圖4.9 高精地圖製圖作業之車載行動測繪系統建議流程 Lane Model 對車道 幾何之定義，以及 Lane Model 對車道 幾何之定義，以及 我國自駕車測試場 試辦經驗擬列。
道路邊界線 無寬度線 只繪製道路最外側標線(法定的邊界線)。
參 考 NDS Open Lane Model 對車道 幾何之定義，以及 Lane Model 對車道 幾何之定義，以及 Lane Model 對車道 幾何之定義，以及
類別 圖層 型態 說明 參考來源
類別 圖層 型態 說明 參考來源
類別 圖層 型態 說明 參考來源 Lane Model 對車道 幾何之定義，以及 Lane Model 對車道 幾何之定義，以及
類別 圖層 型態 說明 參考來源
類別 圖層 型態 說明 參考來源 Lane Model 對車道 移轉之示例，以及
類別 圖層 型態 說明 參考來源 (Driving Policy)，依據自駕車在不同場域的行駛能力給予適當的決策以控制車輛 (De Silva et al., 2017)。 算法模擬人類神經元實現類人智慧技術(Artificial Intelligence, 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，本案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(Convolution layers)與池化層(Pooling layers) 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 4.10 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4.10 Cascade-AdaBoost classifier 演算法辨識道路車輛(Broggi, et al., 2014) 近年來有學者嘗試修改卷積式類神經的網路架構，提出全卷積式類神經網 路 (Fully Convolutional Networks, FCN) 處 理 分 類 、 辨 識 或 語 意 分 割 (sematic segmentation)的任務，CNN 架構的基本元素包含卷積層、池化層、激活函數 (activation functions)與全連接層(fully connected layers)，FCN 與 CNN 最大的差 異在於 FCN 將 CNN 最後一層全連接層以卷積層取代，其優勢在於 FCN 不會受 到輸入影像尺寸大小的限制，此外，由於 FCN 會進行上採樣(upsample)，使得輸 出 影 像 與 數 入 影 像 的 尺 寸 一 致 ， 以 實 現 像 元 等 級 的 分 類 預 測 (pixelwise prediction)。為了提升語意分割的預測精度，有學者結合淺層與深層的輸出的成 果，同時顧及區域(local)和全域(global)的資訊，以定義目標物為何及其位置，圖 4.11 與圖 4.12 中的 FCN-8s 為作者提出的 FCN 架構，與著名的分類網路 R-CNN、
SDS 相比，FCN-8s 在語意分割上有很好的表現。
圖4.11 FCN 語意分割精度比較 (Long et al., 2015)
圖 4.12 FCN 語意分割成果比較 (Long et al., 2015)
除了使用類神經網路以辨識環境特徵外，部分學者提出影像處理演算法以 實現車道邊界之辨識技術(Lane detection)，以利影像處理之便利性，首先會將拍 攝得之影像轉成IPM(Inverse Perspective Mapping)影像，利用 Gaussian filter 演算 法除去 IPM 影像中的雜訊，以 Simple Hough Transform 萃取影像中之車道邊界 線後，旋即以RANSAC line fitting 演算法擬合，最後再以後處理技術(Post-process) 將IPM 影像轉回真實世界之影像同時修正影像處理過程導致的缺失如圖 4.13 所 示，左圖為後處理修正前的車道辨識線，右圖綠線則為後處理後之成果，顯而易 見的經後處理過後之車道邊界線更為完整、精確。此技術之優勢在於能即時、快 速且穩定的辨識道路邊界，即便是在環境複雜的都市地區亦能施行，此外能同時 偵測多個車道範圍內的影像資訊，辨識成果之精確度亦極高，圖 4.14 為多個車 道辨識之正確率，圖中之 Clip 代表不同種類的車道環境，整體精度成果可達 90.89% (Aly, 2014)。
圖4.13 Lane Detection 後處理前後之成果 (Aly, 2014)
圖4.14 不同種類車道辨識之精度成果 (Aly, 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 4.15 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。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(Harini 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 易受拍攝環境干擾如光影、待測物本身條件等，導致影像品質不佳，故欲實行影 像辨識及特徵萃取需將此納入考量，因此必須透過影像前處理的方式達到去除 雜訊、增強影像，常見的演算法如二值化與形態學理論應用，如下圖 4.16 所示，
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)、膨脹(Dilate)、斷開(Opening)和閉合(Closing)之技術進行後續 處理，將邊界平滑化或突顯影像上之紋理特徵，達到特徵物萃取的目的。
圖 4.15 利用 SIFT 與 SURF 進行特徵點萃取 (Juan & Gwun,2009)
圖4.16 二值化後的影像 (Harini et al., 2017)
近年來光達點雲資料備受重視，由於光達能快速收集大量三維地物點坐標，
相較於影像，光達點雲特有的三維幾何特性可為自駕車提供地物分類另一種環 境的判釋資料，部分學者提出有別於傳統分類模式，將影像分類中以物件為基礎 的概念延伸至點雲資料進行分類，以建構點雲間之幾何從屬關係，直接利用點雲 具有的空間分布特性分類地物，提升自動化分類成果的完整性及合理性，此技術 在空載光達與地面光達點雲之分類皆有很好成效，分類成果如圖 4.17 所示，紅 色代表建築物；黃色代表小型結構物；深綠色代表樹；淺綠色代表樹叢；橘色代 表樹幹；淺藍色代表混合物；卡其色代表地面點(林耿帆與徐百輝，2014)。
另一方面，有學者利用光達點雲資訊完成道路路面辨識、路面標誌(road markings)萃取、產製交叉口處車子可能行駛的轉移路徑線，建置了高精地圖的雛 形，無論是在標誌萃取，或是轉移路徑的產製精度成果方面也有極佳的成果，作 為日後提供自駕車導航上極為重要的輔助資訊。圖 4.18 為道路標誌萃取成果，
圖 4.19 則為轉移路徑產製的成果 (Jiang, 2017) 。此外，部分學者也開始使用深 度學習的方式處理點雲資料，然而若要使用影像分類、辨識的神經網路架構，必 須先將點雲資料轉換成影像，以往使用 CNN 時必須將每個點雲轉換成每一張影 像，使得計算時間成為資料處理上一大限制，然而，由於 FCN 能完成像元式的 預測(Pixelwise prediction)，僅需將所有點雲資料轉換成一張影像輸入至神經網路 中，就能進行地面點辨識的任務，克服了時間成本上的窘境(Rizaldy, 2018)，雖 然點雲分類的成效能達一定的水準，但是經由轉換後會導致資料遺漏，成為誤差 的主要來源，因此有學者提出 PointNet、PointNet++ (Qi, et al., 2017)、VoxelNet (Zhou, & Tuzel, 2017)這類演算法，直接處理三維的點雲資料分類、語意分割等 問題，避免轉換時產生的誤差，提升目標物萃取的精度。圖 4.20 為 PointNet 語 意分割成果。
圖4.17 地面光達分類成果 (林耿帆與徐百輝，2014)
圖 4.18 道路標誌萃取成果 (Jiang, 2017)
圖4.19 轉移路徑產製的成果 (Jiang, 2017)
圖 4.20 PointNet 語意分割成果 (Qi, et al., 2017) 像元相互連結達到資料整合的目的(De Silva et al., 2017)，但感測器之種類繁多，
其資料整合之參數設定與調教是否具備合宜的自動化判斷，顯見仍有賴基於人
Cascade-AdaBoost classifier
卷積式類神經網路已普遍應用於影像
FCN 的類神經網路系統。
影像辨識 (Lane Detection)
IPM
Gaussian filter
Hough Transform
RANSAC line fitting
Post-processing
以利影像處理之便利性，將獲得的影像 轉成 IPM，利用 Gaussian filter 濾除雜 訊，並以Hough Transform 與 RANSAC line fitting 分別萃取及擬合車道邊界線，
最後以後處理技術將 IPM 轉回真實影
Hierarchica Spatial Feature Matching
HIS upward-growing algorithm
Multi-thresholding algorithm
Geometric feature filtering
Voxel-based upward-growing algorithm 用於辨識地面點雲；Multi-thresholding algorithm 用於路面標誌萃取；Geometric feature filtering 則用於萃取車道標線。
深度學習
製單位上傳測製成果，並建立統一管理辦法，管理所有高精圖資成果，並建立圖 資供應機制，提供給自駕車使用者能夠下載使用。其最終價值體現乃源自於提供 自動駕駛事件辨識與快速反應的公分級高精度本地化開放圖資定位平台(Open Location Platform)，此開放平台提供靜態高精地圖數據模型與動態高精地圖數據 模型，主動協助車輛精確定位與遠方路況條件或危險事件之高精度位置有效疊 加在靜態高精地圖上做預警服務。
本質上來說，平台系統在全天候條件下都要有穩定無誤的表現，並在軟、硬 體上具有開放性和可擴展性，並同時必須保障檔案傳輸的安全不被篡改。平台之 架構分成兩大主軸，一是平台 LDM 測繪圖資收集、標準化產製與更新儲存，一 是平台與車輛之上傳下載資料交付模式。如圖 4.21 所示。
圖4.21 高精圖資管理及供應平台系統架構
其完整解決方案可包含三個層面：即時資料採集傳感器、雲端靜態與動態地
其完整解決方案可包含三個層面：即時資料採集傳感器、雲端靜態與動態地