diff --git a/content/posts/eli5-how-does-self-driving-work/index.zh-tw.md b/content/posts/eli5-how-does-self-driving-work/index.zh-tw.md
new file mode 100644
index 0000000..efdcf23
--- /dev/null
+++ b/content/posts/eli5-how-does-self-driving-work/index.zh-tw.md
@@ -0,0 +1,86 @@
+---
+title: "ELI5: 如何在自家後院打造一台自駕車"
+date: 2024-09-05T02:44:53-04:00
+lastmod: 2024-09-05T02:44:53-04:00
+description: "不就是放大一點的遙控車嗎，應該不難吧 (?)"
+categories: ["📱 科技"]
+series: ["🙋🏻 ELI5"]
+tags: ["🛞 自駕車"]
+---
+
+實習最後幾天有幸跟做自駕車核心演算法的同事聊了一下，學到不少。
+
+這篇文就把大家當 5 歲小孩，簡單教大家如果在自己家的後院造一台自駕車吧！
+
+## 🛠️ 給西
+
+如果你要蓋一間小木屋，你可以去 Home Depot 或特力屋買到所有你需要的材料和工具。但絕大部分需要用來打造自駕車系統的工具，都是各家公司自己打造的 [^1]，所以你需要各種工具，也都需要自己打造。比方說 Cruise 打造了這個叫 [Worldview](https://medium.com/cruise/introducing-worldview-749aaf98112d) 的套件。好不好用......我也不知道，但看看他們放在部落格上的圖片，簡直酷斃了。
+
+## 🚙 造車
+
+大部分自駕車公司會選擇跟現有的車廠買車，然後拖回家爆改，或是像現在在舊金山市區跑的 Waymo 是 Jaguar 為他們客製化的。也有些公司，對於自駕車有不同的想像，那可能就會選擇自己從頭把車子造起來，比方說 [Zoox](https://zoox.com/vehicle)。
+
+---
+
+接下來是核心的自駕車演算法。
+
+用一個人開車來比喻的話，一般駕駛的流程大概是：
+
+1. 駕駛觀察周圍環境
+2. 預測周圍的車、行人、環境接下來的變化
+3. 做出相對反應的操作
+
+自駕車的運作邏輯也差不多，就一個一個按順序介紹：
+
+## 👀 Perception
+
+第一步對應的步驟叫做 <abbr title="感知">Perception</abbr>，車子會透過 <abbr title="光學雷達">Lidar</abbr>、鏡頭、或是其他感測器來偵測周圍的環境。
+
+這些訊號進到系統之後，還要經過一系列的程序，把訊號轉換成有用的資訊，比方說：
+
+- 前面的這個寬 3 公尺的方塊正在向前移動，他可能是台車子，不可撞。
+- 路邊有一塊半透明的不明物體漸漸往路中間移動，可能是塑膠袋，可以嚕過去。
+
+一個著名的路線之爭就是
+
+> 自駕車要不要用 Lidar?
+
+開車經驗稍微豐富的人就會知道，有時候在高速公路上，即便我們正前方的車沒有減速，但我們可能會透過看到更前面的路況，因此預先踩煞車。一般來說，現在的攝影鏡頭能感知到的範圍很有限，一方面受限於鏡頭解析度 (拍攝畫面清不清楚)，另一方面也受限於系統資源 (電腦沒辦法即時處理大量的影像畫面)。Lidar 的訊號則可以輕鬆的收集更遠的環境資訊，準確度也較高，缺點就是裝在車上非常突兀，不符合 Elon Musk 對車子的審美觀。
+
+[Tesla](https://www.tesla.com/support/transitioning-tesla-vision) 主張他們不會採用 Lidar 車子也可以開的好好的，未來能不能跟 Lidar 派平起平坐，還有待觀察。
+
+除了即時偵測環境，有些自駕車公司也會收集某些特定的區域的[高精準度地圖](https://waymo.com/blog/2020/09/the-waymo-driver-handbook-mapping/)，比方說一條路上哪裡有標線、路樹、停車格、消防栓、紅綠燈。預先知道這些物件，可以降低不穩定性、提前決策。但收集這種地圖的資訊也非常耗費時間、人力成本，另外，如果車子開到的這條路今天剛好在施工，跟預期的道路長的不一樣的時候，應該要相信偵測到的訊號，還是懷疑下水道的煙霧阻擋了相機？
+
+## 🧠 Prediction
+
+車子不只要能夠看到右前方有一個人，在做出決策前，還要知道他接下來會不會走到車子前面。換句話說，還要能夠預測每個周圍物件的下一步。
+
+而且預測的範圍是：車子周圍的每一個物件。假設這個行人即將走到車子前面，車子應該煞車，左轉，還是右轉呢？這可能也取決於左右兩邊，甚至後面的車子。
+
+另外，演算法對於預測的結果有多少把握？有沒有可能失準？決策要怎麼跟預測結果配合？都會是很複雜的問題。
+
+對於 L3、L4 的自駕車演算法，有時甚至還得產生多種不同的情境，來應付可能的複雜場景。
+
+## 📢 Decision
+
+現在車子的腦海裡有接下來幾秒可能會發生的事，下一步就是生成對應的決策，比方說要煞車還是轉彎？
+
+這個步驟其實就跟[《超急快遞》中的一個片段](https://youtu.be/UMQwFhYMlqY?si=Dr4yIfF4nI2V7dUL&t=114)非常相似，先產生很多決策，然後從中間選擇一個最合理的來執行。
+
+這一步考慮的不只是安全，也可能會考量乘客的舒適度等其他更複雜，難以想像的因素。比方說，前面突然有障礙物 (所以為了減少「突然」的機率，又會回到是否要採用 Lidar 的問題)，雖然車子覺得煞得住，但可能會對乘客產生強大的後座力，那轉向右邊的空地會不會更好一點?
+
+## 🛞 Motion & Control
+
+現在車子知道要在接下來的 2 秒內從 40km/hr 減速到停止，那煞車要採多少，怎麼踩？踩太用力，乘客不舒服，踩太慢，可能會煞不住。
+
+不同廠牌的車子可能也有不一樣的機械參數，沒辦法用同一套標準來執行，有些車打一圈是轉 90°，有些車得打兩圈。
+
+要怎麼真的踩煞車、打方向盤，硬體、機械控制組件要怎麼配合又是另外一回事了......
+
+最後一個問題，行車電腦當機了怎麼辦？
+
+[^1]: 顯然這是一個重複造輪子的概念（？
+
+---
+
+當你成功解決上述所有的難題之後，一輛自駕車就誕生囉！