龍門式定位平台之同動控制系統設計

113年11月10日

【本篇報導由電機工程學系  陳瑄易教授研究團隊提供】 　　龍門式定位平台是一種精密的X-Y運動控制系統，其主要由一組平行滑軌、一個垂直於滑軌之橫梁與三部馬達所組成。受到平行滑軌與橫梁的物理連接限制，兩個平行馬達必須有妥適的同步運動控制策略，以確保各軸協調運動並避免機械設備損壞。基於此需求，本研究之目的即為提出一套控制系統，用於實現龍門平台之同步控制目標。本方法之概念主要是將平行馬達與橫梁之三軸馬達位移量轉換為橫梁上之動子運動量，當兩組平行滑軌上之滑塊不同步時，橫梁上之動子將產生旋轉角度。因此，若能控制該角度為零，亦即等同於達到雙軸同動之效果。為達到此目標，本研究設計了一種新的分數階動態表面控制方法。首先，利用分數階低通濾波器為現有的動態表面控制方法提供額外參數的自由度。接著，由於難以掌握系統的不確定性，因此進一步設計一種樹突神經元模型觀測器來識別系統不確定性，同時設計了一個指數補償器來補償觀測誤差。經實驗結果證實，相較於傳統的動態面控制方法，本研究所提出的自適應分數階動態面控制系統，在龍門平台的三軸的定位控制與平行軸的同動控制能有更優異的控制效果。    　　龍門（Gantry）平台主要由一組平行線性滑軌與一個垂直於滑軌之橫梁所組成如圖一所示。平行滑軌固定在基座上，並分別搭載一部由線性永磁同步馬達（Permanent Magnet Linear Synchronous Motor, PMLSM）所帶動之滑塊（Slider）。當兩組滑塊同步運動時，連接兩組滑塊的橫梁即可沿著滑軌進行X方向運動。另一方面，橫梁上配置由另一個PMLSM所帶動之動子（Mover），可沿著該橫梁進行Y方向運動。基於此三軸驅動模式，龍門平台能夠提供更大的推力，以實現具有更高加速度與負載能力之操控性能。透過對各軸位移之回授，亦能實現高精確度和高重複性之控制精度，目前已廣泛應用於如光學檢測、機密製造與物流倉儲等領域。 　　由於龍門平台中的平行馬達具有實際的物理連接，兩部馬達必須同步運動，以確保各軸之間的協調運動。儘管兩部馬達使用相同的電氣規格，但由於不平衡的推力、負載差異、組裝誤差、摩擦力和其它各種干擾，馬達間的非同步運動仍然會發生，造成運動精度和系統可靠性降低，甚至因使橫梁出現旋轉角度和扭力，進而導致平台結構與機械部件損壞。因此，將同步位置誤差減少到可接受的範圍甚至完全去除，是龍門平台的首要控制目標。 　　倒階（Backstepping）控制是一種控制系統設計方法，通常用於解決非線性和多變量系統的控制問題。然而，倒階控制設計過程中對虛擬輸入的重複微分將產生「項數爆炸（Explosion of Terms）問題」，亦即當系統的控制目標需要多次微分時，控制器的複雜度將急劇增加變得難以實現。而在多次微分過程中，亦容易放大系統雜訊，導致控制性能下降。所幸動態面控制（Dynamic Surface Control, DSC）策略透過引入一個低通濾波器可以巧妙地解決此問題。然而，在設計DSC系統之前，需掌握詳細的受控體數學模型，否則系統參數變化和外部雜訊干擾均會導致DSC系統不穩定。為了解決這個問題，許多學者亦研究如何以適應性和智慧型策略提高DSC系統的強健性（Robustness）。 　　基於上述的控制目標與啟發，本研究設計一套全新的自適應分數階動態面控制（Adaptive Fraction-Order Dynamic Surface Control, AFODSC）系統用於解決龍門平台的同動控制問題，主要貢獻在於：(1)提出一個新的分數階低通濾波器，為現有的DSC控制方法提供了額外的參數選擇自由度；(2)利用座標轉換技術，將如圖二所示之三軸馬達位移量（x1, x2, y）轉換為動子運動量（x, δ, y）。透過這樣的轉換，可同時實現三軸的定位控制與平行軸的同動控制，進而提高系統整體的穩定度與精度；(3)設計一套基於如圖三所示之樹突神經元模型（Dendritic Neuron Model, DNM）觀測器，用於觀測系統的不確定性；(4)設計一套指數補償機制，可動態消除不確定性觀測誤差。經各種實驗證實，相較於傳統的DSC策略，AFODSC系統確實可大幅提升各軸定位精度與雙軸同動效果，對於後續龍門平台之實際應用有顯著之效益。   圖一：龍門式平台   圖二：龍門式平台幾何關係   圖三：樹突神經元模型     原文出處： Chen, S. Y., & Shen, Z. Y. (2022). Synchronous Position Control of Gantry Table Using Adaptive Fraction-Order Dynamic Surface Control With Dendritic Neuron Model. IEEE/ASME Transactions on Mechatronics,27(6), 4908-4919. https://doi.org/10.1109/TMECH.2022.3166538 

能不能用人工智慧讀法院裁判：法律資料分析學

111年06月09日

【本篇報導由東亞學系  邵軒磊副教授研究團隊提供】 　　近期有許多人工智慧的研究，使電腦（機器）能夠部分模擬人類思考過程、輔助人類決策，並應用至法學領域。惟過去的研究較多著重在解析法官思考過程以及預測裁判結果，讓律師與當事人參考；而為了獲得高度正確的成果，必須倚賴法學專家先閱讀裁判或法律條文，抽取出關鍵因素，將之編碼之後，再由機器建立模型並預測。本研究嘗試不同的方法，直接將自然語言的文本（即法院裁判原文）輸入機器，觀察機器能否成功解析法官的語意，判斷裁判之結果。本文以三年期間地方法院第一審結果為「單獨親權」之裁判文書之部分段落作為樣本，使機器讀入這些文本後，以自動斷詞等文字探勘技術，製作出詞彙矩陣，再使用機器學習領域中的類神經網路方法，訓練機器「理解」法官的語氣與裁判方向（親權歸屬父親或母親）。接著以此為基礎，要求機器讀入其他未知裁判，並判斷結果。其準確率約77.25%，F1分數0.8674，如此證實了機器可以某種程度「讀懂」裁判文本並做出分類。由於機器的運算速度快，若結合法學資料搜尋系統，將能更快速地讓人們找到所需的裁判，達到「人機協作」，增進人類決策的效率與正確性，此稱為法律資料分析學。   　　人工智慧（artificial intelligence, AI）與機器學習（machine learning）在大數據（big data）的背景下，近期獲得飛躍式的發展，甚至成為我國科研戰略的一環。人工智慧逐漸進入生活的各個層面，除了帶來便利與效率外，也引發對市場秩序及政府權能之衝擊。為此，本研究試圖開展「法律資料分析學」，將2012年至2014年共三年期間的地方法院及少家法院關於親權酌定的第一審裁判共448件，經過「自然語言處理」（Natural Language Process, NLP、「文字探勘」（text mining, TM）與「類神經網路」（Neural Network），三個步驟，最後給出一個「裁判分類值」（即目標值，意味著電腦閱讀現有裁判的情狀之下，判斷親權酌定給父親母親），最後「機器分類結果」與「實際裁判結果」做比較，用來檢視模型的準確程度（如圖一、機器學習與文本探勘）。 圖一：機器學習與文字探勘    　　此舉將簡化甚至省卻人類編碼的流程，期望能節省許多勞動時間，儘快進入第三階段之後的訓練與預測。使法律資料分析流程更接近直接使用原始裁判文書，讓機器能「讀懂」法官所寫文字，並對照實際判決結果做出驗證。為了避免只隨機測試一次而發生測量結果的偏差，研究團隊重複運行模型50次（且訓練組與測試組的樣本不相混淆），測試組準確率多在80%前後徘徊，50次的平均為77.25%，在F1分數的表現也與此相近。總體而言，優於其他類似方法的研究。  　　過去「人工智慧與法律」領域發展的主要方向在於建立「法律專家系統（legal expert system）」，將專家的知識輸入於電腦系統，基於此知識，由電腦像專家般提供諮詢、建議解決方法。但此作法必須仰賴人工（專家）預先設定各種規則，耗時且昂貴，故僅在個別少數的法領域被運用。近期逐漸導向讓電腦從法律文件中提取語意資訊，「幫助」人們解決法律問題，包括「概念資訊提取（conceptual information retrieval）」與「認知運算（cognitive computing）」等技術。換言之，過去專家系統需要人類將規則寫在系統程式，才能讓電腦有某種功能；相較之下，本研究則是從自然語言文本的大數據中幫助人們找到適合的解答，強調「人機協作」（如圖二），機器可以提供百科全書般的知識與運算能力、可以理性推論與分析，人類則是提供專業、判斷、直覺、道德指引與創造力，如此共作以達成更好的決策。結合了上述技術的「法律資料分析學」，目的正是希望從法院裁判或法規當中，以機器自動提取有意義的資訊，進而協助專家回答法律問題、估計裁判結果、擬具訴訟攻防主張。  圖二：人機協作   原文出處：黃詩淳、邵軒磊(2020)，〈以人工智慧讀取親權酌定裁判文本：自然語言與文字探勘之實踐〉，《臺大法學論叢》，49卷1期，頁195-224。doi:10.6199/NTULJ.202003_49(1).0004

「遷移學習」建立跨領域深度學習模組

110年02月05日

【本篇報導由資訊工程學系 侯文娟博士研究團隊提供】 　　近年來人工智慧之深度學習模式深受注目，我們的研究即以此技術應用於生物事件辨識與擷取，並以遷移學習的方法得以減少語料庫建置的需求。 　　生物文件中複雜的生物過程如果以結構性的方式表達(例如：調節網路)，往往比文字描述更為清楚，故自動化地從生物文件中產生調節網路，並標註生物事件及事件-事件或事件-實體等關係，為生物學家所重視的議題，是以我們的研究目標為發展表示調節網路所需的生物事件及關係擷取系統。此外，機器學習方法需大量語料庫，此語料庫常是人工建置，非常耗時耗力，有鑑於此，在這個研究當中我們提出兩種學習方法，從兩個獨立不同的語料庫建置共同資料集，並以深度學習模組發展多重領域之事件及關係擷取系統，目的在於可使用單一系統處理多重領域問題，如此可以節省人工建置語料庫所需的大量時間與人力。   　　系統生物學可辨認生物系統不同部分之交互作用結果，此結果稱為事件，事件與實體、事件與事件間可形成關係。事件擷取及標註是近年生物家重視的問題，其中從生物文件中產生基因調節網路之議題則深受研究者重視，主要是複雜的生物過程若以結構性方式表達，會比用文字描述更清楚。然而真實世界中具有大量的生醫相關文件，研究者不可能逐篇仔細地閱讀所有的文章，因此文件探勘常常使用機器學習方法，但通常供機器學習方法學習的語料庫往往是人工產生的。 　　傳統上，以機器學習方法建立的訓練模組和測試領域是相同領域，如果將領域A的訓練模組用於領域B，往往預測效能會大幅降低。例如圖一，訓練時是老鼠的基因資料，測試時用以辨認老鼠基因，正確率可達84.1%，但是如果訓練的基因資料只能取得果蠅資料時，這樣以果蠅資料建立的模組用在辨認老鼠基因，正確率可能就會大幅下降(如圖所示為58.1%)。   圖一：訓練資料與測試資料相同/相異，產生的效能不相同 圖二：單一領域學習方式與跨領域學習方式之圖示   　　如前所述，因為生醫文件內容複雜，使用自然語言處理及機器學習方法擷取生物事件具有相當的挑戰性，為了自動化標註及擷取事件，常使用機器學習方法。然而，事件擷取與標註方法及相關資源的研究至目前為止幾乎都集中在單一領域。本研究提出使用遷移學習及結構對應學習方法，從兩個不同領域產生共同資料集，並建置深度學習事件擷取系統，我們的研究提出的步驟為(1)從兩個獨立的事件擷取任務產生資料集，(2)使用分類模組從資料集學習特徵樣式。此法重要貢獻為(1)自動建置共同資料集，節省人工建置代價，(2)訓練和測試集可為不同領域。 　　總述而論，考量人工標註文件耗時耗力，本研究提出此學習方法，從兩個獨立任務建立資料集，以深度學習模組處理事件及關係擷取問題。