勤崴國際副總經理 林映帆

數位雙生技術作為連結虛擬與實體世界的橋樑，正逐漸成為自動駕駛發展的核心。

數位雙生（Digital Twin）之核心價值與自駕車需求

數位雙生（Digital Twin）最早起源於2002年密西根大學（University of Michigan）之Michael Grieves教授在其產品生命週期管理（PLM）課程演講中所提出之理想概念，並且於2014年在其所撰寫文章中進行了詳細的解釋[1]。交通部運輸研究所在2022年研究數位雙生技術應用於電動車智慧充電能源管理，盤點充電資源、運具排程，期望解決原本運具需自行負擔充電設施之成本，並減少用電負載、提昇充電稼動率之充電最佳化設計[2]。此外數位雙生平台也被應用於整合影像辨識技術改善人與舒適環境之間即時互動性[3]。

近年來，隨著人工智慧（AI）、物聯網（IoT）及高效能運算（HPC）的快速發展，「數位雙生」（Digital Twin，DT）技術已成為智慧交通等領域的關鍵技術之一。自動駕駛技術的發展正面臨「場景無限性」與「實測有限性」的矛盾。傳統的道路測試不僅成本高昂、週期漫長，更難以覆蓋所有的極端邊角案例（Corner Cases）。數位雙生旨在建立一個與現實物理實體對應的虛擬模型，透過持續的資料交換、模擬分析與預測，最終實現虛實同步（Cyber-Physical Integration）。

自動駕駛技術的發展需要大量的道路測試與模擬驗證，以確保系統的安全與可靠性。然而，實際道路測試不僅成本高昂、週期漫長，且潛藏安全風險。因此，數位雙生技術的重要性在於它能提供一個與現實道路和車輛同步的虛擬環境，使自駕系統能夠在虛擬空間中進行大規模學習、驗證與優化，進而大幅降低實測成本並提升安全性[4]。

在此背景下，數位雙生技術能夠提供一個與現實道路與車輛同步的虛擬環境，使得自動駕駛系統能在虛擬空間中大量學習、驗證與優化，進而大幅降低實測成本並提升安全性，成為全球車廠與研究機構積極投入的重要方向。本文將探討勤崴國際如何透過NVIDIA Omniverse與CI／CD自動化流程，建構一套「由虛入實」的完整驗證體系。透過淡海（高複雜度混流）、南投（快速布建及不易到達場域）的二階段實踐，論證數位雙生如何解決自駕車在安全性、效率與場域限制上的三大挑戰。

數位雙生的典型架構分為三層[5]：

1. 物理層（Physical Layer）：包含真實的自駕車輛、感測器（如雷達、攝影機、LiDAR）和基礎設施（V2X、5G等），負責蒐集即時資料。
2. 虛擬層（Virtual Layer）：透過3D模擬引擎建構高度還原的數位城市環境與虛擬車輛模型（如勤崴國際智慧駕駛模擬平台）。
3. 資料交互層（Data Interaction Layer）：利用IoT與雲端平台進行即時資料流與雙向控制，維持虛實之間的資料同步與雙向控制。

數位雙生在自動駕駛領域的應用

感知層模擬與AI訓練

數位雙生平台可建立高度擬真的數位道路環境，模擬不同氣候、光照、地形與交通密度條件，生成合成感測資料（synthetic data），以補足實際道路資料的不足。透過虛擬環境生成的影像與LiDAR資料，AI模型能進行持續學習與強化訓練，提升物體偵測與語意分割的精準度[6]。例如，NVIDIA的DRIVE Sim平台能根據真實道路地圖建立全息虛擬城市；勤崴國際（Kingwaytek）則結合高精地圖與交通資料，提供自駕車專用的智慧駕駛模擬平台。

決策與控制模組驗證

數位雙生能建立完整的交通生態模型，包括行人、車輛、號誌與非預期事件，以測試AI決策演算法的穩定性與安全性。Waymo即利用數位雙生環境執行超過200億公里的虛擬行駛測試，有效提升系統成熟度[7]。

整車與系統層級驗證

未來隨著模擬系統應用更加成熟，可透過虛擬車輛模型進行軟體在環（SIL）與硬體在環（HIL）測試，同時運行數百輛虛擬車輛，大幅縮短系統驗證週期。

智慧城市交通管理

建立整體城市的數位孿生模型（Digital Twin City），可模擬交通流量、號誌控制、道路施工或事故對交通的影響，並結合自駕車運行資料進行全局優化。

勤崴國際在自駕數位雙生平台的技術選用

勤崴國際運用自身圖資廠商的優勢，積極結合高精地圖與交通資料，投入數位雙生技術應用，提供智慧駕駛模擬平台。除了可以快速的建置高精度的3D模型、移動物件動態模擬、人類行為分析等，積極整合自有數位雙生平台，將實體環境化為高精度的數位雙生模型並投入場域應用。

虛擬環境建置與平台選擇

勤崴團隊以NVIDIA Omniverse [8]作為主要自駕車模擬基礎平台，原因包括：

1. 高精度物理引擎：Omniverse整合多體動力學（PhysX等），能真實呈現車輛懸吊、輪胎附著力與複雜碰撞反應，為高階自駕測試提供穩定基礎。
2. 強大渲染能力：利用RTX即時光線追蹤技術，即使在大場景或多感測器並行的狀態下，仍能維持優異效能，並提供高畫質的視覺感知模擬。
3. 協作能力：Omniverse可提供超過兩位使用者同時協作，增加整體開發效率。

此外，為構建完整的模擬生態系，在使用NVIDIA Omniverse作為視覺渲染與物理運算核心的同時，勤崴團隊整合了多項專業工具：

• 交通流與路網邏輯：採用Lanelet2格式定義高精地圖的車道屬性與拓撲關係，並結合開源交通模擬器生成的交通流數據，導入Omniverse中控制背景車輛（NPC）的行為，使其具備符合人類駕駛習慣的互動邏輯。
• 感測器模擬與測試自動化：在部分測試環節整合AWSIM進行特定感測器數據流的驗證，並透過API將上述模組串接至CI／CD管道中。
• Omniverse Connector：利用NVIDIA提供的Connector或自行開發的USD（Universal Scene Description）轉換工具，將圖資團隊利用3DMAX繪製的場景無縫匯入Omniverse平台，確保模型材質與光影屬性的完整保留。

場景建置與團隊分工

虛擬場景的建置工作由圖資團隊負責。團隊利用測繪車拍攝高精地圖與3DMAX虛擬場景，用以建立完整的Omniverse測試環境，同時打造虛擬車輛模型進行測試。自駕團隊則負責虛擬車輛的動態設定、感測器位置驗證，並開發控制、決策規劃與控制模組，最後進行靜態與動態行駛測試。

勤崴國際在自駕數位雙生平台的實踐

勤崴國際的數位雙生平台並非單一適用的通用模板，而是針對不同場域特性發展出的多元驗證策略。以下將分別就「複雜情境應對」與「部署效率優化」二個維度進行說明。

案例一、淡海自駕車測試場：高複雜度情境與Vehicle-to-Vehicle（V2V）列隊測試

淡海場域旨在成為全台灣5G車聯網智駕電動巴士的試驗場域[9]，其挑戰在於真實道路的不可預測性與複雜的人車混流。本案例首先基於高精地圖（HDMaps）與實地雷達點雲資料，於NVIDIA Omniverse平台中以1:1比例建置淡海場域的「數位雙生模型」。此虛擬場域不僅包含道路幾何與標線，更同步了實體場域的物理屬性。勤崴利用此虛擬平台[10]，針對較極端或複雜之情境與場景進行預先測試調校（如圖1所示）。隨後所述之測試情境，皆先於此數位空間內完成驗證，確認無誤後方導入實體車輛於真實道路運行，確保虛實環境的高度關聯與一致性。

圖1 淡海自駕車測試場

團隊針對一條包含左轉情境與中央分隔島的複雜路線（崁頂二路左轉新市五路三段後右轉義山路二段）作為建置場景標的。共執行了11項模擬情境測試，所有測試均成功通過。

鑑於實際車輛測試V2V具有高成本及較高風險，勤崴國際在淡海計畫中，首創全國於模擬器內進行車輛V2V通訊測試。

1. 目標：使虛擬車輛間具備列隊及資訊共享的能力。
2. 測試內容：涵蓋了列隊模式下多車從停靠站一同出發、直行與右轉彎等距速度控制、遇障礙物一同減速煞停、以及遇障礙物插入兩車之間應脫離列隊模式跟車避免碰撞等複雜情境。
3. 應用策略：自半封閉階段開始，智駕車的多車測試每次進行參數調整或決策邏輯變更時，都將先於模擬器內進行測試，確定決策邏輯符合預期後，才應用至實車測試。

小結：淡海案例證實了數位雙生在處理「高風險、高複雜度」情境的價值，透過虛擬世界的反覆試錯，確保了實體車輛在面對V2V列隊與路口衝突時的絕對安全。

案例二、南投福興溫泉專區：場景快速部署與持續整合／持續部署（CI／CD）整合

若淡海驗證的是「安全性」，南投福興溫泉專區則展示了數位雙生在「落地效率」上的突破及案場不便抵達而需要的遠端自動化驗證。 南投縣政府積極規劃福興溫泉專區導入自駕應用，目前正在進行基礎設施與路側C-V2X建置[11]，勤崴國際使用數位雙生技術於先行評估運行路線及環境，大大降低實車測試、車輛運送及進場檢驗等時間及預算成本，提升自駕車導入之效率。

提升效率與CI／CD整合

1. 縮短POC週期：透過預先評估運行路線與環境，成功將概念驗證（POC）時間縮短至三個月。
2. 自動化測試：團隊將模擬器（如AWSIM）與CI／CD管道整合。這確保每一次程式碼變更都能夠經過自動檢查和測試，提高了整體開發效率和程式碼質量。此舉已證實可降低測試維護成本30％。

強化模擬真實性

為實現高精準度，勤崴在軟體與模型上進行了關鍵改善：

1. 動力學改進：依據實車動力學模型調整，達成模型精確度提升15％，測試驗證成功率達到90％。
2. 感測模擬擴充：擴充支援多型號LiDAR（如Velodyne、SICK等）、加入4D Radar模擬，並自定義點雲欄位格式與提高發布頻率。
3. 交通流擴充：開發隨機化車流產生器和動態行為腳本（如插隊、突發行人出現），並結合Lanelet2、PTV等外部套件管理多車道、紅綠燈邏輯、行人移動等交通流行為。
4. 操作適用範圍（Operational Design Domain，ODD）情境驗證

本案例的8項實驗ODD情境全數皆可於Omniverse平台布署建置模擬測試。這些情境涵蓋了高度細節的交通運行規則：

圖2 CI∕CD自動化測試圖

小結：南投案例展示了「虛實閉環」的商業價值，將原本冗長的場地探勘與POC流程大幅壓縮，證明了數位雙生是加速自駕服務落地的關鍵工具。

技術挑戰與限制

儘管數位雙生在自駕領域展現極高潛力，但在實際落地應用上仍面臨以下挑戰，需持續突破：

1. 資料同步與延遲問題：欲實現車輛與數位雙生的完全即時（Real-time）連動，依賴極低延遲的通訊傳輸。在5G訊號涵蓋不穩定的區域，實體車輛動態回傳至雲端模擬器可能產生延遲，導致「虛實不同步」。
2. 高精度物理建模的運算負載：為了追求極致的擬真度（如光線追蹤渲染、輪胎動力學），對GPU運算資源要求極高。如何在維持高畫質、高物理精度的同時，保證模擬運行的即時性（Real-time factor ≥ 1），是硬體成本與效能調校的一大考驗。
3. 感測器雜訊模型的真實性：雖然影像渲染已相當逼真，但LiDAR與Radar的物理波束反射特性受材質、天氣影響甚鉅。若數位模型無法完美模擬真實世界的感測器「雜訊」或「訊號衰減」，可能導致AI模型在虛擬環境表現完美，但在真實雨霧環境中失效。
4. 標準化不足與跨平台整合：目前數位雙生缺乏統一的資料交換標準，導致不同模擬平台（如Omniverse、AWSIM、Carla）與高精地圖格式間的互通性仍需大量客製化開發。

未來發展趨勢

展望未來，數位雙生技術將朝向更智慧化與廣域化的方向發展：

1. 生成式AI（Generative AI）與自動場景建構：結合生成式AI技術，未來將能透過更為簡易及成本低的方式，快速生成高精度的3D城市模型，大幅降低人工建模的時間成本，實現「自動化數位孿生建置」。
2. 結合5G與邊緣運算（Edge Computing）：隨著5G通訊技術發展，數位雙生運算將從雲端下放至邊緣端（MEC）。這將允許自駕車與路側設備（RSU）進行更低延遲的即時互動。
3. 數位孿生城市整合：自駕車數位雙生將不再是孤島，而是融入智慧城市的整體架構。透過標準化介面，自駕模擬平台將能與城市交通號誌控制系統、緊急救災系統連動，進行全域交通流的最佳化調度。

數位雙生技術的預期效益與未來展望

應用成果證明了數位雙生技術在加速自駕技術落地方面的巨大潛力。 預期效益

• 降低研發風險與成本：在虛擬環境中可完成高達70％至80％的初期測試，可節省大量人力與物力。
• 加速產品導入與驗證：高擬真度動力模擬與自動化管線能大幅縮短測試週期。
• 智慧交通與城市管理：透過城市級數位雙生，動態加入人流或車流參數，作為交通管理參考。

圖2 數位雙生技術發展自動駕駛

數位雙生技術作為連結虛擬與實體世界的橋樑，正逐漸成為自動駕駛發展的核心（如圖2所示）。透過虛擬模擬、資料同步與智慧分析，自駕系統得以在安全、可控且低成本的環境下大量學習與驗證，顯著縮短研發週期[12]。未來，數位雙生將延伸至整體城市級智慧交通應用，成為智慧城市的重要支柱。 勤崴的虛擬平台是打造完整產業生態系的基礎，未來可將此高精度虛擬平台商品化，提供其他產業或政府單位用於智慧城市管理、交通規劃或自動駕駛測試。數位雙生技術將延伸至整體城市級智慧交通應用，成為智慧城市的重要支柱。

參考文獻

[1] Michael Grieves, Digital twin: manufacturing excellence through virtual factory replication. White Paper, 2014.
[2] 王瑋瑤、吳東凌（2022）。數位雙生在交通領域之應用-以智慧充電為例. Available at: https://www.iot.gov.tw/xhr/universal_table/download?file=6786800d085777175b13b71b
[3] 吳翌禎、張智雄、林佳穎、陳士明、蔡綽芳（2024）。數位雙生平台整合影像辨識技術改善人與舒適環境之間即時互動性。中國土木水利工程學刊，36（5），405-414。Available at: https://doi.org/10.6652/JoCICHE.202409_36(5).0002
[4] Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2019）. Digital Twin Driven Smart Manufacturing: IEEE Transactions on Industrial Informatics.
[5] ISO 23247: Digital Twin Framework for Manufacturing (2021）
[6] Lv, Z., Xie, S., & Li, J. (2022）. Digital Twin-Driven Autonomous Driving System. IEEE Internet of Things Journal.
[7] Waymo Simulation Platform. Available at: https://waymo.com/tech/simulation/
[8] NVIDIA DRIVE Sim. Available at: https://developer.nvidia.com/drive/sim
[9] 林映帆, 郭毓麒（2021）, 淡海新市鎮自駕巴士接駁運行經驗分享與展望. 電工通訊季刊, pp.8-16.
[10] 勤崴國際（Kingwaytek）智慧駕駛平台. Available at: https://www.kingwaytek.com
[11] 郭毓麒, 林鈺倢,（2024）. 多階層交通管制圈概念應用於自駕觀光接駁規劃. 觀光與休閒管理期刊, 12（2）, pp.256-265.
[12] 工研院智慧駕駛測試場研究報告（2023）