研究動機
01
無論候梯者是孕婦、輪椅使用者或一般成人，傳統電梯一律依到站順序服務，完全無法區辨誰更需要這班電梯。
02
對孕婦、障礙人士、長者而言，電梯不是選項之一，而是唯一選項。樓梯意味著跌倒風險，對輪椅使用者更是無法跨越的屏障。
03
沒有一個機制讓候梯者知道其他樓層有誰在等。不是人們冷漠，而是從來沒有提醒，就沒有禮讓的可能。
研究目的
電梯自己辨識候梯者是誰，自己算出誰的需求更急迫，自己決定調度順序。乘客不需改變任何習慣，系統在背後默默運作。
AI 視覺辨識 + 持續追蹤
YOLO11 偵測候梯者後由 BoT-SORT 持續追蹤，結合 Gemini Vision 辨識人物類別，乘客無需任何操作。
加權積分演算法
依各類別人數與風險權重計算樓層積分，決定停靠順序與進電梯優先順序。
四大調度模式
一般模式、直達模式、平均模式、緊急模式，動態因應各種場景自動切換。
第 25 屆旺宏科學獎 · 應用組
作品說明
AI 視覺辨識 × 加權積分演算法 × 四大調度模式
壹
研究動機與研究目的
研究動機
01
無論候梯者是孕婦、輪椅使用者或一般成人，傳統電梯一律依到站順序服務，完全無法區辨誰更需要這班電梯。
02
對孕婦、障礙人士、長者而言，電梯不是選項之一，而是唯一選項。樓梯意味著跌倒風險，對輪椅使用者更是無法跨越的屏障。
03
沒有一個機制讓候梯者知道其他樓層有誰在等。不是人們冷漠，而是從來沒有提醒，就沒有禮讓的可能。
研究目的
電梯自己辨識候梯者是誰，自己算出誰的需求更急迫，自己決定調度順序。乘客不需改變任何習慣，系統在背後默默運作。
AI 視覺辨識 + 持續追蹤
YOLO11 偵測候梯者後由 BoT-SORT 持續追蹤，結合 Gemini Vision 辨識人物類別，乘客無需任何操作。
加權積分演算法
依各類別人數與風險權重計算樓層積分，決定停靠順序與進電梯優先順序。
四大調度模式
一般模式、直達模式、平均模式、緊急模式，動態因應各種場景自動切換。
貳
系統採用的核心技術棧
AI 辨識引擎
Google Gemini 3.1 Flash Lite（Vision API）
多模態輸入：同時理解圖像與文字
結構化 Prompt 回傳 JSON 格式辨識結果
辨識六類人物：孕婦、障礙人士、老人、兒童、普通人、寵物。
無需自行訓練模型，整合成本低。
視覺追蹤管線
YOLO11 + BoT-SORT + ReID
YOLO11：即時偵測畫面中的每一個人（信心門檻 0.4）
BoT-SORT + ReID：跨幀持續追蹤同一人，指派唯一 ID。
每 10 幀採樣、最多累積 2 次辨識結果後鎖定類別。
遮擋後仍可保留已辨識標記，不重置積分。
全端框架
Python Reflex 0.8 + React 19 + Socket.IO
Reflex：以純 Python 撰寫前後端，自動編譯為 React。
Socket.IO：後端狀態變更即時同步至前端，無需手動 polling。
TailwindCSS v4：樣式工具
Vite + npm：前端建構工具
影像處理
OpenCV + Pillow + NumPy
OpenCV (cv2)：攝影機畫面擷取與影格處理
Pillow (PIL)：圖片裁切、縮放、標注框線與類別標籤。
NumPy：影像矩陣運算
後端核心
Python 3.11 + 非同步架構
NumberState 狀態機（約 6,700 行）：負責評分、調度、動畫控制。
asyncio + threading：視覺追蹤在背景執行緒運行，不阻塞 UI。
Pickle + JSON：狀態持久化
參
四層架構與調度演算法流程
系統架構
01
視覺辨識層
攝影機即時擷取
YOLO11 人物偵測
BoT-SORT 持續追蹤
Gemini Vision 辨識
↓
02
積分計算層
類別權重映射
Σ（人數 × 權重）
各樓層積分更新
樓層排名重算
↓
03
調度決策層
過載偵測（≥ 2 樓層）
計算內外積分差
與門檻值比較
切換四大調度模式
↓
04
電梯控制層
目的地佇列排序
電梯移動驅動
乘客上下車管理
E2 傳統對照
四大調度模式
系統依據各樓層積分差值與各樓層候梯人數，自動在四種模式間切換。
一般模式（預設）
觸發條件
少於兩個樓層人數達電梯容量（未壅塞）。 電梯當前服務目的地的積分，未超過電梯外其餘樓層積分算術平均值達門檻值以上（即積分差值低於門檻值，預設門檻值為 8）。
積分設定
使用一般權重。
行為說明
依加權積分高→低順序停靠，兼顧所有乘客服務效率。
直達模式
觸發條件
少於兩個樓層人數達電梯容量（未壅塞）。 電梯當前服務目的地的積分，超過電梯外其餘樓層積分算術平均值達門檻值以上（預設門檻值為 8）。
積分設定
使用一般權重。
行為說明
電梯直達最高積分樓層優先服務，大幅縮短弱勢族群等候時間。
平均模式
觸發條件
兩個以上樓層的等候人數超過電梯容量（壅塞狀態）。
積分設定
改用平均化權重（拉平差距）。
行為說明
以輪詢方式公平疏散各樓層人潮，防止任一樓層長期被忽略。
緊急模式
觸發條件
偵測到緊急事件訊號（遠端指令或緊急按鈕）。
積分設定
覆蓋所有模式。
行為說明
強制最高優先級，立即清空電梯並前往指定樓層；解除後回歸前一模式。
調度演算法
開始
階段 0 ｜ 場域佈建
管理者依場域需求手動調整參數
門檻值、電梯容量、一般／平均權重表、上車優先順序。
權重對照（一般模式用一般權重；觸發平均模式時改用平均權重重算）
一般模式
一般權重
孕婦
× 5.0
障礙人士
× 5.0
老人
× 2.0
兒童
× 1.8
普通人
× 1.0
寵物
× 1.0
平均模式
平均權重
孕婦
× 2.0
障礙人士
× 2.0
老人
× 1.0
兒童
× 1.0
普通人
× 1.0
寵物
× 1.0
階段 1 ｜ 感測與召喚派梯
視覺追蹤是否 偵測到候梯者？
否
電梯待命， 持續偵測。
是
辨識畫面中的人物類別
YOLO11 偵測 ＋ BoT-SORT 跨幀追蹤同一人，再由 gemini-3.1-flash-lite 分類。
辨識為六類人物： 孕婦、障礙人士、老人、兒童、普通人、寵物。
計算各樓層優先積分
樓層積分 = Σ（該類別人數 × 對應權重）；依當前模式選用權重表。
召喚派梯：前往積分最高的樓層
同分時取較高樓層；所有樓層積分為 0 則電梯待命。
電梯抵達該樓層並停靠
階段 2 ｜ 每次停靠：接收內外目的地
電梯每次在某樓層停靠時都會執行下列接收與載客； 包含初次召喚載客，以及執行迴圈中每一次抵達。
接收電梯內目的地
乘客於面板點選要去的樓層（全自動模式則自動產生）。
接收電梯外目的地
各樓層上／下行按鈕，加上有積分（floor_scores > 0）的樓層。
依上車優先順序載客形成乘客組
受電梯容量限制；鎖定上車當下的樓層積分，寫入電梯內積分列表。
接續 階段 3 模式決策
由左欄「階段 2」接續而來 ↓
階段 3 ｜ 模式決策
是否觸發 緊急模式？
是
緊急模式
按下緊急按鈕並解鎖，或遠端預約。 排序：反向（近→遠）→ 同向（近→遠）→ 緊急目的地 U。 目的地全數抵達後自動解除，回一般模式。
否
是否有 2 個以上樓層 人數 ≥ 電梯容量？
是
平均模式
鎖定平均模式，改用平均權重重算各層積分。 退出：重災區樓層 ≤ 80% 容量、其餘樓層 < 容量，自動退回一般模式。
否
計算電梯內外積分差
diff = 電梯內鎖定組積分 − 電梯外其他樓層平均積分。
已鎖定平均模式， 或 diff ≥ 門檻值？
是
直達模式
只取電梯內目的地，不接外部請求。 同向樓層（近→遠）＋ 反向樓層（近→遠）。
否
一般模式排序
合併電梯內目的地、外部上下行按鈕與有積分樓層，依同向優先、距離近優先排序。
階段 4 ｜ 方向判斷與寫入
判斷電梯運行方向
全在上→上行至最高層；全在下→下行至最底層；上下皆有→比較最底與最高樓層積分決定方向。
排序範例 ─ 電梯在 3F、決策方向 ↑ 同向（近→遠）：4F → 5F → 6F 反向（近→遠）：2F → 1F 合併：4F → 5F → 6F → 2F → 1F。
寫入「電梯內積分列表」
排好的樓層順序 ＋ 該次上電梯的鎖定積分。
電梯內積分列表（第 1 組為鎖定組，其餘依積分高→低） 第 1 組（服務中）積分 8.0：4F → 5F → 6F → 2F → 1F 第 2 組（等待中）積分 5.0：2F → 3F 第 3 組（等待中）積分 3.0：1F 鎖定積分僅採計首次匯入值，不隨樓層積分變動。
階段 5 ｜ 執行迴圈與待命
依序前往鎖定組的目標樓層
從鎖定組第一個未完成的目的地開始。
每抵達一個樓層即停靠，回到「階段 2」接收該層內外目的地並上下車。
乘客下車並記錄樓層卸載量，從該組移除已抵達目的地。
這組乘客的 所有目的地 都到了嗎？
否
前往該組 下一個目的地
是
移除已完成的組別
其餘組別依鎖定積分高→低重排，新的第 1 組成為鎖定組。
電梯內積分列表 已全部清空？
否
服務下一組乘客
是
仍有樓層積分 > 0？
是
回階段 1 召喚派梯
否
所有乘客已送達，電梯回到待命狀態。
待命中持續視覺偵測；偵測到候梯者即回到「階段 1」重新開始。
等待下一輪偵測 ↺
肆
參數自適應與長期技術藍圖
核心願景
目前的權重與門檻值由管理者手動設定為固定值。未來智慧電梯將依視覺辨識到的當下情境——即時人數、人物類別比例與所處時段，動態求出最佳參數，主動適應不同場域、不同服務目的與不同時段的需求。
參數自適應三大機制
01
新場域導入、尚無歷史資料時，系統透過 Google Maps 取得場域用途、所在地區與營業時間，結合天氣與在地人流特性預判人流曲線，並參考鄰近同類型場域的開放參數資料，自動產生初始的權重、門檻值與電梯容量設定。
02
樓層管理者可依場域定位、營銷策略與客製化需求，手動微調判斷參數或各服務類別比例。系統會記錄每一次調整與當下情境，作為偏好標籤納入後續學習。
03
持續記錄各時段的樓層卸載量、實際服務情形與等待時間分布，從歷史人流模式學習，自動推導各時段最佳參數——醫院門診尖峰自動降低門檻優先特殊需求人士，探病時段調高門檻兼顧一般訪客，管理者無須介入。
長期技術藍圖
參數最佳化
情境模擬與最佳解自動搜尋
沿用 E1／E2 效能實測框架，大量模擬不同人數、類別比例與時段情境。
以貝氏最佳化或強化學習，搜尋權重、門檻值與容量的最佳組合。
為每種情境建立一張「情境—最佳參數」對照表。
多目標權衡
效率與友善之間的取捨
同時衡量平均等待時間、特殊需求優先程度與待機能耗。
場域可選擇服務目的：效率優先、友善優先或節能優先。
系統依選定目標求出對應的 Pareto 最佳參數。
語音導航・無障礙
讓無痕服務延伸到更多族群
面板與 APP 升級語音播報樓層用途、等待人數與預計抵達時間。
服務視障與行動不便者，降低資訊取得門檻。
與視覺辨識互補，形成多感官的友善體驗。
跨電梯群控
從單梯到整棟協同調度
同棟多台電梯時，由單梯最佳化擴展為群控（group control）。
協調各梯分工，降低整棟平均等待時間與重複停靠。
尖峰自動分流，平峰關閉備援梯節能。
隱私與負責任 AI
友善不應以隱私為代價
視覺辨識僅做即時類別判斷，不留存影像、不做身分辨識。
推論於邊緣裝置完成，敏感資料不離開現場。
參數與紀錄去識別化，符合資料最小化原則。
真實場域試點
從模擬走向實證
與醫院、商場合作概念驗證（PoC），蒐集真實營運資料。
驗證模擬最佳參數遷移到真實環境的有效性。
以實測回饋持續校正模型，形成閉環改進。
Built with Reflex