電腦科學與資訊工程

無人機在進行定位時，多半是依靠內建GPS晶片與內建慣性測量單元(Inertial Measurement Unit, IMU)進行定位，然而高精度的IMU及GPS晶片受限於高成本無法在一般無人機上運行；此外，各種定位系統均有其適用範圍，若無人機運行於定位系統之適用環境外，其定位精確度會下降，進而導致無人機飛行時會與預期路線產生誤差。 在本研究中，我利用Webots模擬軟體進行無人機模擬，藉由無人機鏡頭所拍攝的連續兩幀圖片差異，產生差異與角度及距離間的關係資料集，並利用此資料集來訓練深度神經網路，將產生模型用以模型迴歸出連續圖片間的旋轉角度偏移量，以此偏移量輔助無人機進行飛行校正。 經過多次實驗與修改，我比較了幾種不同的資料處理與分類方法，找出當中最佳結果的機器學習模型後，將此模型套入模擬環境中輔助無人機飛行，使無人機飛行於複雜環境時，成功提升飛行準確度。

因為我們一開始對電腦程式語言有濃厚的興趣，所以去學習了python程式語言，後來發現到世界三大益智的華容道遊戲，似乎可以加以運用，又從文獻中發現了人工智慧之重要性和增強學習的各類法則。剛好於國中時期寫出了讓電腦產生並解決3*3數字華容道之程式。但發現4*4的遊戲竟有20兆種組合，該無法用3*3之程式思維。後來用了增強學習的Q-Learning技術，不僅完成任務，而且還可以發展出人與電腦的比賽，造成轟動、受到小朋友的喜愛~最後我們還希望自己能設計出不同的華容道加以測試，並研究深度增強學習（DRL）的原理與應用，來解決更高階的遊戲，達到增進人工智慧學習的發展。

自駕車的相關研發日益受到重視，尤其在複雜的交通運輸中提供更安全、更有效的防護是自駕車的發展重點之一。本次研究主要探究不同距離感測器與不同PID自動控制組合，針對靜物與移動障礙物進行煞車成效分析。研究結果顯示不同的距離感測器的精準度與穩定性不同，在固定障礙物狀態下雷射距離感測器因為精準度和穩定度較高，而超音波較容易受到外界干擾，所以比較不精準。由於超音波距離感測器的偵測範圍廣，所以可以事先偵測到移動障礙物，反而提供自動控制較多的反應時間，在加速度的表現上較為穩定．自動控制表現上P控制的情況下機器人常常卡在最後一點點的距離，不過超音波感測器因為會有點誤差，所以反而會比雷射感測器快停下來；PI控制因為可以消除穩態誤差，所以時間消耗都是最短的；PD控制原本的功用應該是快速修正，由於D控制的增益常數（gain）過大，影響D控制作用，因此PD控制的效果沒有特別突出的部分。

我們想利用機器學習進行疾病診斷，但現有方法對罕見疾病的預測精確率低，且若過於專注在罕見疾病預測的提升，容易導致整體精確率降低。 為了兼顧整體與罕見疾病的精確率，我們將預測分為兩個階段。在第一階段運用現有的多標籤分類方法訓練，第二階段使用二元成本導向判斷病人是否有罕見疾病，再利用第二階段得到病人有無患有罕見疾病的結果，決定是否在預測此病人可能患有的疾病時，保留一個位子給罕見疾病。實驗結果呈現在兩階段皆用神經網路（Neural Network, NN），能正確預測罕見疾病的比率為現有方法的八倍，而整體精確率只下降 0.02，並實作出疾病預測系統。

本研究旨在解決先前研究未解決的問題。而在本研究中對於對稱規則及非對稱規則的梅花棋遊戲，各提出兩大人工智慧演算法。分別是Minimax及Monte Carlo Tree Search。而在這之中，Minimax又被分為探索深度一層、兩層及三層、MCTS則是以模擬次數分為100、300、500、…、1900多個版本。而以目前的成果來說，我們認為其勝率並不理想。而主要的原因還是要歸咎於目前所有演算法的結果過於隨機化，而即使我們對於UCB公式進行優化，雖然勝率有所提升但仍然不符合我們的期待。為了解決上述問題，我們希望從根本解決運行效率過低的問題，而最顯而易見的方法就是在遊戲運作前先將人工智慧訓練完畢，也就是在遊戲開始時直接給予一套策略，令電腦無須再做額外的遊戲模擬。綜上所述，我們開始實作Tuple-Network、TD Learning及AlphaZero的相關架構，但礙於時間關係，模型尚未被訓練。

本研究延續先前自己所做的研究進行延伸。首先研究者嘗試利用Python、MediaPipe、OpenCV進行手部辨識，判斷使用者是否用正確的手指按壓鍵盤，逐次開發打字系統提升精進指法的練習平台；在過程中研究者觀察到多數人打字習慣都不一樣，所以嘗試將打字習慣運用機器學習形成密碼，讓其他人就算知道密碼也無法輕易解密，因為他們並沒有使用者的打字習慣。並提出三項研究目的，分別為增加機器學習模型Random Forest並觀察準確率，提出最短密碼之研究方法及忘記密碼系統之研究方法，並提出關於電腦前後端問題的解決方法。目前研究已能夠判斷使用者是否用正確的手指按壓按鍵。未來預計解決打字到拍攝的時間差回推影像等問題，並將蒐集更多數據觀察觀察模型結果，找尋一種最佳的密碼模型。未來也會將此打字系統架設到網站上，並且蒐集使用者的人機體驗感想回饋，進而更為精進完善本系統。

鐵路時刻表排點直到目前為止仍十分仰賴人工作業，且排班優劣對於乘客服務品質有顯著的影響。本研究採用啟發式最佳化演算法以及模擬器進行旅客列車鐵路時刻表排點，希望能夠找出一份針對旅客需求，能夠提升旅客運輸成功率且降低旅途時間的時刻表。我們提出一種班表編碼機制，可依此機制產生班表草稿。我們研發的模擬器可將班表草稿轉換為合法無衝突之班表。最後，透過登山演算法來搜尋班表草稿，並以模擬器評估班表優劣，我們實現了一個自動化排班系統。實驗結果指出我們的模擬器能夠有效率地產生無衝突之班表，且所提出之演算法操作有助於提升運輸成功率和降低旅途時間。

雲彩是其中一個在世界上最奇妙的自然現象。在其中也隱藏著巨大的觀光經濟利益。因此，我們想要建立一個系統以預測晚霞雲彩出現的時間，以幫助台灣的觀光業。 本研究將藉由柯西公式、折射反射相關定理以及其他由論文貢獻的輔助公式提出一個計算模型，以計算預測晚霞雲彩出現的時間以及光的路徑。自動化的部分，包含溫度、壓力以及濕度，我們藉由政府的公開資料平台以及衛星公開資料進行靜態網頁爬蟲抓取。雲層高度我們則是透過動態網頁爬蟲，逐一從AccuWeather公開網站上爬取相關資料以利計算。我們將爬取的資料以及所提出的模型計算後以15分鐘作爲一個區隔，提供使用者準確的時間觀賞雲彩。 透過此模型以及爬蟲擷取資料計算得到的結果，我們可以得到接近90%準確率的預測結果。因此，我們能夠準確地為用戶提供正確日落雲彩出現的時間。

本研究主要為進行安全帽改造，昔日我們常見關於汽車的盲區偵測、內輪差等先進技術皆建置於汽車上面，但實際在行車上造成災害發生的主角大部分為機車，我們閱讀相關文獻發現目前並無機車有相關技術，再者我們希望此技術可以讓騎乘機車、電動機車、電動腳踏車、腳踏車等對象皆可使用，因此我們於安全帽上裝設鏡頭及雷達感測器，透過鏡頭進行車輛物件識別，以識別車輛類型及輪距，進而以公式繪製內輪差曲線與進行盲區車輛偵測；透過雷達計算車側距離以判斷車輛是否會太靠近汽車或是落入汽車之內輪差範圍內，將以上偵測結果透過抬頭顯示方式直接投影在安全帽的面罩上，如此一來將可讓機車及腳踏車族在行車上更具安全性。

In this project, we created a function integrated onto a Lingao Chassis that allows the robot to use Slam and Gmapping to successfully navigate its way to the most convenient destination for the user, while avoiding any obstacles on the way, improving the default Gmapping errors.