隨著物理人工智慧（Physical AI）興起，Quanser 針對學術界「教學與研究」需求，打造了專用的開放式架構機械手臂 QArm 家族： QArm Mini：主打入門教學與高擴充性，支援 Simulink 與 Python，可結合 QBot 平台實現移動操控。QArm：針對大專院校高等機器人課程，結合經典教科書與 Simulink 課程架構，提供數位孿生與完整操控演算法實驗。QArm 研究平台 (2026)：結合 NVIDIA Jetson Orin AGX、Isaac Sim、ROS2 與豐富感測器，專為前沿 Physical AI、模仿學習與觸覺控制等高階研究設計。QArm 家族透過模組化硬體與完整教材，為教育與科研提供彈性且強大的最佳解決方案。

我們早期為NI ELVIS設計的機電整合模組在當時確實是優秀的產品，它透過周全的課程搭配，提供學生感應器與執行器的實務操作經驗。然而，其在平台、軟體與架構上的限制，阻礙了學生進行更深入的探索與延伸應用。 機電整合設計實驗室（MDL）是我們吸收該系列產品15年來的回饋意見、坦誠面對各項優缺點後所凝聚的結晶。它的誕生，旨在貫穿學生整體工程教育歷程，而非僅止於大一的一兩堂實驗課。 若您正在評估機電整合實驗室設備，或正考慮替換已使用十多年的既有平台，我們十分期待與您進一步交流。機電整合設計實驗室的設計初衷，就是成為您最後一次需要從零重建實驗室的終極解決方案。

本研討會將探討如何融入人機互動(HRI)來培養以人為本的新世代工程師。研討會將結合運用QBot平台所規劃的專案導向人機互動(HRI)課程之設計與實施經驗，介紹人機互動(HRI)的跨領域基礎及其在機器人與工程教育中的角色；分享人機互動(HRI)學習體驗的設計、執行與管理方法；探討課程對學生學習的影響，與更廣泛之電機與電腦工程碩士課程的連結；並為有興趣將人機互動(HRI)概念引進自身課程與教學大綱的教育工作者提供實用策略。

在這個AI興起的時代，人人都能運用AI，但如果想將AI引入課程，有哪些應用方式或案例可以參考？為了給老師們提供更多實務靈感，我們工程師今年特別採訪了QUANSER區域銷售經理Vivian，深入了解「北京某大學通識課程」的成功案例。該課程展現了不同系所大學生的跨領域學習歷程——如何將AI與QUANSER數位孿生系統（QLabs-QCAR）結合，成功學習自己過去未曾接觸過的領域。

觀摩世界級賽事解法，運用Quanser虛擬與實體平台加速團隊演算法開發。像FS-AI這樣的競賽，能夠讓學生將課堂所學應用於真實世界的實務場景，極大地豐富其學術歷程。這也是Quanser能夠發揮關鍵作用的地方——透過提供應對自動駕駛競賽、專題與研究課題所需的完整課程範例，填補知識學習、軟體開發與實體驗證之間的鴻溝。我們對學術界的核心貢獻，在於確保這些能帶來競賽優勢的文件與實作活動，都是易於理解與實踐。

在模擬環境中訓練機器人導航是一回事，但要讓相同的策略在真實硬體上穩定運作，往往是大多數專案面臨瓶頸的地方。在這場研討會中，Quanser研發工程師岑梓楠先生(Zinan Cen)將揭開進行中的QBot移動機器人導航專案的面紗，深入介紹縮小從模擬到現實(Sim-to-Real)鴻溝所涉及的方法論、專案中期的發現以及尚未解決的挑戰。

模型預測控制（Model Predictive Control, MPC）發展已久，近年在自動駕駛車輛的車道維持等任務中找到了全新應用。同樣地，MPC 過去主要用於製程控制工業中具備慢動態（slow dynamics）特性的受控對象，現在也可應用於高動態、高響應的運動控制情境，例如倒單擺的平衡控制。本文將展示如何結合 The MathWorks® 的 Model Predictive Control Toolbox™ 與 Simulink®，為 Qube-Servo 3 系統開發 MPC 平衡控制器。

本線上研討會將提出一套非線性分散式編隊控制解決方案。無論是平面載具（輪式移動機器人、水面艇）或空間載具（潛水艇、無人機），均在未經任何簡化的情況下納入載具網路中。透過利用載具模型的級聯結構（cascaded structure），本研究引入一種轉換機制來定義降階誤差動力學，並提出非線性控制律。其成果為：每台載具僅需來自鄰居的相對位置與區域運動資訊，即可透過底層控制器進行控制，完全無需中央協調或全域狀態資訊。

對於AI即將改變機器人應用開發的方式，我們QUANSER經常收到這個問題。以下整理QUANSER執行長Paul Karam在LinkedIn上分享的核心觀點，與您一同探討物理AI(Physical AI)與工程教育的未來

本文探討大學走向整合教育、研究與創業的「第三代大學」趨勢。加拿大渥太華大學的 Burak Kantarci 博士，在科技樞紐北卡納塔建立「智慧聯網車輛創新中心 (SCVIC)」，旨在彌合學術與產業鴻溝。中心採用 Quanser 生態系為核心，透過配備數位孿生與開放式架構的無人車 (QCar) 及無人機實驗室，作為串聯人工智慧、網路安全、電信與機器人等多元學科的通用測試平台。此即裝即用的高適應性系統，提供低風險且受控的環境，能有效加速技術成熟度 (TRL) 的驗證與原型製作。SCVIC 成立三年內已成功爭取多項競爭性補助經費，並促成實習、創新研究與新創公司湧現。Quanser 亦推出運算力提升 200 倍以上的 QCar2，持續提供跨領域的 AI 驅動研究與產學合作方案。

全球對AI與自主化人才的需求正以驚人的速度超越供給，全球企業皆指出AI技術是目前最難招募的核心能力。人才缺口不僅僅是數字，它更代表了創新、基礎建設與國家競爭力的關鍵瓶頸。透過與SMU Lyle等具備前瞻思維的機構合作，Quanser正在透過提供具備擴充性、現代化且深具實作價值的工程教育體驗，協助填補這一卓越人才鴻溝。

物理AI正走出概念階段，邁入更具實作性、系統層級的階段。焦點正從模型能「呈現」什麼，轉移到系統能「可靠地做到」什麼。Quanser 推出一款專為此類工作設計的全新研究等級平台QArm研究平台。它旨在支援完整的物理AI流程，從示範、數據收集，到物理硬體上的策略執行與驗證。

當AI結合發展多年的機器人技術並邁入實體世界（Physical AI），這對工業界與學術界而言，正是一項蓄勢待發且極具潛力的熱門主題。 在本次線上研討會中，Quanser首席機器人長Paul Karam親自分享了兩大全新解決方案——「物理AI實驗室(Physical AI Lab)」與「智慧自動化實驗室(Intelligent Automation Lab)」，期盼能協助您加速並持續推進現有的研究與教學成果。

選擇研究平台是一項影響深遠的投資，但在技術迅速更迭的自主系統與機器人領域，研究趨勢常因「不可重複性」與「資訊碎片化」而難以信任。各實驗室因硬體、韌體與銜接程式碼的差異，導致研究結果難以相互比較與延續。為解決此困境，Quanser 打造了「研究驗證網路」，每年有超過 250 個團隊在此標準化且符合研究需求的硬體平台上發表成果，讓全球實驗室能高效、精準地進行跨平台比較、學習與延續發展，擺脫碎片化帶來的決策不確定性。

隨著實體人工智慧（Physical AI）與智慧機器人在產業與學術界的蓬勃發展，Quanser開發了兩款強大的全新解決方案，協助您保持領先地位。在本次線上研討會中，Quanser首席機器人官Paul Karam將介紹「實體人工智慧實驗室（Physical AI Lab）」——這是一個圍繞QArm Research機械手臂與HD2所建構的即用型（turnkey）研究環境，專為端到端（end-to-end）學習工作流程而設計