Stradvision 攜手相機 AI 打破 ADAS 大規模量產瓶頸

核心重點：在歐盟與美國相繼把先進駕駛輔助系統（ADAS）納入新車安全標準的背景下，韓國 AI 視覺公司 Stradvision 以低成本攝影機、輕量化 AI 模型與多晶片支援的軟體架構，成功讓高階 ADAS 功能向中低價位車型延伸，同時解決跨晶片移植、稀有情境資料與大規模驗證三大障礙。

背景與挑戰

法規驅動：歐盟 GSR II 已把智慧速限輔助列為必備；美國 NHTSA 2024 年 FMVSS 127 要求 2029 年前所有輕型車裝配前車與行人偵測的自動緊急煞車系統。
成本瓶頸：傳統 ADAS 依賴雷達、LiDAR 及高功耗運算平台，成本高昂，難以在中階甚至平價車款上普及。
工程難題：同一套感知軟體要適配不同 SoC（系統單晶片）與攝影機；稀有道路情境（如印度的牛隻）資料難以取得；每次模型更新都必須在 2 萬小時以上的實路影像上重新驗證，算力需求瞬間激增。

技術突破

硬體彈性
- Stradvision 已將 SVNet 部署於超過 30 種 SoC 平臺（含 Texas Instruments、Renesas、AMD 等），透過 共通平台框架（Common Platform Framework） 把底層差異封裝，讓感知功能在不同晶片上可在 1‑2 週內完成移植。
資料飛輪（Data Flywheel）
- 開發流程分為 SVDataFlow（資料管理）、SVGenFlow（合成資料生成）、SVDeepFlow（模型訓練）、SVSimFlow（動態情境模擬）與 SVEvalFlow（推論與評估）。
- 針對稀有情境，利用 AI 影像生成技術在真實道路影像上合成缺失物件，產出標註完整的合成資料。實驗顯示，加入合成資料後，動物情境的 2D 辨識指標從 35.2 提升至 58.7，3D 指標從 16.2 提升至 24.9，近距離物件檢測指標更從 0.40 飆升至 0.98。
混合雲運算
- 例行訓練與小規模模型在浦項自有資料中心完成；大型 MultiVision 感知模型或 1‑2 萬小時影像評估則交由可彈性擴充的 AWS GPU 叢集，避免地端 GPU 閒置。
量產實績
- SVNet 已內建於超過 500 萬輛量產車、50 款以上車型，主要服務 L2、L2+ 至 L3 級別的自動駕駛需求，並以相機為唯一感測器，降低硬體門檻。

未來展望

隨著全球法規持續收緊，ADAS 將成為新車的「標配」；Stradvision 透過 低成本硬體 + 可移植 AI 的雙重策略，已為中低價位車型鋪設技術基礎。未來若能進一步縮小合成資料與實路資料之間的 15% 性能落差，並持續優化資料飛輪的自動化程度，將有望在 2025 年前把「相機唯一感知」的完整 ADAS 解決方案推向更廣泛的市場，讓更多消費者在日常通勤中受惠於安全駕駛。