|
上午講題
|
講師
|
演講介紹
|
|
自動駕駛車之技術發展與應用情境分享
|
張念慈 組長│工業技術研究院
|
先進車輛智慧化技術發展，近年自先進駕駛輔助系統(ADAS)，進化為自動駕駛車輛(Autonomous Vehicle)之技術研發，係整合環境感知、運動決策至車輛控制之所有環節之高挑戰工程技術。本演講將介紹工研院於自動駕駛車技術之相關研發，包括模擬 分析、硬體發展驗證以及實車整合平台，與跨領域整合法人與學界能量之經驗分享。相關成果以已開始陸續與國內業者展開合作，現階段並以工研院中興院 區為示範運行場域，規劃提供接駁服務之營運模式。
|
|
Lessons learned from Model-Based Embedded Development (MBED), and how they will help us with future EV and autonomous systems
|
Richard C. Swortzel, P.E.
President,
New Eagle
|
Richard Swortzel, is educated in Electrical Engineering and is a Licensed Engineer in the United States. His career started at General Motors where he learned that there should be a better way to develop embedded software. He left GM and eventually started New Eagle Software. New Eagle Software’s team created what became MotoHawk of Mercury Marine and now Woodward. New Eagle then created Raptor, the next generation Model-Based Embedded Development (MBED) product line. In this time, he has seen many lessons, some good and bad, that can be applied for future Electric and autonomous systems.
|
|
基於深度學習之 ADAS 系統設計與模擬
(Deep Learning-based ADAS System Design and its HIL Simulation)
|
郭峻因 教授│國立交通大學電子系
|
本演講主題為”基於深度學習之ADAS系統設計與模擬 (Deep Learning-based ADAS System Design and its HIL Simulation)”，內容將介紹安全駕駛之設計趨勢、安全駕駛輔助之最先進技術介紹、交大之先進駕駛輔助技術介紹、基於深度學習技術之ADAS系統設計與其HIL模擬等，期望讓對於深度學習技術如何運用在ADAS系統、甚至是未來自駕車應用的同仁們能夠有進一步的了解。
|
|
Ansys 面向系統安全的數位化研發平台在自動駕駛中的應用
|
馬金梭 亞太區銷售總監│Ansys 系統事業部
|
隨著機器學習等人工智慧技術在自動駕駛汽車中深入而廣泛的應用，在確保“安全行駛”這一基本要求下，如何在確定的、安全的智慧系統中正確使用非確定的識別資料，為當前自動駕駛技術的研究帶來了新的挑戰。Ansys基於採用人工智慧的安全系統架構和多領域的數位化模擬與設計手段，為人工智慧在自動駕駛汽車中的應用構建了一套完整的技術平台。
|
|
Track A- ADAS 與車輛主動安全
|
|
The Evolution of ADAS - Testing Systems That Include Cameras, Radar, and Sensor Fusion
|
吳維翰 技術行銷經理
NI國家儀器股份有限公司
|
由於實際感測器物理特性 (如折射，干擾，雜訊) 難以用純軟體工具來模擬，開發人員需要利用昂貴又費時的實際道路測試才能捕捉所有系統的異常情況。NI的儀器平台，提供了一系列的 Target Simulator 方案，能夠將實際的感測器訊號 (如雷達，雷射，相機) 融入於ADAS演算法測試和驗證，以便在實驗室建構更真實的測試環境。此講題將會分享如何利用這些工具來加速ADAS的開發，並加強整體系統安全性。
|
|
深度學習及其於自駕車之應用
|
林哲聰 研究員
工業技術研究院機械所
|
在自駕車領域，許多科技大廠投入相當多金錢人力研發相關技術，其中運用人工智慧領域中的深度學習技術是其中顯學，因此邀請工研院的專家來分享目前深度學習技術在自駕車領域的進展，包括幾個重點：
CNN：卷積神經網路（Convolutional Neural Network）一般使用縮寫CNN來稱呼，它與傳統的多層感知網路最大的差異在於多了卷積及池化這兩層，也就是因為這兩層而讓CNN擁有能夠「看」到圖像（或語音）細節的能力，而非像其它神經網路只是單純的提取資料進行運算，無怪乎近年所舉辦的視覺競賽，優勝者幾乎都是採用深度學習的CNN架構，本次我們將介紹CNN於物體偵測、影像分割上的經典模型，以及其在自駕車的應用上有什麼限制。
GAN：生成式對抗網路 (Generative Adversarial Network, GAN) 顯然是深度學習領域的下一個熱點，Yann LeCun 說這是機器學習領域這十年來最有趣的想法 (the most interesting idea in the last 10 years in ML)，又說這是有史以來最酷的東西 (the coolest thing since sliced bread)。生成式對抗網路解決了什麼樣的問題呢？在機器學習領域，回歸 (regression) 和分類 (classification) 這兩項任務的解法人們已經不再陌生，但是如何讓機器更進一步創造出有結構的複雜物件 (例如：圖片、文句) 仍是一大挑戰。用生成式對抗網路，機器已經可以畫出以假亂真的人臉，也可以根據一段敘述文字，自己畫出對應的圖案，但在自駕車上又會有怎麼樣的應用呢？
RNN：循環神經網絡(Recurrent Neural Networks，RNNs)已經在眾多自然語言處理(Natural Language Processing, NLP)中取得了巨大成功以及廣泛應用，近幾年來其與CNN之整合亦產生了許多有趣的應用，例如Image Captioning，這樣的技術甚至可以運用在道路事件的預測，但這樣的技術如何實踐？
|
|
HIL應用於ABS技術開發(以機車為例)
|
魏嘉樂 副工程師
財團法人車輛研究測試中心
|
隨著科技的進步，安全議題越來越受到大眾的重視，不只汽車、機車更是如此，法規要求，在2019年超過125C.C.的新型機車，必須搭載防鎖死煞車系統(ABS)才可上市，以提高行車穩定性。但傳統ABS需透過大量實車調校來確認其功能與可靠度，耗費人力與時間甚鉅，因此將以機車防鎖死煞車系統開發為例介紹系統功能需求，並介紹如何透過硬體迴路模擬平台(Hardware in the loop, HIL)來進行實車測試前的功能確認，除了用以降低測試過程中可能造成的風險損失，確保測試過程駕駛者的安全之外，並可提高整體研發速度，有效降低開發成本。
|
|
Track B- 整車模擬與控制
|
|
電動巴士的產業發展與未來
|
李一勵
|
待定
|
|
車用馬達控制器虛擬驗證與失效驗證技術
|
黃彥翔 副研究員
工業技術研究院機械所
|
硬體在環(Hardware-In-the-Loop, HIL)測試/驗證方法為目前世界上電力電子產品開發的主流，其原理為依據電力負載的規模大小建構一個相對應的虛擬環境，使得待測物”誤以為”在真實車輛行駛環境中運作，再將依設計需求所制訂之失效項目進行故障注入(Fault Injection)，以重現驅控器失效時的情境，藉由此方法來進行安全功能測試以驗證設計是否滿足需求；與在實車上測試與調教的傳統方法相比，不僅較為安全且能有效縮短發展期程達到節省成本的目的。在此將一步一步介紹HiL技術應用於驗證車用馬達驅控器之功能安全與基本功能之方法與過程。
|
|
Development of Integrated Analysis Technique for Automotive based on Vehicle Dynamics Analysis
|
Huije Cho, Ph.D.
Executive Director
Virtual motion, Inc.
|
Many CAE software have been used to estimate a mechanical performances of vehicle, module, or part. Though automotive companies had tried to develop an integrated model for simulating a kinematics, compliance, handling, riding, durability, vibration, and sound noise of vehicle on one platform, it was difficult to build the integrated analysis model because of the limitation of solving speed of the CAE software. This paper proposes the integrated analysis technique to simulate the mechanical performance based on the multi-flexible body dynamics analysis. This technique can be used to simulate the K&C, R&H, durability, and NVH performance of the vehicle. Step and impulse steer, steady-state turn, ISO lane change, fish hook, return-ability, bump pass and cross wind scenario are carried out to test the riding and handling performance. The shimmy and 4-post analysis are carried out to test the vibration of the vehicle. The virtual proving ground has been developed for the durability analysis of main chassis parts. Almost parts of vehicle are defined as a modal flexible body or nodal flexible body. The flexible bodies have been represented by the MeshFree method. For NVH analysis of drivetrain, a special toolkit has been developed. The toolkit supports the numerical models for various rolling bearings, gears, shaft, and housing. For the transient input velocity and torque, the dynamics analysis is carried out to estimate the vibration on the housing. Color map and order tracking have been used to analyze the whine or rattle noise. Several case studies are introduced to verify the proposed method.
|
|
Track C- 驗證與失效安全分析
|
|
自駕車、ADAS與車用半導體之功能性安全分析
|
楊志強 技術長
思渤科技股份有限公司
|
ISO26262功能性安全法規在自駕車與ADAS相關應用, 針對不同的對象諸如採用ADAS控制器的汽車製造商、ADAS控制器提供製造商、ADAS控制器半導體供應商等均有必須要滿足的相關功能性安全分析, 本講題將針對自駕車與ADAS相關功能性安全分析對OEM與Tier one Supplier注意的重點, 以及半導體產業需要打入車用供應鏈所需進行的功能性安全分析進行相關說明與探討!
|
|
汽車電子安全設計在功能安全可靠度量化要求
|
張國樑 主任
SGS台灣檢驗科技股份有限公司
|
待定
|
|
ADAS控制器的軟體測試與驗證
|
楊志強 技術長
思渤科技股份有限公司
|
ADAS影像、雷達與光達相關應用均需要有複雜的演算法來進行感知器訊號處理到感知融合, 而這些嵌入式控制器的演算法大都是混合Matlab語言與C語言在Simulink模型中, 來進行演算法開發設計以及測試與驗證, 開發完成後再透過Embedded Coder放置在ADAS嵌入式系統中。美國嵌入式軟體測試驗證工具大廠Reactive System公司, 有鑑於ADAS相關應用有越來越多客戶會使用到Matlab進行開發, 特地開發EML(Embedded Matlab Language) plug-in, 來針對嵌入式控制器Simulink模型中包含有Matlab語法的程式進行相關的涵蓋率驗證, 在ISO26262功能性安全要求越來越嚴苛的情況下, 提供驗證設計結構性安全的工具來滿足客戶所需!
|
