top of page
搜尋

加拿大皇后大學：我為什麼再次選擇Quanser，打造全新的自主機器人實驗室

  • 錫昌科教
  • 6月20日
  • 讀畢需時 5 分鐘

已更新：8月4日

加拿大皇后大學：我為什麼再次選擇Quanser，打造全新的自主機器人實驗室

地點：加拿大皇后大學 (Queen's University)

作者：Morteza Mohammadi（QUANSER 產品行銷工程師）


Sidney Givigi 教授，在學術、研究歷程與 Quanser 的創新技術息息相關。在加拿大卡爾頓大學 (Carleton University) 攻讀博士期間，是他第一次使用 Quanser 旋轉倒單擺來進行控制系統教學。進入皇家軍事學院 (Royal Military College) 任職後，他將研究重心延伸至機器人領域；使用如 QUANSER 6自由度機器人平台(Hexapod) 與四旋翼無人機 (QBall) 進行複雜機器人系統與多智能體通訊實驗。


如今，他身為加拿大皇后大學電腦科學學院的教授，帶領皇后大學自主機器人研究團隊(QUARRG Lab)，致力突破自主系統與應用AI的界線。將 Quanser 自動駕駛汽車工作室 (SDCS)與多自主載具研究工作室 (AVRS)，融入其先進的實驗室，持續推動產業級創新研究。

近 20 年的歷程中，Quanser 的設備始終伴隨他的實驗室，從控制系統到機器人，再到如今的尖端 AI 研究的過程。Quanser 以學術需求為中心，使著我們能夠讓研究團隊緊跟科技潮流，順利獲得資助，並建立產學合作的夥伴關係。


接著，讓我們一起更深入了解教授的經歷。


面臨挑戰


對於 AI、機器學習（尤其強化學習與深度學習）、無人車與機器人技術的研究人員來說，需要適用於產業級研究的強大、多功能且開放平台十分重要。面對廣泛的研究項目與合作夥伴關係，平台需要能夠與實驗室中的各種硬體整合，來迎接新的工程挑戰。像是與多種開發環境相容 (如 Python 與 Simulink)、支援 ROS nodes，並具備足以執行 AI 應用的高效能運算能力。


Givigi 教授補充：「具有相關介面的實驗室解決方案使研究團隊能夠專注於推進其核心研究目標，而無需承擔開發底層軟體和硬體技術的負擔。」


“Lab solutions with relevant interfaces allow the research team to concentrate on advancing their core research objectives without the burdens of developing underlying software and hardware technologies.”


解決方法


在自主系統與機器人領域中，「集中式運算」（如雲端運算）與「分散式運算」（邊緣運算）各有優勢，兩種方式尚未完全佔據主導地位，而 NVIDIA 預測混合模式將成為趨勢。集中式運算可用低成本裝置搭配中央電腦處理，提供比較經濟的選擇，但即時效能、可靠通訊與延遲風險較高；分散式運算則仰賴高效能、具大量運算能力的本地裝置。

根據此需求 Quanser 採用混合式架構，推出自動駕駛汽車工作室(SDCS) 與多自主載具研究工作室(AVRS)。這些解決方案整合了智慧、高性能代理，能夠與集中式可擴展地面站通信，為研究人員提供了一種適用於廣泛應用的混合模型。此外，為了充分利用低成本、可擴展解決方案的優勢（這些解決方案通常開源且計算能力較低），Quanser 的通訊 API 和軟體無關平台能夠與各種實驗室解決方案無縫集成，滿足多樣化的研究需求。



全方位覆蓋自主系統與 AI 應用


Givigi 教授的實驗室建置如下：


自主系統和應用人工智慧的完整測試平台
自主系統和應用人工智慧的完整測試平台

  • 經濟實惠的解決方案：如 Crazyflie 無人機，可大規模進行群體智慧實驗。


  • 高效能平台：當複雜的控制策略和先進的人工智慧應用需要大量的機載運算資源時，實驗室會採用四旋翼自主飛行器 QDrone 和 QCar 無人駕駛實驗平台等高效能解決方案。


  • 戶外測試實驗方案：為了在現實環境中驗證研究成果，實驗室也利用戶外測試平台，進行全面部署和測試。


這樣的策略搭配，使實驗室團隊，能夠解決廣泛地研究問題，從群體行為的基礎研究到自主載具的複雜人工智慧演算法的實現，展現了實驗室面對各種研究挑戰的能力，並且幫助實驗室成功獲得研究補助與產業合作機會。


加拿大皇后大學：我為什麼再次選擇Quanser，打造全新的自主機器人實驗室


解決方案實際應用


混合視覺里程計框架將深度學習與傳統方法相結合，以提高效能
混合視覺里程計框架將深度學習與傳統方法相結合，以提高效能

讓我們來看一個 QCar 無人駕駛實驗平台幫助產業研究的具體案例。與摩托羅拉(Motorola)、Eldorado 等產業合作夥伴的支援下，團隊使用 QCar 平台，開發了一個用於應對挑戰環境的混合式視覺里程計框架（hybrid visual odometry framework），結合深度神經網路與傳統方法，同時這也是一項需要精確數據收集和高等計算的複雜任務。


產生正確的數據集是這項研究的重點。現有的數據集未能涵蓋他們所需的特性且具有挑戰性的場景。QCar 的尺寸、精準的動態控制與穩定的動態性能，使其成為高效蒐集數據的理想選擇。Givigi 教授認為它非常有效率，特別是考慮團隊在全尺寸汽車數據集產生方面已經擁有豐富的經驗。點我參考數據集。


此外，QCar 豐富的感應器組件以及修改感應器輸入的能力，讓團隊可以模擬各種相機故障，例如過曝和曝光不足，這對於測試演算法的穩定十分重要。


模擬相機故障，例如過度曝光、鏡頭髒汙，測試演算法在真實場景的穩定性
模擬相機故障，例如過度曝光、鏡頭髒汙，測試演算法在真實場景的穩定性

Givigi 教授強調將控制系統與電腦科學在即時應用中結合以提升研究成果的重要性。QCar 促進了這項整合，使他的團隊能夠超越模擬，將他們的演算法應用於實際。團隊研究表明，將Superpoint 用於特徵檢測以及 Lightglue 用於特徵匹配，結合傳統方法，可以顯著提升挑戰性場景下視覺里程計的準確度與穩定性。



最終成果


從卡爾頓大學到皇后大學這 20 年的合作，彰顯了Quanser 作為 Givigi 教授夥伴的可靠性和信賴性，對於 QUANSER 來說是更是一項重大成就。此外，分享教授團隊的一些卓越成就：


學術貢獻

Givigi 教授的研究實驗室由 18 位專職研究人員組成，包含博士後研究員、博士生與研究生。每年僅使用 QCar 無人駕駛實驗平台和四旋翼自主飛行器 QDrone 的學術論文，就發表了 7 至 8 篇。

 

資助提案與研究經費

Givigi 教授已成功獲得多項研究經費資助，包含一筆 180 萬加幣大型研究經費，以及多項 20 至 30 萬加幣專案。這些資金均透過產業界與政府合作夥伴提供。


推廣與教育影響力

QUANSER 產品在社區參與發揮關鍵作用。學校、學生和產業夥伴定期參觀實驗室，觀看現場示範。真實動態系統的互動體驗使 QUARRG 實驗室成為電腦科學學院最受歡迎的目的地之一。


成果：研究經費、投稿和社區參與
成果：研究經費、投稿和社區參與

結論


過去 20 年來，Sidney Givigi 教授與 QUANSER 的合作彰顯了適應性強、可靠性高的技術在推動突破性研究方面的巨大力量。從控制系統、機器人到應用 AI，Quanser 開放式架構平台是推進學術創新與實際應用發揮了重要作用。此次合作不僅帶來了豐碩的學術發表與研究資金，並促進社區參與與產學合作。


如您是教育工作者或是研究人員，希望提升這方面領域的發展，QUANSER 的綜合解決方案可以幫助您快速驗證理論、拓展教學與研究資源。


歡迎與作者 Morteza Mohammadi (Morteza.Mohammadi@Quanser.com) 進行討論或是與我們錫昌科技聯繫，了解更多應用案例與建置建議。


本文轉載自 Quanser 原廠網站，作者 Morteza Mohammadi / 產品行銷工程師

留言

bottom of page