LATEST NEWS

專案經理 ： 張壹翔 是否同意遠距 ：是 本研究計畫旨在簡化現行結構設計中極為繁瑣的圖面轉換與建模流程。目前工程師在取得建築圖（CAD 或 PDF）後，往往需將花費大量工時，將這些 2D 圖資，一樓一樓手動輸入至 ETABS 等結構分析軟體中建構 3D 模型，整個轉換過程通常需耗費三至四週。為解決這種勞力密集且重複性高的作業麻煩，本計畫利用 AI 技術作為核心，自動化識別 CAD 向量圖層、工程圖說或自然語言指令，透過大語言模型（LLM）理解設計意圖。將原本麻煩的模型建置工作轉化為「秒級」產出的自動化管線，直接生成合理且可供後續分析的結構模型。

專案經理 ： 張芸翠 是否同意遠距 ：是 本專案旨在解決臺灣都市更新與淨零轉型的核心課題 。實習內容將運用 電腦視覺 (Computer Vision) 技術，自動化辨識 Google 街景、建築照片及歷史建築圖面，藉此分析臺灣不同年代（如 1970s、1990s、2010s）住宅的結構尺寸（如梁柱規格）、室內空間組成與材料構法 。這些辨識出的數據將用於：建置住宅原型 (Archetype)： 定義具代表性的參數化模型，作為能耗與結構模擬的基準 。演進分析： 梳理建築法規與工法隨時間的更迭，評估老舊住宅結構補強與能源改造的可行性 。材料存量 (Material Stock) 盤點： 推估都市住宅群體的材料流與碳排放表現，支援 2025-2050 年南港區住宅群體轉型的動態路徑模擬 。透過數位化工具，實習生將協助建立「材料護照」基礎數據，將建築細部資訊轉化為都市尺度的永續轉型策略 。

專案經理 ： 張芸翠 是否同意遠距 ：是 這項「永續校園智慧決策」專案，旨在透過先進的數位技術優化校園建築的能源管理與空間利用效率。專案核心目標在於深度整合BIM（建築資訊模型）與GIS（地理資訊系統），利用 ArcGIS Indoors 平台對校園建物內部空間進行細緻的類別整理，並建置精確的3D室內地圖與視覺化介面。 專案將重點放在串接各類感測器產生的人流資料（包含影像分析或其他偵測方式）。透過大數據分析技術，結合空間幾何與屬性資訊，專案將建置基於空間組成的建物能源基準（BERS）。最終產出為在 ArcGIS Indoor View 上的智慧決策儀表板，能動態呈現人流變換對能源基準的影響，為校園管理單位提供直觀、科學化的決策支持，以實現精準的空間能耗管控與校園永續發展。

專案經理 ： 林暉祐 是否同意遠距 ：是 施工產業規模龐大，但長期面臨生產力提升有限、流程破碎與自動化導入成本高等問題，使機器人與自動化在現場部署仍有很高門檻。RoBIM 正在開發 HIVE 平台，目標是把建築設計意圖、機器人製造能力與施工領域知識整合成端到端的解決方案。其中，雲端模擬器是核心軟體元件，用來降低施工人員與工程師的機器人程式設計門檻，支援虛擬場景建置、動作規劃、流程驗證與輸出生成，進一步加速實際部署與迭代。 本實習專注於雲端施工機器人模擬平台的持續開發、模組擴充與整合驗證。內容包含既有介面與流程的功能強化與穩定性改善（例如 Scene Editor 與 Motion Planner），並發展可重用的動作模組（Motion Configurator 或 motion macros）以降低重複工作。同時也會強化與 BIM 及建築設計資料的互通流程，擴充硬體模組與多模組配置支援，並透過教育與產業情境的用例測試推進產品朝 beta readiness 前進。部分 AI 相關功能可能以原型形式探索，用於在可控假設下減少使用者建立動作的成本。

專案經理 ： 吳宗翰 是否同意遠距 ：是 在大型設施巡檢、災害應變或特殊狀況處理等情境中，往往需要結合遠端專家判斷與多台機器人或感測設備協同作業，以提升決策效率與現場應變能力。然而現有系統多著重於單一任務控制或感測資訊回傳，缺乏能將專家語意判斷轉化為系統可理解與調度之結構化機制。 本實習將探討語意驅動的遠端專家協作架構，研究如何建立「現場語意 AI 指揮層」，使專家所提供的語言描述與判斷能轉化為可供系統理解與執行的結構化語意資訊。研究內容包含專家語意推理結構化模型建構、LLM 輔助語意解析，以及於模擬環境中驗證語意 AI 指揮層在非例行情境下的應用可行性。透過此研究，學生將參與語意推理模型設計、LLM 應用與多機器人協作模擬驗證等研究工作，理解 AI 在複雜場域決策支援中的角色。

專案經理 ： 吳俊良 是否同意遠距 ：否 本專題旨在利用圖神經網路（Graph Neural Networks, GNN）分析氣象站網絡中的時空資料，以探索與辨識不同的大氣狀態與天氣型態。傳統氣象分析多以單站或格點資料進行研究，較難完整描述各測站之間的空間關聯。本研究將氣象站視為圖結構中的節點，並依據地理距離或相關性建立邊，進而建構氣象站網絡。透過整合多變量氣象資料與時間序列特徵，利用 GNN 模型學習氣象場的時空特徵，進行大氣型態分類與分析。此專題結合氣象資料處理、機器學習與圖結構建模，期望提升對區域天氣系統與大氣變化的理解，並培養學生在資料分析與人工智慧應用上的能力。

專案經理 ： 李碩宸、丁俊瑋 是否同意遠距 ：否 隨著資料科學與數位技術的發展，資料驅動的研究模式已逐漸成為各領域的重要基礎。許多研究議題不再侷限於單一學科，而是需要整合不同領域的資料與方法進行分析，例如環境監測、能源系統、城市發展與公共治理等問題，往往同時涉及多種類型的觀測資料與分析資料。然而，不同領域所產生的資料在資料型態、資料格式與資料結構上往往存在顯著差異，其時間尺度、空間解析度與資料品質亦不盡相同，且原始資料在實際應用前常需經過清理、轉換與整理等處理程序，使得資料整合本身即成為跨領域研究中的重要挑戰。 本專案即在此背景下，著重於建立一致且系統化的資料處理流程，以因應多來源資料在整合與管理上的需求。透過發展標準化的資料整理與處理方法，使不同型態與來源的資料能夠以較一致的方式進行管理與存取，進而降低資料整合所帶來的技術門檻。此類資料處理架構不僅有助於提升資料管理與分析效率，也能使研究人員在面對大量異質資料時，能更有效地進行後續的分析與應用，為跨領域研究提供穩定且可持續的資料基礎。

This seminar introduces the participants to mechanistic computational intelligence tools that can combine training/learning, calibrating,...