研究領域

Machine Learning                Computer Vision                   Deep Learning

 程式語言 

 C
 Python
 Java

 開發環境/工具

Visual Studio                    Eclipse                                Docker                              Jupyter Notebook          TensorFlow                      OpenCV/OpenGL

自傳      

        現職服務於同致電子超聲波研發部門，專職於自動停車輔助系統的算法開發，透過Can-bus提取車身訊號得知車速和方向盤角度，SPI擷取其中裝於前後保險桿上的各6顆sensor資訊繪製2D地圖，再透過判斷足夠的停車空間後進行路徑規劃，其中考量車身姿態和長寬與可行駛的空間，並採用pure pursuit路徑追蹤算法解決行車路徑與規劃路徑的誤差，其中依迴受機制操控方向盤修正，可實現的情景包含與路面平行/垂直的車格，以上的模擬使用C語言並引用OpenGL的Freeglut library在Windows上實現。    

       前份工作服務於致伸科技影像視覺部門，專職ADAS車用影像模組的開發，工作內容分成兩部分，50%時間做內部新內參校正開發的算法研發，50%時間做客戶開發案的後段封測軟體導入。前者是基於與美系第一大電商平台旗下公司合作的延伸內部專案，主要為解決Lens造成的影像畸變，需透過一組參數校正，此技術適用於長短焦、窄廣角通用的新內參校正方法，開發的成果相較於現有的張正友相機校正法，在保持相同的精準度之下降低了作業流程時間至多達6成，並且機台的作業範圍縮小幅度至多達9成，因此機台僅佔約一台小冰箱的大小，參於其中的軟體成員共3位，我負責光標偵測的算法、內參收斂及光標標定點數最佳化，使用C++以兩條二次曲線的交點得出畸變光標中心，以Python刻出座標轉換的過程，並且最佳化以預設座標和實際取得的光標所組成的成本函數，最後透過平衡學習資料不平均的手法，將校正點數收斂至百點以內。後者的部分包含兩家客戶分別為美系車用軟體開發商和美系電動車廠，導入影像模組後段封測軟體包含MTF、Blemish、Defect、Distortion、EEPROM burn-in...等等。

        研究所是我累積實力的重要階段，期間我完成了1次產學合作、1次海外實習和3次教育部成果發表會。關於機器學習與電腦視覺的歷程有以下兩點。其一為碩一期間的產學合作案，我帶領2位同學在8個月的時間內完成，其內容包含4種人群事件的偵測與警示，我的部分是針對人群湧入一特定空間造成的擁擠現象做偵測，我使用OpenCV和C++做開發，透過擷取影像上的人類特徵，運用機器學習中的多元回歸模型來做人數預測，以及提出空間重建法並根據Dynamism of Space理論估算出空間的可容納人數閥值做事件判斷，最後達到87%的事件預測準確率。另外身為組長的我負責了大部分行政，統整的工作，以及扮演與外籍組員間英文溝通的橋梁，並且於該年底(106)受產學合作中心邀請，於教育部技專校院研發成果記者會上發表。而畢業論文是將產學的內容作延伸，在不受硬體平台的限制下，為了提升準確率調整了回歸模型以外的參數，即增加了擷取特徵的種類，最後達到92%的事件預測準確率。

        其二為碩二的寒假，透過教育部學海築夢計畫前往德國實習，3個月期間我與一位同學在多特蒙工業大學機器人實驗室，與Nao Devils Dortmund的團隊學習VSLAM研究，目標是完成足球機器人上的相機自動外參初始值校準，語言上我們使用英文溝通。針對研究主題我使用C++做開發，將拍攝的多組影像做球場線段偵測，再擷取機器人內部相對應的多筆初始化足球場影像線段資訊，取兩者差值的平方組成成本函數，最後調整相機的三軸傾斜角度即姿態做最佳化得出外參初始值，使得機器人的感知誤差大幅降低。對我而言，此次的德國實習讓我對時間的安排，有了更深刻的體悟以及實踐，期間內我同步完成團隊交付任務、撰寫畢業論文前三章及遊訪瑞士和義大利。

        關於韌體相關的經驗有以下三點。其一是致伸專案中使用Arduino Mega 2560透過I2C控制MCU A-D Converter量測CMOS影像感測器的電壓。其二是在嵌入式系統與應用課程中，使用Arduino Uno平台透過Python語言，運用P.W.M.原理操控機械手臂的實作經驗。其三是在研究所低功率系統晶片設計課程中擔任助教，並與一位助教合力在6周的課程內帶領30位學生，在Raspberry Pi 1和2的平台上，建立一套透過Apache HTTP Server連線於Server端和Client端的託播廣告系統，並重新編譯Linux Kernel，讓Server端可以透過ARM DS-5 Streamline Analyzer這套軟體，瞭解該系統在不同硬體平台上的功耗，該成果連續兩年展示於(105)教育部智慧電子整合性人才培育計畫和(106)教育部產業創新提升人才培育計畫的成果發表會上。

        關於深度學習的歷程有以下兩點。其一是研究所的類神經網路課程，將MNIST Dataset手寫數字使用Fully Connected NN和CNN模型做練習。其二是服役期間透過Microsoft的Kaggle Cats and Dogs Dataset做的練習(附件2)，將TensorFlow函式庫和Jupyter Notebook伺服器建置於Docker Container之中，我使用Python語言在該環境下對於模型參數做微調。憑藉修習過類神經網路課程以及上述調整機器學習模型的經驗，在CNN模型上達到82.18%的準確率，在ResNet模型上達到97.5%的準確率。

        關於社團活動的經歷是在大學時期參與中正親善大使團，於三年期間擔任團員、公關長和副團長的職務，並參予了多次的高中生車宣導覽、校外貴賓接待、研討會接待、大學博覽會、反毒宣導及團內的培訓營隊，這些經驗造就了我勇於在人群前展現自我、領導團隊和人際溝通的能力。