2025 年的荷蘭鹿特丹港 Maasvlakte 2 號碼頭，幾乎看不見人影。
&nbsp;
空中，巡檢無人機正穿梭在貨櫃峽谷之間，逐一掃描結構是否異常。地面，數十輛自動導引車（AGV）以固定節奏往返碼頭與倉儲區，24 小時不停歇。門式起重機與 AGV 精準協作，每一次吊掛與放置都能井然有序地完成。整座港區的陸海空載具，由一個中央控制大腦統一調度，像一座巨大而安靜的自動化工廠。
&nbsp;
這不是個案。2025 年初，荷蘭鹿特丹、比利時安特衛普與德國漢堡三大港口在 Drone Horizon 峰會上共同倡議無人機協作的發展藍圖，試圖建立跨港口的自動化運作共通語言，相關內容以峰會公開資料為主。無人載具的競賽，已經不只是單一技術的突破，而是整套系統能不能在嚴苛環境下穩定運行。
&nbsp;
港口的價值不只是運貨，職是把自駕系統最核心的難題，全部濃縮在一個可測試、可管理的「沙盒」（也就是受控的實驗場域）裡。讀懂港口的問題，就讀懂了自駕車走進城市之前必須通過的每一關。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/6內文圖：670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">鹿特丹港 Maasvlakte 2 號碼頭，自動導引車與門式起重機全天候協作，地面幾乎看不見人影。</div>
</div>
</div>
</div>
</div>
&nbsp;
關起門來練功，港口為何是自駕的第一座沙盒？
國立陽明交通大學電子研究所郭峻因特聘教授解釋，「港口的運輸任務其實很單純，無非就是把貨櫃從船上搬到倉庫，再從倉庫搬回船上。」路徑種類有限，變數也遠比一般城市道路單純得多。而且港區屬於封閉場域，要裝路側感測器就裝，要統一通訊協定就統一，整體基礎設施完全可控。
&nbsp;
臺灣智慧駕駛沈大維執行長則從商業角度切入，港口權責清楚，面對的就是場域經營者加上保險公司，不像一般道路牽涉交通部、市政府、客運業者等無數利害關係人。業主能直接計算投資報酬率，評估是否值得導入自駕系統，商業模式也比較容易形成完整的運作循環。換句話說，自駕不是先上路，而是先找可控的地方把基本功練穩。
&nbsp;
不過，港口環境雖不複雜，卻很刁鑽。郭峻因特聘教授指出，真正的挑戰不在動線，而在金屬環境對感測器造成的干擾。
&nbsp;
第一是遮蔽，貨櫃擋住視線，AI 只看到物件的一角，訓練資料若沒有這種局部特徵就可能認不出來。第二是多重反射，雷達波在金屬貨櫃間反覆彈射，貨櫃車上的貨櫃和旁邊堆放的貨櫃反射率一模一樣，系統分不清哪個是車、哪個是牆，還會製造出幽靈目標。第三是定位飄移，GPS 訊號在貨櫃峽谷中被多次反射，定位點亂跳。
&nbsp;
此外，沈大維執行長補充了一個港口獨有的現象。船隻不像建築物一樣固定在原地，可能今天停在碼頭，明天就開走了，光達定位的參考特徵突然消失，定位就會跟著飄移。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/5內文圖：670x460-2-3.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">港口路徑單純、場域封閉，但密集的金屬貨櫃會對感測器造成遮蔽、反射與定位飄移等干擾。</div>
</div>
</div>
</div>
</div>
&nbsp;
進入港口之前，先理解自駕在忙什麼
在拆解港口的技術挑戰之前，先用最白話的方式搞懂自駕系統到底在做什麼。
&nbsp;
郭峻因特聘教授用人的本能來類比。感知就像你的眼睛和耳朵，用攝影機、雷達、光達（LiDAR）去看清周遭有什麼東西。定位是知道自己在哪裡，就像你走到一個地方看到 101大樓，馬上知道自己站在正門口還是側門。決策是路徑規劃，有些人習慣走大馬路，有些人偏好穿巷道，這就是選擇。控制則是真的去轉動方向盤、踩油門和煞車，讓車照著決定好的路線走。
&nbsp;
沈大維執行長用開船來比喻。先知道自己在汪洋中的位置，決定航向，途中閃開礁石和其他船隻，不斷修正路線。「整個系統就是不斷在做這件事。我現在在哪？接下來去哪？怎麼避開障礙物？要不要重新規劃路線？」
&nbsp;
這四件事每秒甚至每毫秒不斷循環，任何一環慢了或錯了，後面的行為就可能跟著出現偏差。而在港口，最容易出問題的就是感知和定位，因為遮蔽、反射、GPS 不穩，正是港口環境最擅長製造的麻煩。
&nbsp;
多種感測器互補，時間與延遲才是考驗
面對港口的感測器惡夢，工程師的解法不是找到一種萬能感測器，而是讓多種感測器互相補位。常見的組合包括慣性測量單元（IMU），以及用光達/影像做同步定位與建圖（SLAM）。在更大的系統層級，還會談到車聯網（V2X）與操作設計域（ODD），用來界定載具能安全運行的範圍與條件。V2X 可以讓車子透過周邊設施與其他道路使用者的資訊，看到自己視線看不到的彎角與遮蔽處。ODD 則是在告訴你，這套系統在哪些天候、路型、速度與場域條件下才允許啟用自動駕駛。
&nbsp;
郭峻因特聘教授用 GPS 訊號斷訊的情境來說明。在港口或隧道中 GPS 可能完全收不到，這時就切換到攝影機做視覺定位，或改用光達。光達靠雷射掃描，白天晚上都能用，幾乎是自駕車標配。沈大維執行長也強調，他們致力的核心技術，就是讓系統根據當下環境，自動調整各感測器的信任比例。融合不是堆料，而是讓系統在任一感測器失常時依然活得下來。
&nbsp;
不過，感測器能互補，不代表計算可以慢慢來。自駕之所以必須把多數決策留在地端，是因為把影像與光達資料送上雲端再回傳，常常來不及趕上車輛下一個動作。真正的壓力在於，地端算力有限，車上不可能塞進昂貴又耗電的高階運算設備，成本、散熱與功耗都會反過來限制模型能跑多快、能用多大。也因此，模型輕量化與推論效率，不只是技術優化，而是自駕系統能否真正大規模部署的前提。
&nbsp;
如果說感知和定位是自駕車的「感官」，那接下來我們要談的，就是這臺車的「神經反射速度」——因為在高速運行的自動化港口，「看錯」很危險，但「看太慢」或「對不準時間」同樣致命。想像眼前的畫面是一秒鐘前的，方向盤角度是現在的，GPS 位置是兩秒鐘前的。這三筆資料湊在一起，判斷一定是錯的。郭峻因特聘教授說，這是最重要的問題。工程上稱為時間同步，核心精神就是讓每一筆資料都貼上精確的時間戳記（time stamp），讓系統知道這個畫面和那組座標，是不是在同一個瞬間發生的。
&nbsp;
同步之外，延遲也是關鍵。以車規的基本要求來說，整個系統必須在 100 毫秒內完成一次完整的感知、判斷與回應。這裡說的 100 毫秒，並不是「平均速度」，而是無論任何情況，都不能被突破的上限。郭峻因特聘教授提醒：「假設平均反應時間是 100 毫秒，但偶爾慢到 1 秒，只要有超過 100 毫秒的那段時間，系統就是錯的。」在高速行駛下，1 秒足以讓車輛前進數十公尺。對自駕系統而言，穩定比速度更重要，因為安全不能只靠運氣。
&nbsp;
但是，只要同步做對、延遲壓低，自駕就能一路順暢嗎？再好的系統也會遇到撐不住的時刻。郭峻因特聘教授說，當系統評估自己的信心分數不夠，就會宣告失效。這不是壞掉，而是自我保護，承認自己看不清、算不準，所以選擇交棒。此時，若車上有駕駛，系統會提醒接管。若是港區無人車隊，則交給遠端管控中心，操作員平時可同時監看多部車，需要時才介入。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/03/4內文圖：670x460-3.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">港區內的自動導引車必須在有限的車載算力下，即時完成感測器融合、同步與決策。</div>
</div>
</div>
</div>
</div>
&nbsp;
長尾情境與協作難題，自駕最後兩道關卡
在自動駕駛的世界裡，最難時不是 99% 的日常行駛，而是那剩下的 1%，也就是所謂的「長尾情境」，比如在港口裡，突然衝出的一隻流浪貓，或是一場百年一遇的暴雨，讓感測器全部失準，也可能是從未見過的大型機具突然擺在路徑上，這才是考驗人工智慧真本領的時刻。長尾情境之所以棘手，就在於資料難以收集，模型沒看過的場景就是它最易掉進的陷阱。
&nbsp;
怎麼補齊？郭峻因特聘教授的答案是用生成式 AI 製造訓練資料，例如少見的天候、光線或臨時出現的障礙物，讓模型先接觸現場很難等到的情境。只是合成資料仍需驗證校準。沈大維執行長的團隊則設計了「未知障礙物辨識」機制，即使 AI 認不出前方物件，只要偵測到有東西就主動繞開。「我不知道它是什麼，但我知道我不能撞到它。」
&nbsp;
而在多載具協作的場景中，真正的難題往往不在感測器，而在整合。沈大維執行長指出，港口裡的無人機　自動導引車與各式自動化設備多半來自不同廠商，若彼此不願開放通訊協定與資料格式，就很難接受同一套行控中心的統一調度。技術可以做得更強，但只要系統之間無法交換資訊，協作就會卡在最基本的溝通。
&nbsp;
港口練兵之後，自駕何時才能真正上路？
港口經驗能複製到一般道路嗎？技術上有機會，但一旦離開封閉場域，門檻往往不只在技術本身，而在協作與制度能不能跟上。
&nbsp;
沈大維執行長的策略很明確，先讓特定場域成功，再一個一個複製擴散。郭峻因特聘教授也認為，先練兵、收集回饋，等效果穩定了再逐步放大到更複雜的環境。
&nbsp;
港口就像一座縮小版的智慧城市，它把自駕系統最核心的挑戰，包含感知遮蔽、定位飄移、時間同步、最糟延遲與長尾情境，以及不同載具的協作整合，全都壓縮在一個高密度、卻相對可控的場域之中。更重要的是，為了在極短時間內做出反應，許多關鍵判斷必須在載具端即時完成，而無法依賴遠端雲端運算。這意味著，算力、功耗與成本都會反過來限制系統能做到多複雜、模型能放得多大。正因如此，港口成為一個理想的練兵場，在錯誤代價相對可控的環境裡，技術得以反覆驗證、反覆修正，逐步累積走向城市道路所需的穩定性。
&nbsp;
（客座總編輯｜逢甲大學自動控制工程學系林昱成教授；研究顧問團隊｜國立陽明交通大學電子研究所郭峻因教授、臺灣智慧駕駛沈大維執行長；責任編輯｜王喆宣、洪孟樊）