無人載具環境感知系統的模組化整合與感測器 融合技術發展

前言

近年來，人工智慧、感測元件、車載運算與通訊技術快速發展，使無人載具逐漸由遙控平台轉向具備自主移動、環境感知與任務執行能力的智慧系統。其中，地面無人載具（Unmanned Ground Vehicle，UGV）因具備承載能力高、任務時間長，並可在複雜地面環境中作業等特性，已逐步應用於工廠巡檢、倉儲物流、農業作業、災害偵查、安防巡邏與國防安全等場域。

相較於空中無人機，UGV 不需克服飛行與空中續航限制，但必須面對地形起伏、路面不平、障礙物、雨水、光線變化與輪胎打滑等挑戰。因此，如何讓 UGV 即時掌握周遭環境、判斷可通行區域，並穩定控制底盤運動，是提升自主化能力與系統可靠度的關鍵。

對工程實務而言，UGV 環境感知系統的挑戰不僅在於「看得見」，更在於能否將感測資料轉換為穩定且可供控制系統使用的判斷結果。換言之，UGV 的自主化能力並非只取決於人工智慧演算法，而是感測硬體、運算平台、通訊介面、底盤控制與機構整合共同作用的結果。本文將由系統架構、感測配置、融合技術與模組化整合四個面向，說明 UGV 環境感知系統之技術發展。

無人載具環境感知系統架構

UGV 環境感知系統的運作邏輯，可視為由資料取得、資訊處理、環境判斷、路徑決策到動作執行所形成的閉迴路系統。為提升系統可擴充性、維護性與開發效率，實務上通常採用分層式架構，使感測硬體、運算模組與決策控制邏輯能明確分工。此類架構與自動駕駛系統常見之「感測、感知、規劃、控制」概念相近［1］。

在此架構下，感測層是系統與外部環境接觸的資料來源，負責採集可見光影像、熱影像、光達（Light Detection and Ranging，LiDAR）點雲、毫米波雷達訊號、慣性量測單元（Inertial Measurement Unit，IMU）資訊、全球導航衛星系統（Global Navigation Satellite System，GNSS）定位資訊，以及輪速編碼器提供的速度與里程回饋。

資料融合層負責處理多源感測資料在時間與空間上的不一致性，包含時間同步、座標轉換、外部參數標定與初步狀態估測。經融合後的資料再進入環境理解層，用於障礙物偵測、目標辨識、場景語意理解、地圖建構與可通行區域判斷。路徑規劃與控制層則依據環境資訊產生速度、轉向或煞車命令，最後由馬達驅動器、轉向機構、制動系統、輪組或履帶等執行機構轉換為實際運動，並回饋車體狀態形成閉迴路控制。

整體而言，UGV 環境感知系統並非單一感測器或單一演算法即可完成，而是由感測資料、融合處理、環境理解、路徑決策與底盤控制共同構成的系統工程。透過分層式架構，可使各模組功能與介面更清楚，也有助於後續感測器升級、演算法替換與平台化整合。

地面無人載具之感知任務與感測配置策略

在地面無人載具的開發初期，感測器選型與配置會直接影響系統能力上限。不應單純追求高規格或高成本元件，而應回到任務情境本身，依據作業場域、任務風險、控制需求與系統成本進行配置。對 UGV 而言，環境感知大致可對應四項核心任務，分別為自身狀態估測、環境空間理解、目標辨識以及可通行區域判斷。這些任務通常無法由單一感測器獨立完成，而需透過不同物理特性的感測元件互補，才能提高感知結果的穩定性［2］。

不同場域對 UGV 的感知需求並不相同，因此感測器配置通常不是從單一元件規格出發，而是先回到任務環境與控制需求。在工廠、倉儲或室內搬運等結構化環境中，路徑、地面條件與障礙物型態相對固定，系統主要需要掌握車體位置、行進方向與近距離障礙物，因此 2D LiDAR、輪速編碼器與近距離避障感測器通常即可支援基本導航與安全防護。相較之下，戶外草地、農地、工地或災害場域較為非結構化，地面材質、坡度、光線、粉塵與障礙物型態變化較大，系統除了需要定位車體本身，也必須理解周遭環境與判斷前方區域是否可通行，因此常需導入 3D LiDAR、相機、IMU、GNSS 與毫米波雷達等多種感測器。

在這樣的配置邏輯下，各感測器的角色並不是彼此獨立，而是共同補足 UGV 在移動過程中的資訊缺口。以車體狀態估測為例，IMU 可提供姿態與加速度資訊，輪速編碼器可提供速度與里程回饋，GNSS／RTK-GNSS 則提供戶外全域定位；三者結合後，可降低單一感測來源受到漂移、輪胎打滑、地形不平或定位遮蔽影響所造成的誤差。當車體狀態較穩定後，系統才能進一步利用 LiDAR 建立障礙物輪廓，透過相機取得影像紋理與語意資訊，並利用毫米波雷達補強雨霧或低能見度環境下的距離與速度感知。若再結合熱像影像與深度學習模型，系統便可進一步辨識行人、車輛、標誌、路障或其他目標。

因此，UGV 的感測配置重點不在於感測器數量多寡，而在於是否能形成連續且互補的感知鏈結。前端感測器需先支援車體狀態估測，再逐步延伸到障礙物偵測、目標辨識與可通行區域判斷。對非結構化場域而言，這種配置更需同時考量地面材質、地形起伏、車體姿態與輪速回饋，才能判斷前方區域是否適合通行。透過任務導向的感測配置，後續融合演算法才能將多源資料轉換為穩定且可供控制系統使用的環境資訊。

多源感測資料融合與環境感知技術

承接前述感測配置策略，UGV 在實際運行時會同時接收來自 IMU、輪速編碼器、GNSS、LiDAR、毫米波雷達與相機等多種資料。這些資料在更新頻率、資料格式、量測特性與誤差來源上皆不相同，因此多源感測融合的重點，不只是將資料集中處理，而是要將其轉換為可供定位、避障、路徑規劃與底盤控制使用的環境資訊。若缺乏適當的同步、校正與融合，即使單一感測器本身規格良好，系統仍可能因時間延遲、座標偏差或資料雜訊而產生錯誤判斷。

DOI:10.30256/JIM.202607_(520).0008