2025 IEEE International Conference on Automation Science and Engineering（CASE）國際研討會活動剪影與分享

✎【國立臺灣大學資訊管理學系教授】 李家岩 教授 |   2025-09-10

       本次大會議程，除了相關技術場次的平行發表，包含4場Keynotes、7場Workshops、2場Panel Discussion、最佳會議論文競賽、最佳學生論文競賽、最佳應用論文競賽、年輕學者獎競賽、最佳醫療保健自動化論文競賽、學生黑客松（Hackathon）競賽、企業參訪GrayMatter Robotics等，會議議程豐富多元且緊湊，以下簡單條列Keynotes與Workshops的相關主題。

■ 4 Keynotes：

• • Quality Feedback Control: Concepts, Methodologies, and Examples （Professor Jianjun Shi）

  • Advances in Autonomy for Robotic Exploration of Mars（Research Scientist Larry Matthies）

  • Latent Low-Dimensional Predictor Analytics for Engineering Applications（Professor S. Joe Qin）

  • Control Techniques for Safe, Ergonomic, and Efficient Human-Robot Collaboration in the Digital Industry（Professor Mariagrazia Dotoli）

■ 7 Workshops：

• • Embodied AI for Robot-Powered Manufacturing Systems

  • Robust Machine Intelligence for Factory Automation

  • The More the Better: Multimodal Perception for Safer Autonomous Navigation

  • Generative Physical AI for Robotics

  • The Future of Work in the Age of Robotics and AI

  • Data-Driven Modelling and Control for Maritime Robotics

  • Ethical Considerations in Robotics and Automation

       此次會議發表論文超過750篇、涵蓋46國家，台灣參與會議發表數量排名第七（僅次於美國、中國、德國、南韓、義大利、日本）。成功大學智慧製造研究中心前主任鄭芳田講座教授、臺北科技大學管理學院院長暨工業工程學會理事長范書愷教授，偕同臺灣大學管理學院副院長李家岩教授與國內外學者，以「Emerging Data Science in Manufacturing: Autonomous and Software-Defined Factory」為題，共同組織兩場Special Sessions進行相關研究發表。其主題包含強化學習於半導體製造先進製程控制（advanced process control）、數位孿生（digital twin）、缺陷偵測（defect detection）、資訊檢索（information retrieval）、檢索增強生成（retrieval-augmented generation）、生產排程（production scheduling）、可解釋的物理資訊神經網絡（interpretable physics-informed neural network）、區塊鏈去中心化碳交易框架（blockchain-enabled decentralized carbon trading framework）等，場次吸引了大量的聽眾交流與學習，成果豐碩。

       以Keynote為例摘要，美國喬治亞理工學院（Georgia Institute of Technology）Carolyn J. Stewart講座教授Jianjun Shi，發表《品質回饋控制：概念、方法論與應用》的主題演講，介紹「製程內品質改善（In-Process Quality Improvement，IPQI）」框架。IPQI 結合了以工程為導向的數據融合技術，以增強製程監控、根本原因分析，以及製造中的回饋與前饋控制。IPQI方法的核心是善用整個產品及其製造過程生命週期中所蒐集的各類數據，運用先進的統計與機器學習演算法融合多樣化的數據流，進而實現即時、基於數據的決策。除此之外，該框架亦結合了最佳化技術與控制理論，提升了系統的穩定性與產品品質的一致性。傳統的機械自動化主要著重於透過調整系統輸入來控制機器參數，例如位置、速度、溫度、力或扭矩，藉此達成預設目標。這類系統大多基於傳統控制理論，需要事先設定最佳化參數以產出高品質產品。然而，這些傳統方法無法充分運用產品製程中的即時品質量測資訊，來進行回饋與控制。IPQI 將即時品質數據整合進控制迴路，透過回饋或前饋控制動態調整機器設定，確保生產過程與工程設計規格保持一致。這種「外迴路（outer loop）」機制形成了一個閉迴路系統，使品質量測資訊能夠直接調控設備參數，以達到即時品質改善。

       總結而言，IEEE CASE2025是一場高品質的國際會議，聚焦於由人工智慧技術驅動的機器人與自動化未來發展。本年度的會議主題「安全且可信賴的自動化（Secured and Trustworthy Automation）」更指出自動化系統當前的挑戰：系統設計不完善、數據蒐集存在缺陷、機器學習與控制策略中存在的偏差，這些都可能造成系統上線後面臨的脆弱性與不確定性，需進一步的研究來確保系統在實際應用中可靠、安全且公正。舉例而言，過去機器人與自動化的研究，使作業效率快速提升，且安全性已具備初步的研究基礎，此時，人體工學（ergonomics）將成為未來人機協作（human-robot collaboration，HRC）研究的重要新方向。我們相信，人工智慧與資料科學技術的大量應用，在提升人類福祉與社會效益的同時，也帶來了一系列方法論層面的挑戰，包括資料品質的可靠性、建模假設的合理性、演算法的可解釋性、以及適用條件的明確界定等相關問題。IEEE CASE2025提供了一個國際化的產官學研交流平台，讓來自世界各地的研究者能夠深入探討、辯論與交換觀點。對於希望從事數學建模、工業工程、機器人與自動化應用的研究人員、專家學者與研究生而言，這是一個非常寶貴的學習與發展機會。

 參考文獻

Shi, J. (2023). In-process quality improvement: concepts, methodologies, and applications. IISE Transactions, 55:1, 2-21.