未來10年百萬顆退役 電動車電池循環再生三面向（ 08/25/2021 EIC環境資訊中心）

（綜合外電；姜唯 編譯；林大利 審校）隨著車廠和政府承諾增加電動車數量，預計到2030年將有1.45億輛電動汽車上路。雖然電動汽車可以在減少排放方面發揮重要作用，但它們也帶來潛在的環境定時炸彈——電池。

根據估計，從現在到2030年之間，將有超過1200萬噸的鋰電池退役。這些電池不僅使用大量的原材料，包括鋰、鎳和鈷，而且採礦可能影響氣候、環境和人權。電池的壽命結束時也會成為堆積如山的電子垃圾。

專家表示，隨著汽車業開始轉型，現在該規劃電池如何壽終正寢，減少對採礦的依賴並保持材料的循環流通。

電動車電池第二春

數億美元的資金正挹注回收相關的新創公司和研究中心，以找出如何拆卸廢電池和大規模提取有價值金屬的方法。

世界經濟論壇循環經濟專案負責人彭寧頓（James Pennington）說，如果我們想用有限的材料做更多事情，回收不應該是第一個解決方案，「首要最佳辦法是延長使用時間。」

隆德大學環境政策學者里希特（Jessika Richter）表示：「電動汽車電池首次退役時，其實還有很多電池容量。這些電池可能不再能夠推動車輛，但還可以儲存太陽能或風電場產生的電力。」

幾家公司正在進行試驗。能源公司Enel Group正在西班牙梅利利亞的一個獨立於國家電網的儲能設施中，使用從日產Leaf汽車退役的90顆電池。在英國，能源公司Powervault與法國車輛製造商雷諾合作，將退役電池用於家庭儲能系統。

建立鋰離子電池的第二春還有另一個好處：取代有毒的鉛酸電池。非營利組織Pure Earth的負責人富勒（Richard Fuller）說，只有大約60%的鉛酸電池用於汽車，另外有20%用於儲存太陽能，主要是在非洲國家。

富勒說，鉛酸電池在溫暖的氣候下通常只能使用兩年左右，因為熱會使它們劣化得更快，因此時常需要回收。然而，在非洲很少有設施可以安全地做好這件事。

相反地，這些電池經常在住宅後院裂開、熔化，使回收者及其周圍環境暴露於鉛，而鉛是一種沒有已知安全水準的強效神經毒素，會損害兒童的大腦發育。富勒表示，鋰離子電池是一種毒性更低、壽命更長的儲能替代品。

鋰離子電池回收競賽

彭寧頓說：「當電池真正用完的那一天，就該回收它了。」

鋰離子電池回收業背後有很大的力量在推動。特斯拉8月發表的衝擊報告中宣布，該公司已開始在內華達州的超級工廠建立回收設施，以處理廢電池。

附近的紅杉材料（Redwood Materials）由特斯拉前技術長史特勞貝爾（JB Straubel）創立。該公司在內華達州卡森市展開業務，7月份籌資超過7億美元，還計畫擴大業務。紅杉材料的工廠接收廢電池，提取銅和鈷等有價值的材料，然後將精煉金屬送回電池供應鏈。

然而，雖然電池回收變得越來越主流，重大的技術挑戰依然存在。

其中之一是回收商必須破解其複雜設計，以獲取有價值的組件。英國電池製造新創Aceleron聯合創辦人康明斯（Carlton Cummins）表示，鋰離子電池的設計很少考慮可回收性，「這就是回收商痛苦之處。他們很想做這樣的工作，但只有在廢電池送到達家門口時他們才能獲得相關資訊。」

康明斯和另一位聯合創辦人強丹（Amrit Chandan）特別指出一個設計缺陷：組件的連接方式。康明斯說，大多數組件都焊接在一起，這有利於電氣連接，但不利於回收利用。

Aceleron的電池用鎖固的方式將組件的金屬端點緊壓在一起，日後可以鬆開完全拆解，或移除和更換單個故障組件。

簡化拆卸也有助於減輕安全隱患。鋰電池處理不當可能會造成火災和爆炸風險。「如果能把它拆解成小組件，可保證不會傷害任何人，」康明斯說。

待改變的回收系統

即使解決了技術挑戰也無法保證成功。歷史上，建立妥善運作的回收業困難重重。

例如，鉛酸電池的回收率很高，部分原因是法律要求——汽車電池中多達99%的鉛被回收。但是，若最終經手的是不當的回收設施時，就會產生污染的可能。廢電池最後通常會交給個體戶回收商，因為他們支付的金額可能比正規回收商更高，後者必須承擔更高的營運成本。

鋰電池的毒性或許較低，但它們最終仍需要安全的回收處理。 「產品往往會往阻力最小的路線流動，所以必須讓正規處理路線阻力更小，」彭寧頓說。

立法可以提供一些幫助。雖然美國尚未實施強制要求鋰電池回收的聯邦政策，但歐盟和中國已經要求電池製造商支付建立收集和回收系統的費用。彭寧頓說，這些資金可以幫助補貼正規的回收商，使他們更具競爭力。

去年12月，歐盟提議全面修改其電池法規，其中大部分針對鋰電池，包括電池回收率要達70%，鈷、銅、鉛和鎳回收率要達95%，鋰回收率70%，以及2030年新電池中回收含量的強制性最低水準，以確保回收商有市場，並使它們免受商品價格波動或電池化學成分變化的影響。

里希特說：「這些法案還沒完全成型，但已經相當積極。」

資料也是一個辦法。歐盟和公私合作的全球電池聯盟（Global Battery Alliance, GBA）都在研究電池的「數位護照」，一種包含其整個生命週期資訊的電子紀錄。「我們正在考慮使用QR code或無線識別檢測設備。」GBA電池護照計畫負責人弗倫（Torsten Freund）說，如此可以報告電池的健康狀況和剩餘容量，讓汽車製造商用於再利用或回收設施。有關材料的資料可以幫助回收商了解鋰電池的無數化學成分。一旦回收變得更加普遍，護照還可以顯示新電池中回收成分的含量。

里希特說，另外值得注意的是，永續交通不僅僅是電動汽車，步行、騎自行車或乘坐公共交通工具不應被忽視。「重點是，我們可以在非永續的系統中擁有永續的產品。」

參考資料
衛報（2021年8月20日），Millions of electric car batteries will retire in the next decade. What happens to them?
https://www.theguardian.com/environment/2021/aug/20/electric-car-batteries-what-happens-to-them

完整內容請見：
https://e-info.org.tw/node/232064

♡

人工智慧在自動駕駛車的作用

作者 : Anton Hristozov，軟體工程師/研究員
2020-10-12

自動駕駛車輛(autonomous vehicles)在農業、交通運輸和軍事等領域開始成為一種現實，很快地我們也將會看到它應用於一般消費者的日常生活中。

自動駕駛車輛根據感測器資訊和人工智慧(Artificial Intelligence；AI)演算法來執行一些必要的操作，因而需要收集資料、規劃並執行行駛路線。而這些任務，尤其是規劃和執行行駛路線需要非傳統的編程方法，這就有賴於AI中的機器學習(Machine Learning；ML)技術。

自動駕駛車輛仍有許多任務面臨巨大的挑戰，必須採用更先進縝密的方法來解決。取代人類的認知和運動能力並不是一件容易的事情，還需要持續多年的努力。AI還必須解決各種不同的任務，才能夠實現安全和可靠的自動駕駛。

宅經濟下，你需要知道電競週邊整合方案

本文將介紹讓自動駕駛車得以實現的AI應用，並提出其所面對的挑戰以及至今取得的成就，另外也探討了相較於傳統軟體的AI本質差異。在後續的文章中將進一步討論在自動駕駛領域進行開發、測試和部署AI技術的特定挑戰。

自動駕駛車的AI分析

自動駕駛車是汽車產業中成長最快速的領域，而AI則是自動駕駛車中最重要和最複雜的組成部份。圖1所示為典型的自動駕駛車組成。

自動駕駛車對於傳送即時數據的感測器數量，以及對數據進行智慧處理的需求可能會非常龐大。而AI主要被用於現代汽車的中央單元以及多個電子控制單元(ECU)中。

由於AI已在機器人等眾多領域中得到應用，它自然成為自動駕駛的首選技術。結合AI和感知等技術承諾可提供更安全、更具確定性的行為，從而帶來燃油效率、舒適性和便利性等優勢。

開發像自動駕駛車這樣複雜的AI系統面臨諸多挑戰。AI必須與多種感測器互動，並即時使用數據。許多AI演算法都是運算密集的工作負載，因此很難搭配使用記憶體和速度受限的CPU。現代車輛是一種即時系統，必須在時域中產生確定性結果，這關係到駕駛車輛的安全性。諸如此類的複雜分佈式系統需要大量的內部通訊，但這些內部通訊通常易於造成延遲，從而干擾AI演算法做出決策。此外，汽車中執行的軟體還存在功耗問題。運算越密集的AI演算法消耗功率也越多，尤其是對僅依靠電池充電的電動車(EV)而言，這會是一大問題。

在自動駕駛車中，AI用於執行多項重要任務。其主要任務之一是路徑規劃，即車輛的導航系統。AI的另一項重要任務是與感測系統互動，並解讀來自感測器的數據。

很顯然地，提供一套完整的解決方案來取代人類操控駕車的是一項艱鉅的任務。因此，製造商們開始將問題劃分為更小的部份，並逐一地解決，以期透過小幅進展最終實現完全的自動駕駛。業界一直不乏新創公司或具顛覆性的公司試圖解決所有的自動駕駛問題，並曾誓言要在2020年實現完全自動駕駛車上路。如今看來，現實顯然更複雜得多了，AI本質上存在的一些問題帶來了很多障礙。

隨著AI的發展與完善，我們將越來越接近具有安全且自主行駛的交通運輸願景。在那之前，我們必須展開長時間的開發與測試，而最終是否採用則取決於消費者的信心以及市場驅動力。儘管比預期費時更長，但一切終會發生。

需求與要求已經出現了，技術也幾近完備。其實際應用可能或快或慢，這完全取決於法規要求。分階段實施是可行之道，從比較簡單和更具確定性的用例開始，例如先在已知環境中導入自動駕駛。如果僅在具有較少未知的特定條件下行駛自動駕駛車，則可以充份緩解所使用的演算法壓力。

自駕車中的AI應用

感測器數據處理

自動駕駛車輛在運行期間，無數的感測器為車輛的中央電腦提供了數據，包括道路資訊、道路上出現的其他車輛資訊，以及如同人類感知般地偵測到任何障礙物的資訊。有些感測器甚至可以提供比普通人更好的感知能力，但要做到這一點就需要智慧演算法，用於理解即時產生的數據串流。

智慧演算法的主要任務之一是檢測並辨識車輛前方和周圍的物體。人工神經網路(ANN)是用於該任務的典型演算法，也稱為深度學習，因為神經網路包含許多層級，而每個層級又包含許多節點。圖2顯示了這種深度神經網路，不過在實際的神經網路中，其節點數和層數可能更多。

為了分類物體，視訊輸入分析採用機器學習演算法以及最可行的神經網路。由於我們有多個不同類型的感測器，因而必須為每個感測器配備專用的硬體/軟體模組。這種方法允許平行處理數據，因此可以更快做出決策。每個感測器單元都可以利用不同的AI演算法，然後將其結果傳達給其它單元或中央處理電腦。

路徑規劃

路徑規劃對於最佳化車輛行駛軌跡並產生更好的交通模式非常重要。它有助於降低延遲並避免道路擁堵。對於AI演算法來說，規劃也是一項非常適合它的任務。因為這是一項動態任務，可以考慮到很多因素，並在執行路徑時解決最佳化問題。路徑規劃的定義如下：「路徑規劃讓自動駕駛車輛能夠找到從A點到B點之間最安全、最便捷、最經濟的路線，它利用以往的駕駛經驗協助AI系統在未來作出更準確的決策。」

路徑執行

路徑規劃好之後，車輛就可以透過檢測物體、行人、自行車和交通號誌來掌握道路狀況，透過導航到達目的地。目標檢測演算法是AI社群的主要關注點，因為它能夠實現仿人類行為。而當道路情況不同或天氣條件變化時，挑戰就來了。許多測試車輛發生事故都是由於模擬環境與現實環境的條件不同，而AI軟體若接收到未知數據，很可能會做出無法預測的反應。

監測車輛狀況

最具前景的維護類型是預測性維護。其定義如下：「預測性維護利用監測和預測模型來確定機器狀況，並預測可能發生的故障以及何時發生。」它嘗試預測未來的問題，而不是已然存在的問題。從這方面來看，預測性維護可以節省大量的時間和金錢。包括監督學習和無監督學習都可用於預測性維護。其演算法能夠根據機載和機外數據來做出預測性維護的決策。用於該任務的機器學習演算法屬於分類演算法，例如邏輯迴歸、支援向量機以及隨機森林演算法等。

收集車險資料

來自車輛的數據記錄可以包含有關駕駛員行為的資訊，而且這些數據可以用來分析交通事故，也可用於處理車險理賠。所有這些都有助於降低汽車保險的保費，因為具有更加確定的安全性與保證。對於全自動駕駛車輛來說，賠償責任將從乘客(不再是駕駛人)轉移到製造商。而對半自動駕駛車輛來說，駕駛人仍可能承擔一部份責任。

要證明這一類的情況將越來越依賴於車輛AI系統所擷取到的智慧數據。來自所有感測器的數據會產生巨量的資訊，隨時保存所有數據可能不切實際，但是保存相關數據的快照，似乎是獲得證據的折衷方法，這些證據可用於特定交通事件的事後分析。這種方法類似於黑盒子保存數據的方法，可以在發生碰撞事故後根據其中的數據進行分析。

附圖：自動駕駛在農業、交通運輸和軍事等領域開始成為一種現實，很快地我們也將會看到它應用於一般消費者的日常生活中...
圖1：自動駕駛/連網車輛。（來源：Lentin, 2017）
圖2：深度神經網路示意圖（來源：Beachler, 2019）。

資料來源：https://www.eettaiwan.com/20201012ta31-role-of-ai-in-autonomous-vehicles/?fbclid=IwAR3ynFHau_8Podk-XKuJWJnvDbxUOR_TeNH-HWNiv7qOHV8LDTQAKVI3HmY

#社會
騎電動車要注意呀（#鋼鐵少女）

👉上網登錄過期票券　現賺1.5倍東森幣
https://m.etmall.com.tw/Login?url=%2Fmember%2FMExchangeECoin%3Fsource%3Dettoday6