歷年製圖技術經驗，評估全新的高
地圖；最後是行駛決策(Driving Policy)，依據自駕車在不同場域的行駛能力給予 適當的決策(Silva et al.,2017)。
為實現上述自駕車核心技術，需仰賴自駕車上軟硬體間的配合，自駕車搭 載之硬體設備如相機與光達，如同車輛的視覺感官系統，透過蒐集的影像和點 雲資料獲取使用者所處空間資訊，進而對外界做出安全並正確的回應。由上可 知，自駕車需接收大規模資料，無法再以傳統人工方式處理，而是藉由機器自 動化且快速更新，並提供使用者正確的決策分析。受惠於計算機領域技術突破，
上述科技發展所需巨量資料儲存分析之雲端計算數據處理技術已逐步實現，並 透過電腦演算法模擬人類神經元實現類人智慧技術(AI)。考量人工智慧技術擁有 優於人腦邏輯計算高速性、高容量儲存力與記憶力，並能在良好供給資源下具 備長效連續運作及成長的能力，本計畫考量未來技術發展將有別於傳統人為辨 識處理方式，擬針對利用人工智慧自動化辨識外界環境包含交通號誌、道路標 線、道路邊界等自駕車可用特徵萃取技術以文獻回顧方式進行先期可行性評估。
影像辨識技術常採用基於卷積式類神經(Convolutional Neural Networks, CNN)之演算法，其精髓在於卷積層與池化層之架構，利用卷積層在影像中全面 搜尋特徵，同時計算特徵與局部影像相符的程度；池化層則是壓縮影像並保留 重要資訊的方法，意即池化後的資訊更專注於影像中是否存在特定特徵，而非 特徵位於影像何處，從而有效降低特徵匹配所耗費之運算量。此外，低階的處 理層能包含簡單的特徵如稜角或光點，高階的處理層則為複雜的特徵如形狀或 圖案 (Lee, et al.,2009)。為增進 CNN 影像辨識之精度與效率，國內外學者嘗試 結合不同演算法或分類器以整合成較完善的影像辨識系統，其中人臉影像辨識 技術之 Cascade-AdaBoost classifier 演算法(Viola, 2001)已被證實為具良好成效的 影像辨識案例，將其應用於車輛所需之特徵辨識成果如圖 4.31 所示：(a-b)為靜 態與動態情形下的車輛辨識(c-d)為不同數量車子的辨識情形，當路上車流量大 時車輛在影像上會重疊，可能會影響辨識成果(e-f)不同車型大小的辨識成果。
圖 4.31 Cascade-AdaBoost classifier 演算法辨識道路車輛 (Broggi, Alberto, et al., 2014)
另 一 方 面 ， 廣 泛 應 用 在 電 腦 視 覺 領 域 之 SIFT( Scale Invariant Feature Transformation)及 SURF(Speeded Up Robust Features)影像匹配技術，則能對目標 物進行特徵萃取進而快速匹配特徵點，兩種演算法皆能偵測角點與明顯材質的 紋理，完成匹配後方能計算兩影像間的位相關係。圖4.32 為兩種演算法之範例，
對不同光影的影像進行特徵點萃取，左圖為SIFT 演算法萃取的正確率為 9 /10，
右圖 SURF 演算法萃取的正確率為 10 /10。
圖4.32 利用 SIFT 與 SURF 進行特徵點萃取(Luo and Gwun,2009)
此外，較常見的影像特徵萃取方式，包含萃取特徵物形狀幾何的 Hierarchical Spatial Feature Matching 演算法與利用特徵物的 RGB 值萃取形狀的 HIS (Hue Saturation Intensity)演算法(Lin et al., 2017)。以 HIS 演算法為例：H 為色相、S 為飽和度、I 為亮度，由於三者在光影的變化下互相獨立，故在某些特定影像處 理如火災辨識等極具優勢。然而，影像無可避免會受拍攝環境如光影、待測物 本身條件等干擾，導致影像品質不佳，故欲實行影像辨識及特徵萃取需將此些 影響因素納入考量，因此必須透過影像前處理的方式達到去除雜訊、增強影像。
常見的演算法示例如二值化與形態學理論應用，如圖 4.33 根據使用者之目的使
用二值化來篩選出隱含在影像上的資訊，再以形態學理論中基於侵蝕(erode)、膨
R-CNN、SPP-net、Fast R-CNN、Faster
R-CNN、
Cascade-AdaBoost
classifier 行搜尋及匹配，為了提升影 像辨識之精度成果，故結合
SIFT、SURF
影像匹配時可能遭遇尺度 變化不一致的問題，故使用 SIFT 或 SURF 演算法來克 服，萃取特徵點後進行匹 配。
Hierarchica Spatial Feature Matching、HIS
利 用 交 通 號 誌 的 特 定 形 資定位平台(Open Location Platform)，此開放平台提供靜態高精度地圖數據模型 與動態高精度地圖數據模型，主動協助車輛精確地位與遠方路況條件或危險事
滿足多數需求，但是作為即時定位以及決策判斷的自駕車地圖則需要不斷更 新，以便快速掌握路況變化，是故作為高精度地圖平台之地理空間信息數據服 務，需提供雲端即時在線更新，必須建立圖資採集、處理、更新的強大能力，
以因應基礎建設維新及其他道路地圖變動之即時更新與資料融合之需要。同 時，平台與車輛之上傳下載資料交付模式，仍需標準化形成一個體系並加以驗 證，其中一項重要的驗證是能夠對自己所處的位置進行精準定位，從而滿足「高 精度地圖+高精度定位」綜合服務的正確性。值得注意者，由於高精度圖資的特 殊性關係到國家安全，對於地圖測繪以及衍生的相關服務，在政策支持推動自 動駕駛實現合法化、標準化、自主化的願景下，必須同步維持嚴格的監管才得 以進行平台的流通供應。
內政部為我國圖資主管機關，高精度圖資供應為全新，為因應未來自動駕 駛技術衍伸之圖資流通供應需求，爰本計畫針對上述高精度地圖管理及供應平 台可能應備資源需求，與營管單位應有之處理量能及技術措施進行廣泛結構性 先期評估，以利內政部未來選定適格之受託單位或成為適格單位之後續應著重 發展之技術事項。
4.3.4 高精度地圖於自駕車適地性服務案例試辦
本服務案例試辦初步參考台中水湳自駕車試驗場地（圖 4.34），該測試場包 含兩條路線，分別為台中水湳經貿園區林蔭大道線(約 2.5 公里)及學術廊帶線(約 1.2 公里)，本計畫擬規劃從中選取合適之部分區域進行服務行案例試辦，作為後 續高精度地圖製圖規範及作業流程評估之用，以利未來研究之實際測試及相關 計畫運作策略之參考。
圖 4.34 水湳場域範圍示意圖
4.4 協助推動國際測量事務交流合作：依內政部需求協助推動國際測量事務交