高速公路即時路況速度的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

自駕車革命：改變人類生活、顛覆社會樣貌的科技創新

為了解決高速公路即時路況速度的問題，作者HodLipson 這樣論述：

  從自動輔助駕駛到完全無人駕駛 圖解‧案例‧商機‧生活場景‧徹底解析 數位轉型再進化，產業整合新商機， 當人類把生命交給感測器、人工智慧和車聯網的那一天來臨。 　　近年來，自動駕駛成為各大車廠、科技巨頭競逐的領域，從半自駕（先進輔助駕駛）到全自駕（完全無人駕駛），應用的科技包括傳感技術、機器人學、機器知覺、機器學習、人工智慧、演算法和智慧型運輸系統等等，原本在學術領域的知識逐漸實用化、商品化。 　　從提供人類駕駛車道偏移警示、防撞預警等不同功能的半自駕車，到沒有方向盤、油門與煞車的全自駕車，自動駕駛牽動相關產業鏈和社會系統，也讓交通成為一種自動化、隨叫隨到的服務

，顛覆我們的移動方式，也改變我們對時間與空間的認知。 　　自駕車的好處是能減少車禍、避免塞車、降低空氣汙染，老人與殘障者也會獲得全新的移動能力。不過，任何的新創科技都有黑暗面，自駕車也不例外，像是造成公共運輸衰退，因為人們都將受到隨叫隨到的無人駕駛座艙吸引，價錢甚至比一趟公車票還低；此外，自駕車可能也會造成職業司機失業、個人隱私不保等問題。 　　作者在本書中探討自駕車的發展歷史，帶領我們了解車輛如何轉變成為聰明的運輸機器人，進一步省思無人駕駛對於我們的工作、交通、運輸、製造、保險、醫療和倫理道德造成什麼衝擊，我們又該如何因應。 　　當人類把生命交給感測器、人工智慧和車聯網的那

一天來臨時，但願我們都已經做好準備。 ◎一致推薦 丁彥允｜喜門史塔雷克（7Starlake）創辦人 王傑智｜交通大學電機工程學系教授、工業技術研究院機械與機電系統研究所數位長 余宛如｜立法委員 林漢卿｜聯華聚能科技股份有限公司總經理 許毓仁｜TEDxTaipei共同創辦人、立法委員 温峻瑜｜艾德斯科技（ADAS Mobile Tech）股份有限公司董事長、以色列商會秘書長 蔡惠卿｜上銀科技股份有限公司總經理 　　►自駕車的技術牽涉甚廣，從傳感技術、機器人學、機器知覺、機器學習到智慧型運輸系統，需要處理更多「人」所引發的問題，如衝出巷子的小孩、不遵守交通規則的

用路人與挑釁的後車駕駛人，即使有再完備的系統，結果問題往往出在於人身上。因此，「人」，是自動駕駛最後一塊拼圖，更精準的說法是「包括人在內的系統整合」，才是自駕車產業的關鍵。──王傑智（交通大學電機工程學系教授、工業技術研究院機械與機電系統研究所數位長） 　　►無人駕駛背後的人工智慧科技，牽涉的龐大關連產業鏈商機和社會系統衝擊，就像是冰山底下的體積難以估計，亟待具有豐富想像力的科學家、社會學家以及你我一起來努力！──丁彥允（喜門史塔雷克［7Starlake］創辦人） 　　►汽車的智能化與無人化，將能夠挽救許多的人類生命，其中關鍵的賦能科技（enabling technology）就是「人

工智慧」。作者在深度學習方面的精闢見解，以及對未來社會因為自動駕駛所帶來的情境描繪，實引人深思，並令人嚮往此科技的未來發展。──林漢卿（聯華聚能科技股份有限公司總經理） 　　►我非常推薦這本書，對於無人車的介紹非常詳盡，且用淺白還有許多圖片與表格，就算是不熟悉此領域的讀者，也可以從這本書了解無人車。──余宛如（立法委員） 　　►這是一本有深度的書，並非只是簡單的概說，讓我們能順著它進入自駕車領域。臺灣有非常優質的半導體及資通訊產業基礎，也有傑出的科技基礎培育軟體人才、IC設計、半導體感測技術開發等等，因此，在這一波人工智慧與自駕車產業浪潮中，我們一定要有角色。自駕車不再那麼遙遠，在未來

五年、十年、二十年，它絕對會一步步的發生在我們的生活當中。──溫峻瑜（艾德斯科技股份有限公司〔ADAS Mobile Tech〕董事長、以色列商會秘書長） 　　►作者引用了大量的數據資料以及細膩的筆觸，如實呈現無人載具能夠為人類社會可能帶來的改變。但並不是一味宣揚好處或不斷揭露缺點，而是優劣並陳，讓讀者能夠用最全面的方式來理解即將到達眼前的近未來。未來不論是人工智慧，或是無人載具的應用，都將會是一種趨勢，在瞬息萬變的科技巨變走近我們之前，可以透過本書做好萬全的準備。──許毓仁（TEDxTaipei共同創辦人、立法委員）  

高速公路即時路況速度進入發燒排行的影片

利用高公局隧道內外即時影像估測行車速度

為了解決高速公路即時路況速度的問題，作者林衍百 這樣論述：

在日益發展的交通資訊系統(TIS, Traffic Information System)中，對於車速的估測是個關鍵且十分值得探討的議題。從車速我們可以推估出許多有用的交通資訊，如路況的順暢或壅塞、旅行時間的推算等。因此，能得知即時的車速是對用路人很大的助益。此篇論文利用高公局發佈的CCTV (closed-circuit television)影像，使用深度學習的技術從影像中估測出車速，以提供用路人更即時的交通資訊。在資料集部分，我們使用CCTV原始影像當作輸入，VD (vehicle detector)的車道車速之平均值作為真值，並使用MAE (mean absolute error)來

計算誤差。在資料前處理部分，我們先使用聚合式階層分群法對CCTV影像分類，排除無法當成輸入的影像。接著我們以生成ROI(Region of Interest)的技術製作遮罩，只提取我們想要的單向道路影像作為輸入。在網路架構的部分，我們使用深層殘差網路(ResNet)做為我們的基本架構；在每層的3D-CNN分成空間維度與時間維度兩層分別處理((2+1)D)，兩者結合的架構記為R(2+1)D。我們適度調整網路前期卷積層與池化層在時間上的維度，避免遺失影片前期的時間資訊。我們設計四種不同深度的殘差網路，來探討CNN要學習多長的時空間序列特徵有最好的表現。另外我們設計了分別使用原始影像與光流作為輸入的

雙流卷積網路。在實驗結果中，深度為10與18之深層殘差網路在估測車速平均值得到最好的結果。與現有的架構如3D-CNN和 3D-CNN+GRU相比，針對我們測試的隧道外10支CCTV與隧道內6支影像，我們最優架構的MAE減少0.6%至65.2%。此外，大部分CCTV在順暢與壅塞時的資料量並不平衡(data imbalance)，當訓練資料足夠大時，我們的車速估測MAE可達2 – 5 km/hr。

先進交通管理與車路整合技術創新應用(2/4)106粉

為了解決高速公路即時路況速度的問題，作者陳其華,周家慶,李夏新,胡鈞祥,曾蕙如,李永駿,劉定一,董尚義,陳志全 這樣論述：

　　「安全」與「效率」一向為各國推動智慧型運輸系統(ITS)之重要目標，兩者間互為影響。近年來國際在ITS發展趨勢方面，歐美日均體認由車輛(V)與道路基礎設施(I)之V2I以及車輛(V)與車輛(V)之V2V所形成之車聯網可提供更安全、順暢、更具環保與能源效率的友善運輸環境。本研究前期(104年)探究車聯網在我國「交通安全」與「交通資訊服務」應用模式，並於基隆市台62線與基金公路所構建實驗場域進行我國第1個車聯網實驗場域，本期以此基礎擴大在高快速公路實測範圍，延伸至國道1號與台62線交會的大華系統交流道及其上下游路段。 本期研究在車聯網應用情境包括：「交通安全」面之施工與障礙

物警示、前方交通壅塞資訊、易肇事路段警示、異常天候資訊、緊急路況資訊；在「交通資訊服務」面之路徑導引資訊、旅行時間資訊、路況影像資訊、CMS資訊、交通標誌訊息等發布；在「交通管理」面之高速公路均勻車流行駛速度建議；在「節能駕駛」面之應用車聯網所廣播號誌時相秒數資訊產生市區路口節能駕駛行為模式。研究結果顯示車聯網對於都市地區與高速公路均可提供駕駛人前方路況更早與更即時的警示訊息；在高速公路車流均勻速度建議部分，實驗顯示在有車流均勻速度建議下之車輛行車行為與整體車流接近且變異數較低，預期將可減少因加減速所造成交通事故；在應用車聯網所廣播號誌時相秒數資訊產生市區路口節能駕駛行為部分，實驗顯示平均油耗

有降低現象，依本研究成果推估若擴充場域至台62路口約1.5公里(8處路口)，以此路段交通量(1,624 PCU/HR)預估，假日尖峰1小時約可減少共73公升油耗量、165公斤排碳量。

基於天氣變化適應閾值之車道辨識及前車距離偵測

為了解決高速公路即時路況速度的問題，作者嚴上智 這樣論述：

交通事故的發生往往容易造成人員傷亡及財產損失，大多數的意外來自於駕駛疏忽使得車輛偏離車道或未注意前方車距而與他車產生碰撞，因此行車安全也越來越受到重視，車輛輔助系統也逐漸的蓬勃興起。先進駕駛輔助系統 (Advanced Driver Assistance System, ADAS) ，能夠提供駕駛者在行駛時，對於車輛的工作情形與車外環境變化等進行分析，並且提早警示有可能發生的危險情況，使駕駛能預先採取因應措施，預防交通事故的發生。在本論文中，提出一個可以隨著天氣變化的前車與車道偵測警示系統，此系統能夠提供駕駛者偵測前方車輛距離警示，避免駕駛人疏忽沒注意到和前車距離而造成碰撞。伴隨時下開車族會

在車內裝設行車記錄器的使用，以此裝置拍攝實際行車路況影像做為輸入，透過影像處理與演算法運算，判斷是否為車道偏移以及與前車車距過近。為了因應不同的天氣狀況，首先將輸入影像透過ROI ( Region Of Interest )感興趣區域範圍來定義環境變數，取得影像處理後的像素強度資訊與二值化閾值的關係，並依據不同的環境變數進行演算法運算來獲取水平、陰影或著車燈特徵，利用霍夫直線轉換演算法取得車道線，且計算車道線與車輛平行線之角度，用於判斷是否為車道偏離。將偵測之車道線與影像處理後區域候，用於判斷前方是否為車輛特徵，再利用前車距離演算法計算與車輛間距。論文最後將介紹我們的實驗器材與開發環境，並統計

前車偵測在各種不同天候環境下的正確率和偵測結果，並且在Intel® Core(TM) i7-3770 CPU 3.4GHz 和10GB DDR3 RAM 的個人電腦中執行，整體系統的執行速度大約每秒80張影像，實驗中使用的行車記錄器每秒拍攝30張影像，因此本套系統能達到即時的車輛偵測效果。本文利用電腦視覺及影像處理是為了以較低成本且較為普及在實驗過程中獲得成果。