田烽志的隨意手札

作者：田烽志（AI 系統開發工程師）

前言：不是所有地方都有雲端

在我多年的系統開發經驗中，我常接觸到偏鄉醫療、重工場域、地下礦坑或遠洋漁船等特殊環境...這些地方有一個共同點：上網困難，或根本無法即時連上雲端。這並不代表這些場域無法使用機器人，而是我們必須用不同的方式思考系統架構——這正是邊緣運算與本地控制平台的重要性。

一、雲端侷限與現實挑戰

即便 AWS、GCP 等公有雲基礎設施遍佈全球，但仍存在許多無法覆蓋的區域...

- 網路不穩導致控制指令延遲

- 法規限制資料上傳雲端（如醫療隱私）

- 雲端依賴造成系統脆弱性

這些挑戰使得我們必須將系統一部分下放至現地執行，建構『可離線、自主運作』的機器人系統。

二、邊緣伺服器的架構設計與選型

我的建議是使用輕量級、高彈性、可模組化的邊緣伺服器平台，如：

- Raspberry Pi 4/CM

- NVIDIA Jetson Nano / Orin

- Intel NUC 或 ARM 工控主機

邊緣伺服器扮演的角色如下：

1. 控制中樞（Command Center）

2. 資料儲存與彙整（Local DB）

3. 推論執行（ONNX/SageMaker Neo 模型）

4. 內部網路協作（MQTT/NATS）

三、離線機器人控制框架建構

建立本地控制平台時，建議採用以下架構：

1. 本地 ROS 2 控制核心

2. 本地 AI 模型推論引擎（如 TensorRT + ONNX）

3. Web-based 控制台介面（Node-RED 或 Flask + Bootstrap）

4. 區網同步通訊協議（ZMQ 或 MQTT）

5. 資料分層同步：當網路恢復時將日誌/影像同步上傳至 AWS S3

透過這樣的結構，即使完全離線，機器人也能進行基本任務並保存所有歷程

四、應用實例：我的邊緣應用專案分享

1. 醫療巡檢：部署在山區診所的機器人可協助診斷與引導流程

2. 地下礦場：邊緣伺服器接收感測資料、自主導航並記錄氣體濃度

3. 工廠場域：以 Jetson Xavier NX 為控制中樞，運作 5 部搬運機器人、整合光學辨識與溫度警示

4. 教育場域：學校教室以 Pi 4 建立區域網路，提供無網環境下的 AI 教學示範

五、挑戰與未來展望

當然，打造這樣的系統也有挑戰：

- 邊緣設備的效能限制（需優化推論模型）

- 斷電風險需備援（UPS 與 Watchdog 機制）

- 資料一致性與版本管理

但這些都能透過軟體工程與架構設計克服。

未來我期望 AWS Greengrass 與 LoRa / Mesh 結合，能進一步打通無網場域與雲端同步之橋梁。

結語：真正的智慧在於在地化

我始終相信，AI 的價值不是在於炫目的演算法，而是能否真正幫助第一線的人解決問題。

當我們能將機器人技術在無網環境中穩定落地，那才是真正的智慧應用。