Page 27 - 鴻海研究院2023年年鑑

諮詢委員序 精彩活動 亮點技術 趨勢焦點

QCNet的突破之處，在於能夠理解真實駕 強敵環伺下

駛場景的全局資訊，活用和ChatGPT相同 長期霸榜Argoverse 排行榜冠軍
技術基礎的Transformer，將其修改為適 QCNet在自駕車軌跡預測挑戰排行榜
用於自動駕駛任務，使其學習車輛歷史軌 （Argoverse）的長期霸榜，說明了QCNet
跡，以及車輛之間的交互行為、道路環境 至今的「無敵」表現。Argoverse是用於訓

等多樣性與不確定性，由豐富的場景反饋 練及測試自動駕駛中感知及軌跡預測模型
資料持續自我優化。 的公開數據集。這些數據涵蓋自動駕駛汽

在自動駕駛系統的行為預測中，對周 車的3D追蹤、軌跡預測、地圖與其他感知
圍資訊進行有效編碼非常重要。QCNet為 任務，為汽車軌跡預測提供成千上萬個場
交通場景中的車道、斑馬線、車輛、行人 景。全球眾多投入軌跡預測的團隊，力求
等在內的每個場景元素分別建立局部座標 降低在這些場景的預測錯誤，爭取排行榜

系，在場景元素所對應的局部座標系下學 名列前茅的位置，彼此競爭相當激烈。
習表徵，藉由相對時空、位置的編碼，捕 「這是一個開放的擂台，所有人都可
捉不同場景元素之間的相對關係，可避免 以挑戰，排行榜的名次是時時變動的，第

大量重複的計算，進而將模型的即時計算 一名位置通常坐不久，因為所有資訊都是
效率提升85％以上。 公開的，所以只要有足夠的GPU和Data，

透過QCNet模型在軌跡預測上的精確表現，結合資料擴增技術的應用，鴻海有效提升了自駕系統的安全性與即時性。

27

ɨʹ
ᒿऎ޼Ӻ৫ ʫ˖ ڥᓃҦஔ JOEE
ᒿऎ޼Ӻ৫ ʫ˖ ڥᓃҦஔ JOEE ɨʹ