在台積電的 5 奈米晶圓廠裡，自動導引運輸車（autonomous guided vehicle, AGV）穿梭於倉儲與輸送帶之間，每日替庫房人員減少 1.8 公噸的搬運量。
&nbsp;
在亞馬遜（Amazon）的倉儲中心，數萬臺倉儲機器人 Proteus 透過自主導航技術，精準地將貨架移動至分揀區域，加速商品出貨流程。
&nbsp;
當無人地面載具（unmanned ground vehicle, UGV）在工廠已如此成熟，場景一旦轉到城市街頭，情況卻截然不同。無人計程車的擴張速度遠不如工廠自動化，只能在少數城市與特定路段測試營運，甚至在許多國家仍在討論是否應該全面開放上路。
&nbsp;
同樣是無人地面載具，為何在工廠內運轉順暢，到了城市舉步維艱？要讓無人載具真正走進人類日常生活，究竟得跨越哪些門檻？問題又出在哪裡？
&nbsp;
從 AGV 到 AMR：當無人載具開始適應環境
臺灣智慧駕駛（Turing Drive）執行長沈大維指出，無人地面載具並非某一種特定車輛，而是一個隨技術演進而擴張的統稱。若依自主控制能力區分，大致可分為三類：由人類即時操控的遠端遙控型；依預設路徑與規則運行的自動導引車；以及具備環境感知與決策能力的自主移動機器人（autonomous mobile robot, AMR），例如 Amazon 的 Proteus。
&nbsp;
若回顧發展歷程，可以發現無人地面載具的演進，其實是一段機器逐步適應環境的過程。
&nbsp;
1950年代開始，自動導引運輸車進入工業場域。工程師在地板下埋設電感導線，或鋪設磁條與光學標線，讓載具沿著預設路徑行駛，在固定動線上完成物料搬運。
&nbsp;
這種方式在高度可控的工廠環境中相當有效，但幾乎沒有環境適應能力。為了確保安全，車體必須加裝防撞桿，透過物理接觸觸發停車；車頂設置旋轉式警示燈與蜂鳴器，提醒周遭人員避讓。這時的載具並不理解環境，只能要求人與場域配合其運作。
&nbsp;
1980 年代後，微處理器效能提升，載具開始具備內建運算能力。判斷與計算不再依賴外部主機，而是可以直接在 自動導引運輸車上完成。同時，雷射測距與雷達技術的成熟，載具開始能主動量測周圍距離，辨識牆面反光標記或環境特徵，進行定位。
&nbsp;
當運算能力與感測能力結合後，規則式（rule-based）控制架構才真正落地。感測器回傳的距離數據進入車載電腦，由預先寫好的邏輯進行判斷，例如：前方偵測到物體就減速、距離低於安全值就停車、路徑受阻時重新選擇替代動線。這是無人載具第一次不必依賴地面軌道，也能在移動中自行調整行進方式。
&nbsp;
在這個階段，環境不再需要全面為機器改造，機器開始能在既有場域中調整路線。但距離真正的人機協作，仍有一段距離。
&nbsp;
原因很直接。當時的感測器只能回傳距離數值，電腦則依照預先寫好的規則進行判斷。系統雖偵測到前方 1.5 公尺有物體，卻無法辨識那是暫時經過的員工，還是固定堆放的貨架。它也無法做出減速或繞行這種連續性的決策，只能在距離低於門檻時直接停車。
&nbsp;
這代表只要人類的動線出現些微變化，系統就可能被迫停擺。因此，那個時期的人機協作，是靠物理分流完成：劃出專屬動線、設置安全區域，讓人避開機器。
&nbsp;
那麼機器什麼時候，才會開始理解我們？
&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：670x460-2.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;">感測器、通訊與晶片的技術突破，讓 UGV 擺脫對物理軌道與人為即時操控的依賴，發展出今日廣泛應用於工廠物流的 AGV。</div>
</div>
</div>
</div>
</div>
&nbsp;
從智慧工廠走向開放場域？
2010 年以後，自動導引運輸車才迎來真正的蛻變。
&nbsp;
第一個改變，是定位技術的突破，讓機器終於知道自己在哪裡。光達（Light Detection and Ranging, LiDAR）透過高速發射雷射脈衝，量測光線反射回來所需的時間，換算出周圍物體的距離。這些距離數據被整合後，形成一張立體的空間輪廓圖。再配合同時定位與地圖建構（simultaneous localization and mapping, SLAM）技術，載具便能在移動過程中一邊建立地圖，一邊計算自己在地圖中的位置。
&nbsp;
第二個改變是，人工智慧模型的成熟。財團法人車輛研究測試中心總經理廖學隆指出，人工智慧的發展更推動自主系統從僵化的 rule-based 架構，轉向以學習為核心的 learning-based 模式。過去必須由工程師手動寫下「遇到什麼情況就做什麼反應」的規則，如今系統可以透過大量資料訓練，從經驗中建立行動邏輯，提升在複雜環境中的應變能力。
&nbsp;
這意味著，感測器回傳的不再只是距離數值，而是可辨識與分類的資訊。人工智慧能分辨前方是人、紙箱，還是其他設備；一旦區分物體類型，系統便能決定該減速、繞行，還是安全通過。
&nbsp;
當定位、辨識、決策與能力同時具備，AGV 才真正進化為 AMR。它不再只是依既定規則運作的搬運工具，而是能在沒有固定軌道的情況下，自主規劃行進方式，並隨著環境變化即時調整路徑。有了這個能力，無人載具得以在人員與設備混流的空間中工作，做到真正人機協作。
&nbsp;
那麼，這套技術是否可以直接移植到道路上，實現真正的無人駕駛？
&nbsp;
從技術邏輯來看，答案是可以。定位、辨識、決策與控制四種能力，在結構上並沒有改變。例如：特斯拉透過數百萬輛車在真實道路上蒐集的駕駛數據，持續更新模型，讓系統在實際交通情境中學習判斷。Waymo 除了真實道路測試外，它建構「Waymo World Model」，利用生成式模型在電腦中重建城市道路與交通情境，讓車輛在模擬世界裡反覆行駛、決策與修正。
&nbsp;
兩種訓練方式目前皆已取得階段性突破，但問題也開始浮現。例如： 2025 年 10 月深夜，舊金山 16th Street 發生一起事故。一隻名為 KitKat 的虎斑貓在 Waymo 無人計程車前停留數秒，系統未能辨識其存在，車輛啟動後將牠捲入後輪。
&nbsp;
這個事件不代表技術失效，但揭示了一個核心痛點：工廠是可控場域，道路是開放場域。前者變數有限，後者情境組合近乎無限。只要出現模型未充分學習的情況，風險就會浮現。這也是自駕車至今僅能在特定城市與路段測試營運的最大原因。
&nbsp;
那麼，在全球技術與制度都尚未定型的情況下，臺灣在 UGV 發展上的機會究竟在哪裡？
&nbsp;
臺灣展望：選對戰場的務實策略
當 Waymo 這種國際巨頭正用數位孿生技術挑戰龍捲風、山崩等極端情境時，資源有限的臺灣，難道只能在旁邊看戲嗎？Turing Drive的沈大維執行長給出了一個務實的答案：「 選對戰場，比選大戰場更重要。 」雖然臺灣在半導體與電腦製造方面具備產業優勢，但也有自身的劣勢，像是缺乏完整的造車產業鏈、感測器技術受限，以及內需市場規模不足，難以支撐長期且高成本的研發投入。
&nbsp;
因此，他認為，與其直接與 Waymo、Tesla 等國際巨頭競爭開放道路場景，不如轉向特定場域，發揮臺灣供應鏈靈活、客製化快速的優勢，走向模組化解決方案的輸出模式。舉例來說，團隊曾針對高爾夫球場開發無人載具系統。儘管球場路況單純、封閉，仍有其特定挑戰，例如：空曠草地導致光達（Light Detection and Ranging, LiDAR）掃描不到足夠特徵點、球車經過隧道時則面臨全球衛星定位系統（Global Positioning System, GPS）訊號中斷。
&nbsp;
為了解決這些問題，團隊採用感測器融合（sensor fusion）機制，依據不同場景動態調整各感測器的權重：在草地環境中，系統優先參考 GPS 定位；進入隧道時，則轉而結合光達幾何特徵與慣性導航技術，補足 GPS 訊號缺失。這樣的權重轉換與資訊整合，讓無人車在場域中仍能穩定運作。
&nbsp;
沈大維認為，這類高度客製化的應用場景，也許正是臺灣最務實的切入點。他強調，選對戰場，才能讓臺灣自駕技術走出實驗室，成為可規模化、可商轉、能創造獲利的解決方案。
&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｜臺灣智慧駕駛沈大維執行長、財團法人車輛研究測試中心廖學隆總經理；責任編輯｜王喆宣、洪孟樊）