取代人工細膩精準手作的 AI 機器人技術
完美整合不同製造商的機器人控制與運作環境。 減輕繁複的維護負擔，從視覺辨識到控制與運作，全程以 AI 驅動的工作流程一次管理。
非定形對象、各異的機器人、頻繁的環境變動…… 您是否對導入自動化仍有顧慮？
產品、堆疊方式、設備配置，乃至作業順序。現場持續變化，不斷為既有的自動化方式帶來全新課題。
- Pain 1
非定形對象難以學習 與辨識的侷限
以規則為基礎的系統，難以穩定辨識箱子、繩索、塑膠膜等形狀不規則的對象物。
- Pain 2
不同機器人製造商 帶來的控制複雜性
各製造商互異的介面與驅動方式，使現場導入與運作的難度呈指數級攀升。
- Pain 3
作業條件變動引發的 重新設定負擔
每當作業條件或堆疊模式改變，便須反覆進行耗時的示教（Teaching）與重新編程。
- Pain 4
系統零散化與 擴充上的困難
每次導入新設備都需要額外的串接開發，使系統維護與擴充倍感棘手。
從 AI 視覺辨識到自然語言控制介面， 再到不受製造商限制的整合機器人連接。
不僅具備多維度視覺辨識與即時物件掌握，更能透過自然語言模型免去繁複的程式編寫（Teaching）過程而輕鬆操作， 並以不受機器人製造商影響的單一運作環境，提供輕鬆導入的機器人解決方案。
- 1
AI 視覺驅動的非定形對象位置辨識
從散落的箱子、皺摺的塑膠膜，到糾纏的繩索。即時掌握位置、方向與狀態，毋須人工逐一整列，機器人便能精準作業。
- 2
以自然語言為基礎的無程式碼介面
減少繁複的程式碼與示教過程，僅以自然語言與視覺化介面即可推進作業，讓現場負責人也能迅速修改並運作自動化工作流程。
- 3
不受限制地連接各品牌機器人
即使機器人品牌不同，也能在單一環境中控制。無論新增機器人或更換既有設備，都能在同一平台上以一致的方式運作。
應用於各式製程的 AI 機器人陣容
AIVEX 以汽車、電池、精密零件、生技等各類產業的檢測對象為基準， 建構各產品專屬的 AI 檢測解決方案，並依現場條件套用外觀、尺寸、位置與表面瑕疵檢測。
Palletizing · Depalletizing
超越一次性測試，以量產稼動率 為判斷基準的 PoC 流程
超越片面的畫面視覺辨識結果，分別量測實際機器人的動作成功率與例外狀況自動復原率，以驗證導入的可行性。
*標準 PoC 所需期程與範圍，將於現場資料診斷後經由協議階段確定。
- 1
製程診斷
檢視檢測對象、既有資料與產線環境， 評估可套用的系統。
- 2
單一產線 PoC
在代表性品項與單一產線上， 依自動化基準進行驗證。
- 3
試點運作
於指定產線學習並部署模型， 在實際檢測流程中確認運作性。
- 4
多產線擴展
將驗證過的基準擴展至多產線與多品項， 並將運作標準化。
請為 PoC 預先準備！
- 代表性樣品自動化對象產品的樣品
- 對象物資訊重量、尺寸、形狀、材質，以及取放時的注意事項
- 製程需求週期時間、產量、作業要求公差，以及自動化設備安裝佈局
- 部署環境依資安政策而定的部署環境需求（地端、網路隔離等）
FAQ
我們彙整了客戶在導入機器人解決方案前最常詢問的問題。
Q.以LLM為基礎控制機器人，現場操作人員即使完全不懂程式設計也能運作嗎？
是的，可以。無需操作複雜的機器人示教器（Teach Pendant），我們提供直觀的自然語言指令與基於模組的無程式碼（No-Code）介面。藉此，即使是完全沒有程式設計知識的現場負責人，也能自行配置機器人的作業序列並靈活進行修改。
Q.對工廠中已經安裝的機械手臂也能進行整合控制嗎？
是的，可以。即使是年限較舊的老型號機器人，我們也會事先診斷其可支援的通訊協定與I/O介面，制定最佳的聯動方案。無需全面更換現有設備，即可建構在同一平台上與最新系統一起進行整合控制的環境。
Q.在多品種生產線上，更換品號或新增品目時能夠靈活應對嗎？
是的，能夠應對。現有品號的切換可透過呼叫系統中預先註冊的配方（recipe）方式即時完成更換。即使新增品目，我們也會事先估算所需的資料量、再學習週期與成本，並進行設計，使現場實務人員能夠以最少的工時靈活應對。
Q.能與現有的PLC、MES、輸送帶系統聯動嗎？
是的，支援順暢聯動。我們標準支援EtherNet/IP、Modbus TCP、CC-Link等工業現場的主要通訊協定，可與現有的PLC、MES、輸送帶等無衝突地聯動，並能夠實現生產實績及品質資料連接的一體化整合。
Q.能夠滿足現有生產線的節拍時間（辨識、動作、抓取的總和）嗎？
是的，可以。我們會事先嚴格驗證將視覺辨識、機器人動作、夾爪抓取時間全部合算的整體循環時間（cycle time）。在此基礎上，配置最佳系統，以滿足客戶產線所要求的目標節拍時間。
Q.在散亂堆放（Random Bin）狀態下也能進行揀選嗎，還是必須進行整列供料？
是的，即使在散亂堆放狀態下也能進行無人揀選。對於隨機重疊或堆疊的對象物，也可透過基於3D視覺的散料揀選（Bin Picking）技術準確辨識並抓取。如果是可以平面整列供料的製程，僅憑2D視覺即可滿足，因此我們會根據現場的堆放狀態提出最高效的方案。