AI時代－空間設計生成平台

●技術簡介：

本項目提出了一套名為「GenDesign Studio」的創新設計工作流，透過整合大型語言模型（LLM）與擴散模型（Diffusion Models），旨在彌合抽象設計概念與具體技術實踐之間的鴻溝。 平台的核心優勢在於能夠理解多模態輸入，將設計師提供的參考圖像與文字提示（例如：「Zaha Hadid style corner mixed-used architecture」）進行語意對齊。在工作流的第一階段，系統利用 LLM CLIP Interrogator 解析輸入圖像的視覺特徵，並透過 LLM Prompt Generator 優化提示詞，精準引導 Diffusion Model 生成高品質的二維建築視覺預覽。此階段設有回饋機制（Feedback Loop），設計師可透過「Visual Confirmation」介面反覆迭代，直至生成滿意的方案，確保設計意圖的準確傳達。 一旦視覺方案確認，系統即進入關鍵的「三維模擬（3D Simulation）」階段。透過整合 Rhinoceros 3D Modelling 與 Shapenet 生成技術，平台能自動將二維圖像轉譯為具備幾何深度的三維模型。在此過程中，系統會自動執行嚴格的技術檢核，包括幾何形態（Geometry）、材料屬性（Materials）、光影分析（Lighting）以及物理模擬（Physics Check），確保生成的模型不僅具備視覺美感，更符合物理真實性。 最終，GenDesign Studio 能自動產出完整的「技術設計套圖（Technical Design Package）」。如截圖所示，輸出內容涵蓋了渲染主圖（Master View）、展示空間結構的爆炸軸測圖（Exploded Axon）、標準的正投影圖組（Orthographic Set），以及詳細的剖面透視圖（Section Cut）。這套流程大幅縮短了從概念草圖到技術圖紙的轉換時間，讓空間設計能夠迅速進行生成、模擬與修改，極大化地提升了方案發展的效率與設計創意的展現。

●技術團隊：建築與室內設計系 李京翰助理教授（撰稿人）
●相關產業：建築設計、建築渲染、室內設計、室內裝修產業

AI時代－臺灣歷史人文梳理的AI小幫手

●技術簡介：

臺灣數位人文蓬勃發展，已然成為文化保存、推廣與研究的新興媒介，大量的文獻史料可以透過數位典藏而轉換成電子文本，進而透過詞彙標記而展開各種系統性地分類與分析，從而進行各種文本加值應用。近來， AI技術興起，經由大量的文獻史料、圖像、語音等資料的匯入，進而設定AI角色，透過精準的Prompt指令，人文推廣與研究可以進一步導入AI技術來分析文本、圖像與語音等資料，諸如生成史料文獻的數位典藏表格或圖文語音的科普知識系統，有效地進行大量的資料處理與分析，快速而精準地生成具有價值的智慧成果，從而創造出各種文化加值與創新研發。

●技術團隊：漢學應用研究所  謝瑞隆副教授（撰稿人）
●相關產業：學術研究、數位內容產業、出版產業、視覺傳達設計產業等

►頒獎合影

►徵選海報總覽zz_工作區域

►四湖照片展

AI時代技術－自動掃落葉機器人

●技術簡介：

近本研究開發之自主式掃落葉機器人整合環境感知、自主導航與智慧清掃三大核心功能，目標實現於戶外環境的高效率、低人力化清掃作業。系統以 ROS2 為主架構，搭配 3D LiDAR 執行環境建模、定位導航與動態障礙物偵測，使機器人能在校園、公園與停車場等半結構化場域中，進行自適應路徑規劃與穩定移動。以自適應穩定性控制與路徑平滑化演算法，系統可即時修正運動偏差並提升地形適應性，使機器人在斜坡、碎石地面或濕滑環境中仍能保持穩定工作。

在機電整合構面，機器人採模組化鋁擠結構結合高乘載驅控系統與平衡輔助機構設計，提升不平整地面的運動穩定性與驅動效率。前端雙旋掃刷與吸塵模組負責落葉聚集與吸取，中段整合負壓管道與集葉桶，使落葉可自動收集並集中儲存。電控系統搭載高容量鋰電池組、與嵌入式控制器，支援即時多重感知資訊融合、運動控制與系統狀態監測，可確保長時間作業的安全性與可靠度。

本系統已完成核心功能雛形，展現高精度感知、智慧控制與戶外清掃機構的整合能力。然而，目前仍處於原型階段，未來將朝向商品化推進，擬持續提升機體的耐候性與防水防塵等戶外規格、優化清掃模組以提高效能，並設計強化長時段作業的能源管理以及可靠性測試流程。同時，穩定性設計亦將持續深化，例如改良懸吊與底盤結構、提升地形自適應控制策略，以及進行多場域長期穩定性驗證。透過上述強化，本自主式掃落葉機器人將逐步從研究型原型邁向可量產、可維運、可商用的智慧清掃設備，為校園、公園及公共空間帶來更高效率、低人力與可持續的智慧環境維運解決方案。

●技術團隊：林家仁 老師 (撰稿人)、賴俊吉老師 、電機碩班-許凱威、劉宸維、張善鈞
●相關產業：自動化系統、自動化與機器人需求端、政府公部門單位、停車場管理業者、樓宇物業管理業者、清潔公司、集團總務部門

 ►(圖一)研發成果展

 ►(圖二)電機系統研發同學-張善鈞、許凱威、劉宸維

 ►(圖三)校園停車場作業

 ►(圖四)互動式人機介面

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