機器人與感測技術組

計畫主持人：郭峻因教授

摘要

為了幫助台灣汽車行業突破現有先進駕駛輔助系統(ADAS)專利組合所建立的商業壁壘，我們提出為ADAS /利基型自駕車應用開發嵌入式AI深度學習技術的想法，使台灣有機會參與ADAS /自動駕駛產品的生態系統。本研究集中在三個方面：（1）深度學習應用的自動數據標記工具和標記的ADAS數據集; （2）嵌入式深度學習物件偵測/行為分析算法及模型開發; （3）即時深度學習運算平台開發。本研究的應用包括自動駕駛功能，如車道保持、自動緊急剎車（AEB）和自動車道變換等。此外，我們還在開發某些利基型自駕應用所需的相關技術，例如工業4.0中非常需要的無軌自動導引車(Automated Guided Vehicle, AGV)，以滿足當地工業的需求。

關鍵詞

嵌入式深度學習、快速數據標記、物件偵測和行為識別、先進駕駛輔助系統、自駕車，工業4.0

技術創新

• 我們開發了世界上第一個快速資料標記工具ezLabel（如圖1所示），與現有的手動視頻標記工具相比，ezLabel可以加快10倍的標記效率，該工具在2018年台灣奧迪創新競賽中獲得兩項大獎。
• 我們已經建立一個超過1100萬筆樣本的AI標記數據集，用於ADAS /自駕應用的深度學習物件偵測和行為分析（如圖2所示）。在收集的1100萬筆樣本中，我們公開並共享了96000筆樣本，包含各種天氣條件下的車輛、行人和機車、自行車等物件有關。
• 我們開發了一種嵌入式深度學習模型，可以偵測到最遠200米的車輛，其性能優於Yolo v2模型（最遠50米），並且其mAP準確度也高出Yolo v2模型10％以上。
• 我們開發了嵌入式SSD lite模型（SSD lite 512×512），適用於使用TI TDA2X晶片組進行即時物件識別。此模型運算速度可達30fps，其準確度可達72％mAP @ Pascal VoC（如圖3所示）。
• 我們開發了一種基於3D卷積神經網路(3D CNN)的深度學習技術，用於預測後方車輛是否將在接下來的三秒內超車，其精準度超過95％（如圖4所示）。
• 我們在機場和醫院等場域應用下開發了台灣首款智慧自駕輪椅，可用於室內自駕活動（如圖5所示）。
• 我們為CNN硬件加速器開發了世界上第一個精確的動態定點數深度學習模型訓練和推理工具。
• 我們為CNN硬件加速器開發了混合定點數/二進制CNN模型訓練流程（如圖6所示）。

效益

• ezLabel在2018年台灣奧迪創新競賽中獲得兩項大獎。
• ezLabel和嵌入式AI技術贏得了AISlander 2018的優秀獎項。
• 基於360度VSLAM之智慧自駕輪椅在科技部2018 Future Tech中獲得未來技術突破獎。
• 智慧自駕輪椅在2018年MXIC設計大賽中獲得應用組評審團銅獎。
• 本團隊2018年完成18項產學合作與技術移轉合作，總撥款約為新台幣1598萬元。