理解／探索／查核
自主系統架構中的 Edge AI
Edge AI 把推論放在感測器或運作設備附近。UAV 可用伴隨或任務電腦處理影像與任務決策；飛控負責其定義的飛行控制工作。
本地推論與資料治理是兩個不同問題。除了延遲、功耗、散熱與介面，也要查核儲存、傳輸、更新與雲端依賴。候選零件須依指定配置驗證。
技術與應用
| 技術／角色 | 產業用途／需查核的證據 |
|---|---|
| 設備端推論 | 靠近感測器運算，量測延遲與資源消耗。 |
| 地面／雲端處理 | 可支援複核，須計入連線與資料傳輸需求。 |
| 任務／飛控邊界 | 明確定義指令、回饋、失效處理與控制器職責。 |
把需求定義清楚
- 整條流程的延遲、功耗與散熱預算是多少？
- 網路中斷或模型無法執行時怎麼處理？
- 哪些硬體、軟體與資料依賴有證據可查？
繼續理解
工具與原始證據
把技術接成產品：API、SDK 與開發規格
- LiteRT — 手機端推論基準測試
- ONNX Runtime — 跨裝置模型效能比較
- OpenVINO — Intel 邊緣巡檢模型執行器
- TensorRT — Jetson 推論效能比較
- Triton Inference Server — 多模型推論接口
- DeepStream SDK — 多相機巡檢影像流程
探索實際能力
聯盟協調方已於 2026 年 10 月 7 日確認既有客戶同意加入。研究候選機構保留各自狀態；技術資格仍依型號與專案查核。