直擊!台灣首部自駕中巴,遇突發狀況反應超靈敏
直擊!台灣首部自駕中巴,遇突發狀況反應超靈敏
2018.07.02 | 物聯網

工研院研發出了國內首部「無人自駕中型巴士」以及「自動駕駛商用車」,在今天正式對外亮相,《數位時代》記者也親自體驗試乘。

這次工研院主打「感知次系統自主技術」,可以透過雷達、Lidar(光學雷達)、攝影機、衛星精準定位,來偵測車輛行駛的周遭環境,以及判斷交通燈號。而為了克服最難的即時感測融合與決策,車體還搭載了由國人自主研發的「S3環周環境感知次系統」(Surrounding Sensing Subsystem),可以藉由即時事件推理,來做出下一步的駕駛決策,做到在人車混雜、晴雨晝夜等各種天候狀況中行駛。

車頭安裝的「路緣感測器」,能讓無人車宛如行駛在一條隱形軌道,在過彎時不會擦撞到人行道、安全島。

工研院的無人車軟體採用「模組化設計」,能夠依照場域及功能的需求進行技術快速組合,將技術複製到國內外的不同的車款上,現場可以看到除了中運量的小巴,自動駕駛系統也能安裝在一般轎車以及箱型車上。

一開始,我們先體驗了「無人自駕中型巴士」,一進入車內就能看到許多螢幕,顯示行車過程等數據,不過工研院今天開放試乘的這款車型,加上駕駛以及副駕駛座,一共只能搭乘17人,比記者會上說明的「可以搭乘20名以上的乘客」還要略少一些。

工研院 無人車
一進入車內就能看到許多螢幕,顯示行車過程這種數據。
圖/ 攝影/高敬原

若以美國國家公路交通安全管理局(NHTSA)的定義來看,工研院這次公布的自駕車技術,介於Level 2~Level 3之間,可以做到在白天、夜晚、晴天、陰雨天行駛,但仍需駕駛座在車內,以便緊急狀況時接手,可以看到車內仍配有監控人員,在行車過程中監控各類數據。

工研院 無人車
車內仍配有監控人員,在行車過程中監控各類數據。
圖/ 攝影/高敬原

在工研院中興院區的試乘體驗,規劃繞行院區全長約400公尺的路徑,以均速10km/h自動繞行,全程歷時約五分鐘。為了展示自動駕駛的性能,整趟路程示範了包括直線起步自動加速至指定車速、90度角路口自動過彎、大雨天模擬情境(消防灑水)、市區號誌路口通行、直線道路自動車道維持、下坡路段自動減速、上坡路段自動升速、遇行人穿越自動煞停。

工研院 無人車
為了展示自動駕駛的性能,整趟路程示範了多種道路狀況。
圖/ 攝影/高敬原

而2019年的目標,是要做到可以在濃霧、大雨天的惡劣環境下行駛,朝完全Level 3目標邁進。

工研院 無人車
工作人員以消防灑水來模擬下雨情境,但只有少量噴灑到車輛的單側而已,並沒有模擬到所謂「大雨天」的情境,跟現實狀況仍有差距。
圖/ 攝影/高敬原

在這400公尺的試乘體驗中,歷經多次下坡路段自動減速、上坡路段自動升速,以及90度角路口自動過彎,可以明顯感覺到車輛在面對路況改變時,會先行減速再動作,整個過程流暢、穩定,彷彿行駛在一條隱形的軌道上,如果閉上眼睛,會有一種在乘坐北捷文湖線(無人駕駛捷運)的錯覺。

工研院 無人車
明顯感覺到車輛在面對路況改變時,會先行減速在動作,整個過程流暢、穩定,彷彿行駛在一條隱形的軌道上。
圖/ 攝影/高敬原

自駕中巴ITRI ADV搭載了台灣自主研發的「S3環周環境感知次系統」(Surrounding Sensing Subsystem),可以藉由即時事件推理,來做出下一步的駕駛決策,可以做到在人車混雜的真實道路、晴雨晝夜天候中行駛,行駛過程中可以在前方螢幕,能看到無人車系統感測器,偵測周圍環境的狀況。

工研院 無人車
前方螢幕,能看到無人車系統感測器,偵測周圍環境的狀況。
圖/ 攝影/高敬原

無人中巴試乘的最後一站,安排了一位豎立在車道上的假人,系統在距離假人約2公尺處穩穩地停下。而在《數位時代》記者體驗到「市區號誌路口通行」關卡時,車輛因偵測到前方是馬路而暫停,此時有一群工研院員工,在車輛剛起步時突然穿越馬路,車輛依舊穩穩地在安全距離內暫停。

工研院 無人車
試乘中安排了一位豎立在車道上的假人,系統在距離假人約2公尺處穩穩地停下。
圖/ 攝影/高敬原

接著試乘「自動駕駛商用車」,因為車輛內空間較小,可以看到設備幾乎佔滿了車輛後車廂,也因此壓縮了載客數量,這套無人駕駛系統最快可以以60km/h速度行駛。

工研院 無人車
以箱型車來說,因為車內空間較小,設備幾乎佔滿了車輛後車廂,也因此壓縮了載客數量。
圖/ 攝影/高敬原

「自動駕駛商用車」由箱型車改裝而成,監控螢幕安裝在副駕駛座後方。技術人員表示,無人車系統會依據車速調整適當的安全距離,車速越快時安全距離越大、車速越慢時距離就會稍微近一些,動態的安全車距,讓突發狀況發生時有足夠的反應時間。

工研院 無人車
無人車系統會依據車速調整適當的安全距離,車速越快時安全距離越大、車速越慢時距離就會稍微近一些。
圖/ 攝影/高敬原

以目前Level 2~Level 3的無人駕駛程度來說,仍需駕駛在車內隨時接手,行車過程可以看到駕駛完全「手放開」讓車輛運行。

工研院 無人車
行車過程可以看到駕駛完全「手放開」讓車輛運行。
圖/ 攝影/高敬原

總體來說,不論是中巴或是箱型車,整套無人車系統在運行過程都相當順暢,不過目前工研院的車輛,只有在半封閉的場域中運行,且今天的天氣相當好、園區內交通狀況相對單純。

工研院 無人車
目前工研院的車輛,只有在半封閉的場域中運行,且今天的天氣相當好、園區內交通狀況相對單純。
圖/ 攝影/高敬原

據工研院說法,預計最快在今年底可以實現新竹中興院區與竹北高鐵站間的自駕中巴接駁,屆時行車環境、路況都與園區內的半封閉測試不同,也可能遇到像是颱風、暴雨等極端氣候,真正的考驗或許才正要開始。

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓