《其他電子》鴻海研究院 首推新世代自駕AI模型

鴻海指出，過往自動駕駛系統的軌跡預測方法並不具備流式處理能力，必須特別爲每個待預測的交通參與者分別計算一套專有場景的編碼，以達到更高的預測精度，導致產生極大的計算負擔。

鴻海研究院此次與香港城市大學提出的智慧型軌跡預測模型QCNet，主要優勢在於能理解真實駕駛場景的全局資訊，活用和ChatGPT相同技術基礎的Transformer架構，修改爲適用於自動駕駛場景，學習車輛歷史軌跡、車輛間交互行爲、道路環境等多樣性與不確定性。

透過獲得豐富的場景反饋，QCNet可在複雜的道路環境捕捉車輛的多種潛在意圖、超長距離預測未來6～8秒內的運動軌跡、同時對場景中的多個目標進行準確預測，並可將編碼器的計算效率提升逾85％。

此外，QCNet爲交通場景中包括車道、斑馬線、車輛、行人等每個場景元素分別建立局部座標系，在場景元素對應的局部座標系下學習表徵，並透過相對時空位置編碼來捕捉不同場景元素間的相對關係，進而避免大量重複計算、並提升模型的即時計算效率。

鴻海研究院人工智慧研究所所長慄永徽表示，鴻海研究院在AI與自動駕駛領域投入大量人力，從基礎模型以及算法核心精進技術，QCNet能夠在Argoverse 1與Argoverse 2取得排名第一的佳績，並將於6月全球AI領域享譽全球的頂級會議CVPR發表。

慄永徽表示，很欣慰看到人工智慧研究所自駕團隊的研發成果獲得世界級的肯定，未來QCNet可應用於集團電動車自動駕駛系統，大幅提升自動駕駛決策的實時性與安全性。