陳政維 Cheng-Wei Chen

主要研究領域:

研究領域摘要:

主要的研究領域包括手術機器人、機電整合與控制、以及智慧型精密運動控制相關研究。近五年重要之研究成果包含：

(1) 自動化眼部醫療機器人系統研發

執行美國國立衛生研究院(NIH)重大研究計畫，進行影像導引眼部手術機器人與手術自動化技術之創新開發，成功實現自動化白內障手術之全球首例。

根據美國眼科學會統計，白內障手術2004年在全美共施行180萬次，並消耗18億美元的醫療保險預算。然而，白內障手術施行後卻有極高的機率衍生後遺症，如後囊膜洞穿 (1.8-4.4%)、晶體碎塊殘留 (1.1%)。檢討手術後遺症的成因，主要是因為現今白內障手術仍須由外科醫師親自執刀，手術成功與否端看醫師操刀的技術與經驗。白內障手術程序從角膜切割、囊袋切割、擊碎水晶體、移除水晶體、植入人造晶體、縫合傷口，每一道都需要極為精細的操作。雖然雷射輔助技術已經可以自動地進行前述的切割程序，水晶體的移除依然仰賴人工操作。然而，後囊膜厚度僅有10微米且呈現透明狀，人工手術往往受限於無法及時監控眼內手術環境並精密且穩定地操作儀器進入工作區，稍有不慎便會造成洞穿。故此白內障人工手術程序中的先天限制乃是諸多後遺症發生的主因。

此研究創新整合立體光學相干斷層掃描與手術機器人；手術機器人自動定位至患部切口，以立體掃描影像自動建立眼內生理結構模型，並依此自動規劃水晶體移除的器械軌跡，由手術機器人進行高精度軌跡追蹤。相較於人工操作進行手術，自動化白內障手術具有操作上的精確、穩定性、同時多工、即時眼內影像提供、動作修正等能力。結合精密機械控制、專業醫師雙方判斷的優勢，由自動化系統提供即時影像予醫生，醫師決定是否交由機器人自動執行，或透過自動眼部手術系統介面直接下達指令進行精密手術操作，此一合作模式大幅提升白內障手術的成功率。

(2) 基於模型預測之精密運動控制

• 結合模型預測控制與回饋控制確保工具機運行於許可範圍

精密運動控制必須在最小化誤差時同時考量所可能觸及的物理限制；結合最佳化演算法，模型預測控制(Model Predictive Control)正符合此一需求，然而，精準的受控平台模型卻不易取得，任何建模誤差及模型不確定性都將破壞模型預測控制所「預測」的最佳控制結果。為使模型預測控制能真正實現於工具機的加工應用，此研究提出結合模型預測控制與回饋控制，將整個回授系統暨平台運行的物理限制輸入模型預測控制，並產生最佳的前饋控制訊號，一則縮小誤差，二則避免受控平台運行時超出許可範圍，而建模誤差及模型不確定性則由回饋控制即時校正。此研究成果已應用於單自由度雙軸平台(壓電致動器疊加於線性馬達，提高運動頻寬)，大幅提升控制的精準度，同時亦確保工具機運行於許可範圍，成功達成精密運動控制的嚴格需求。

• 利用模型預測控制進行時間最佳化路徑追蹤

時間最佳化路徑追蹤——在最短時間內完成指定路徑，並且確保誤差不超過容忍值——為決定產品產量之關鍵因素，是近年來多軸平追蹤控制中最重要的課題。由於時間最佳化的代價函數(cost function)為一非線性方程式，如何即時完成模型預測控制運算以達成時間最佳化路徑追蹤是極大的挑戰。此研究創新提出二次規劃(Quadratic Programming)時間最佳化近似演算法，允許模型預測控制達到1 kHz的取樣更新頻率。本演算法成功實現於奈米製造平台，顯見即便沒有精準的受控平台模型、外部雜訊消除不易，高取樣頻率模型預測控制依然可以在最短時間內完成路徑追蹤並達成需要的精準度。

• 利用卡爾曼濾波器提升奈米製造平台光學感測器解析度

光學感測器的解析度在奈米製造平台精密運動控制扮演舉足輕重的腳色。當感測器的解析度不足以應付所需要的奈米級精度，如何從低解析度的測量值準確地推估平台所在的位置便是一個非常重要的研究議題。傳統利用曲線擬合(curve fitting)法受限於運動軌跡，在轉折點前後的估測值誤差非常地大；有學者提出利用卡爾曼濾波器進行估測，但是感測器量化誤差(sensor quantization error)並非是高斯分布，因此估測準確度也不理想。本研究創新提出在卡爾曼濾波器更新估測值時，加入平台速率與其高階微分連續性的考量，成功倍增測量值準確度。此技術應用於美國國家科學基金會次世代奈米級光罩平台，藉由更精準定位估測，提升製造良率。

上述三項研究成果成功提升製造平台控制精度，並有多項發表於IEEE頂級機電整合學期刊(IEEE/ASME Transactions on Mechatronics)，對於精密控制研究領域暨智慧機械產業之推動成果斐然可觀。

(3) 反覆式學習型建模

在諸多高階控制演算法中(例如上述基於模型預測之精密運動控制)，精準的系統模型乃是決定演算法成效的關鍵。然而，取得精準的模型並不容易，且耗時費力；倘若系統參數改變，建模的流程又必須重新跑過，非常不方便，是故在工業應用上，基本的PID控制器依然是主流。為解決此一問題，計畫主持人創新提出自動化學習型建模，並應用在工業電腦數值控制工具機的線性馬達平台上，使用者只消按下按鈕，並等待約略一分鐘的自動學習型建模，即可取得相當精準的系統逆模型(plant inversion)，並將之應用於前饋控制，大幅提升控制精準度。此方法亦可應用在磁浮軸承、液壓網路、機器手臂控制，並可結合反覆式學習控制演算法，提升該演算法的收斂速度，應用範圍非常廣泛，也計畫未來延伸至非線性系統及時變系統。