AI時代－透視地層與影像辨識

●技術簡介：

為了能調查地面下地層中可能存在的不明構造、障礙物、坑洞、管線或汙染等，傳統方法需要透過鑽探或開挖，耗時耗工。藉由地球物理方法，可以快速部署現場調查工作，從地表可以進行大範圍地毯式掃描，如同透視地層。

然而大量的資料以物理訊號顯示，如何迅速轉換成可用的資訊，需要經由機器學習後，以專家智慧與經驗訓練人工智慧模型，進行資料的判釋，標定不同狀況的位置與分布範圍。

在空間資訊與防災需求日益提升的時代，這項技術的使用亦大量提升。

♦不明陷落(天坑)、管線、古蹟調查→地球物理探測
♦大量、迅速部署與判釋→ML(Machine Learning) + AI

●技術團隊：營建系暨大地防災與軌道技術研究中心-郭治平 副教授（撰稿人）、工程科技研究所博士班學生-RAIHAN VALENTINO JAYA SAPUTRA賈瑞漢、廖至銘、營建所碩士生-SILAS SURYA SUMIRAT西拉斯
●相關產業：營建業、顧問公司、建設公司、檢測公司、監測公司、保險業

►(圖一)工地陷落探測

►(圖二)軌道陷落探測

►(圖三)探測儀波

AI時代－晶片封裝佈線的自動化與最佳化

●技術簡介：

在現代高密度電路設計中，跳脫佈線（Escape Routing）是將晶片封裝內部訊號腳位導出至外部佈線區的關鍵步驟。實驗室針對不同封裝結構下的跳脫佈線策略，聚焦在網格針腳陣列（Grid Array）與交錯針腳陣列（Staggered Array）的差異與挑戰。

在網格針腳陣列的 BGA（Ball Grid Array）封裝中，針腳以規則矩陣排列，若內層腳位缺乏良好的跳脫設計，訊號將無法順利導出。而在交錯針腳陣列的 CSP（Chip Scale Package）封裝中，針腳交錯排列使可用佈線通道減少，容易造成路徑擁擠與交叉，因此更需要精確的順序與方向規劃以確保佈線成功率。並且隨著高速介面的普及，如 PCIe、DDR 與 USB 等應用中常見的差動對（Differential Pair）設計，跳脫佈線必須維持等距、等長與對稱，確保訊號同步與抗雜訊能力。這些限制讓跳脫佈線成為結合訊號完整性與設計效率的綜合性挑戰。

在技術面加入強化學習（Reinforcement Learning, RL）方法，以模擬人類工程師在佈線時的決策過程。透過將跳脫佈線建模成序列決策問題，代理人（Agent）能根據環境狀態（例如通道密度、阻塞情況、佈線方向）選擇下一步的佈線動作，並以成功導出訊號或避免交叉作為獎勵（Reward）訊號。藉由不斷的試錯與學習，系統能自動找出最有效率的佈線策略，減少人工規劃的時間與錯誤率。讓跳脫佈線設計邁向自動化與智慧化，也是我們實驗室結合電子設計自動化（EDA）與人工智慧（AI）的重要研究方向。

●技術團隊：資工系-鄭敦維 助理教授（撰稿人）、資工系研究生-張鈞凱、何冠緯、何承宇
●相關產業：
IC設計公司（台積電、聯發科、NVIDIA、Intel）
    ●這些公司需要能理解封裝結構與訊號完整性的人，來協助晶片與封裝設計（Chip-Package Co-design），來確保高速訊號（如DDR、PCIe）能穩定傳輸。
PCB與EDA軟體公司（Cadence、Synopsys、Mentor、Altium）
    ●他們開發的設計軟體（如Allegro、Xpedition）需要演算法工程師與佈線專業的人，設計更聰明的自動佈線（Auto-routing）或AI最佳化功能。
群瞻科技股份有限公司（PCB Layout與高階佈線設計）
    ●提供 PCB Layout、PCB 製造、SMT 加工，並標榜熟悉「高速／繪圖卡／工業電腦／AI／高速網路」應用。
安仲科技股份有限公司（AnaGlobe Technology, Inc.）
    ●提供積體電路設計、製造、測試流程中的佈局工具開發。

►圖中為同學在課堂上討論 PCB 佈線與跳脫設計的過程。我們透過實際封裝案例，了解不同針腳排列對佈線路徑的影響，並思考如何透過更有效率的佈線策略來提升訊號導出成功率。

►圖中為實驗室同學討論封裝內跳脫佈線策略的情形，交流在不同封裝結構下（如 BGA 與 CSP）可能面臨的佈線瓶頸與解法。我們也延伸探討如何結合自動化與強化學習技術，以模擬工程師的決策過程並最佳化佈線結果。

AI時代技術－強化學習應用於AMR視覺對接控制

●技術簡介：

近年來，人工智慧（AI）的進步已成為機器學習領域的重要研究方向。將AI與機器人作業系統（ROS）結合使用，使移動機器人能夠自主學習和移動。。本研究採用深度Q網路（DQN）結合濾波技術，對AprilTag的影像、路徑和避障行為進行訓練與獎勵。訓練在Gazebo模擬環境中進行，採集的資料在實際移動機器人上進行驗證。 DQN網路建構自主學習架構；AprilTag 提供相對座標轉換資訊。透過DQN強化學習控制所建構神經網路能夠賦予移動機器人習得自主避障導引對位的功能。

●技術團隊：電機系-賴俊吉 助理教授 (撰稿人)、電機系研究生-王順億 、張智勝、柯廷儒
●相關產業：
一、製造與智慧工廠（Smart Manufacturing）
機械手臂控制：強化學習讓手臂能自動學習抓取、組裝動作。
參數調校：CNC、射出機、封裝線等生產參數自動最佳化。
智慧排程：根據即時產線狀況動態調整工序與物料分配。
二、自動駕駛與智慧交通（Autonomous Driving & Smart Mobility）
車輛自動駕駛策略：如變道、避障、車距維持。
交通信號控制：根據即時車流調整紅綠燈週期以減少壅塞。
無人機／自駕搬運車：自主路徑規劃與動態避障。

 ►(圖一)GAZEBO 環境模擬訓練

 ►(圖二)實際機器人應用測試