CubicPower 晶智能中心 教學機器人 電機資訊學院教材  LiDAR光達設計與製造工程簡介-1

編著: 夏肇毅

初版: 2026/9/8

1.1 產品任務與價值定位

LiDAR 產品開發的第一個工作不是立即選擇雷射、接收器或掃描器，而是先讓 AI 建立清楚且可驗證的產品任務。AI 應先將「我要做一台 LiDAR」轉換成具有明確邊界的產品定義，包括服務對象、使用目的、部署環境、核心問題、預期效益、產品形態、性能等級與商業限制。產品任務最好以一個完整的工程陳述表示，例如要求系統在特定環境中對指定範圍內的物體進行距離與空間資訊量測，再提供給機器人、工業控制、測繪或智慧交通系統使用。此時 AI 不應直接自行假設所有參數，而應把未知內容標示為【待確認】，並建立產品假設清單。產品任務必須區分「必須完成的功能」與「希望具有的功能」，例如基本距離量測可能屬於必要功能，而多目標辨識、物體分類或即時追蹤可能屬於延伸功能。AI 還應建立產品成功定義，例如最大有效量測距離、最小可辨識目標、距離誤差、角度解析能力、更新率、點雲輸出能力、功耗、尺寸、重量、工作溫度與預期使用壽命等。這些指標必須避免使用「高精度」「低功耗」「高速」等不可測量文字，而應逐步轉換成工程量。AI 同時需要建立產品邊界，明確指出產品本身負責哪些功能、外部主機負責哪些功能、資料由何處輸入、結果由何處輸出。如此可避免後續系統架構不斷膨脹。完成初步定義後，AI 應產生 Product Mission、產品邊界、成功指標、主要假設、限制條件及待確認項目，並進行一致性檢查。如果產品任務與預定成本、尺寸、功耗或使用環境互相衝突，AI 不應繼續進入詳細設計，而應先產生需求衝突清單與權衡方案。這個階段的核心教材觀念是：AI 的第一個任務不是「設計硬體」，而是把模糊產品想法轉換成後續所有工程活動都能追溯的產品任務基準。

1.2 目標市場與產品邊界

AI 在建立產品目標時，必須同步建立目標市場與產品邊界，因為相同的 LiDAR 技術在不同市場可能需要完全不同的工程方案。例如室內機器人、工業自動化、戶外測量、智慧交通、車載感知、倉儲設備與三維測繪，其對距離、視場、解析度、可靠度、環境耐受、尺寸、成本與資料介面的要求均可能不同。因此 AI 應先建立市場分類矩陣，按照「應用目的、工作距離、目標反射特性、環境光、移動速度、環境溫度、震動條件、安裝方式、資料需求、成本上限」等維度進行比較，再決定產品屬於哪一個主要市場。不能在尚未確定市場的情況下，同時宣稱產品可以滿足所有應用，否則會造成規格過度膨脹。AI 還應建立產品邊界文件，把 LiDAR 本體、外部運算設備、供電設備、通訊網路、上位機軟體、校正設備、測試設備與安裝結構分開定義。若產品是一個感測模組，則 AI 應避免把完整機器人或車輛功能納入 LiDAR 本身；如果產品定位為完整感知單元，則應重新定義資料處理與輸出責任。產品邊界也必須包含生命週期邊界，例如研發樣機、工程樣機、試產機與量產機是否使用相同架構，哪些元件允許替換，哪些介面必須保持相容。AI 可以建立「核心產品、必要配套、選配功能、外部系統」四層分類，使後續成本與責任界線清楚。接著建立目標市場優先順序，將市場分成主要市場、次要市場及暫不支援市場。對暫不支援市場也要記錄原因，例如性能不足、認證成本過高、環境條件過於嚴苛或目標價格不成立。這些資料將成為技術路線選擇的重要輸入。AI 最終應輸出市場定位矩陣、產品邊界矩陣、核心功能清單、非核心功能清單、外部系統責任表及市場限制條件，並檢查是否存在產品定位矛盾。透過這種方式，可以避免後續工程團隊因不同人對「產品到底要做到什麼程度」有不同理解而反覆修改。

1.3 產品成功指標與可量測化

AI 必須把產品目標轉換成可以測試的成功指標，這是從概念走向實際產品的重要分界。任何「性能很好」「距離很遠」「解析度很高」之類的描述都不能直接成為工程規格。AI 應將每一項產品願望轉換為名稱、數值、條件、測量方法與允收範圍。例如距離能力必須說明目標條件、環境條件與判定方式；距離精度必須說明誤差如何計算；更新率必須說明是完整視場更新率還是局部區域更新率；點雲密度必須說明空間分布與統計方法。AI 應建立「目標值、最低可接受值、最佳值、測試條件、測試方法、資料來源」等欄位，形成產品 KPI 基準。除了功能性能，也要建立產品工程 KPI，包括功耗、尺寸、重量、啟動時間、資料延遲、熱穩定性、可靠度、校正時間、製造時間與單位成本。不同 KPI 之間可能存在衝突，例如增加發射能量可能提高量測能力，但也可能提高功耗、熱負荷與安全設計難度；提高掃描速度可能影響訊號累積時間；提高解析度可能增加資料量與運算需求。因此 AI 必須建立 KPI 相互影響矩陣，而不能孤立地最佳化單一指標。每個 KPI 都要有對應驗證方法，並在需求資料庫中建立唯一識別碼，使未來系統架構、設計文件、測試程序與測試結果都能追溯到同一項需求。若某項指標目前缺乏測試方法，AI 應標示為【待確認】，而不是自行假設。完成後應進行「可測量性審查」，逐項檢查是否具有明確數值、條件、方法與允收標準。再進行「一致性審查」，確認性能目標與成本、尺寸、功耗、製造能力沒有明顯矛盾。這樣產生的成功指標才能成為後續性能預算、元件選型、樣機測試與量產驗收的共同依據，使 AI 的後續決策具有工程可追溯性。

1.4 AI產品任務基準與決策閘門

當產品任務、目標市場與成功指標初步完成後，AI 應把這些資訊整合成一份「產品任務基準」，並將其設定為後續所有工程決策的上游控制文件。這份基準不是一般介紹文件，而是 AI 產品開發流程中的第一個決策來源。其內容應至少包含產品名稱、產品定位、主要使用者、核心使用情境、工作環境、功能範圍、性能指標、尺寸與功耗目標、資料輸入輸出、成本目標、可靠度目標、法規與安全限制、供應鏈限制及尚未確定事項。AI 必須為每項重要內容建立狀態，例如「已確認」「假設」「待確認」「禁止自行假設」。其中「禁止自行假設」尤其重要，例如尚未確定的雷射波長、掃描方式、最大距離或目標反射率不能直接被 AI 當成固定值帶入後續設計。AI 還應建立決策閘門，只有當產品目標具備足夠完整性時，才允許進入下一個工程階段。閘門審查可以包括五項：產品用途是否明確、主要市場是否明確、核心功能是否明確、性能是否可以量測、主要限制是否已識別。如果其中任何一項不通過，AI 必須停止後續設計，提出缺口與需要補充的資料。另一方面，AI 應建立版本管理，例如 Product Mission v0.1、v0.2 等，所有後續變更必須留下變更原因與影響範圍。當產品目標發生變更時，AI 必須自動檢查是否影響系統架構、成本、光學設計、電子設計、韌體、測試計畫與製造流程。這樣可以避免開發到後期才發現早期需求已經改變。此階段最重要的工程思想是「先鎖定決策，再開始設計」。AI 不應把生成速度當成成功標準，而應把需求完整性、決策可追溯性與後續可驗證性當成成功標準。完成審查後才允許系統進入下一個工作階段，並產生正式的產品任務基準、需求追溯識別碼與第一個驗收紀錄。