2026 台灣機器人挑戰賽 TRC

1. 任務目標與可行性（35 分）

• 問題與應用情境（10 分）：說明任務內容、實際應用場景，以及希望解決的問題或痛點。
• 任務拆解與成功標準（15 分）：將任務拆解成具體操作步驟，定義預期成果及可衡量的成功標準（例如任務成功率、操作精度、完成時間等）。
• 創新性與可行性（10 分）：評估任務是否具有技術探索價值、是否適合 SO-ARM101 AI 機器手臂的硬體能力，以及能否在活動時間內完成。

評分重點：目標明確、任務範圍合理、可驗證成果。任務複雜度並非唯一的主要評分依據，我們鼓勵創新。

2. 技術方法與實作規劃（45 分）

請說明如何透過 Robot Learning 達成任務目標，包含：

• Robot Learning 方法（20 分）：說明預計採用的學習方法，例如 Imitation Learning、Behavior Cloning、VLA、Reinforcement Learning 等，以及資料蒐集、模型訓練、推論與驗證流程。
• 硬體、軟體及算力需求（15 分）：列出預計使用的硬體設備、感測器、軟體框架、模型及工具，並估算訓練或推論所需的 GPU、Jetson 資源及時間。
• 實作計畫與風險管理（10 分）：說明實作階段、重要里程碑、預期技術挑戰及替代方案，確保能在有限時間內完成基本展示。

評分重點：技術路線合理、資源需求可行、實作流程完整，且確實包含 Robot Learning，而不只是傳統的手動控制或固定軌跡程式。

3. 機械手臂實作經驗（20 分）

隊伍需提供過往機械手臂或相關機器人專案經驗，以確認具備基本操作與整合能力，並提供 1 分鐘內的影片為佐證資料。

• 相關實作經驗（10 分）：具備機械手臂操作、控制、感測器整合、Robot Learning、機器人軟硬體開發等相關經驗。
• 實作能力展示（10 分）：透過影片呈現實際操作過程，清楚展現隊伍對硬體、控制流程或系統整合的理解。

影片提交規範

• 影片長度最多 1 分鐘。
• 可使用 YouTube 非公開連結（Unlisted），或嵌入 Google Docs，並確保審查人員可正常觀看。
• 影片需為實景拍攝，不得使用模擬或生成影片。
• 允許加速影片或剪輯重點片段。
• 影片應具備清晰畫質，容易理解實作內容。
• 可使用過往專案影片，不限 SO-ARM101 AI 機器手臂，但須說明隊伍實際參與的工作。

評分重點：著重實際動手能力，不以專案規模、機械手臂品牌或設備昂貴程度評分。

4. NVIDIA 技術應用（額外加分，最多 10 分）

鼓勵隊伍在方法論中合理運用 NVIDIA 軟硬體生態系相關工具，包括但不限於：

• 機器人模擬與訓練：NVIDIA Isaac Sim™、NVIDIA Isaac™ Lab、Newton 物理引擎。
• Robot Learning / Foundation Models：NVIDIA Isaac™ GR00T。
• Physical AI 資料與模型：NVIDIA Cosmos。
• 運算與部署最佳化：CUDA®、NVIDIA TensorRT™、NVIDIA Isaac™ ROS 等。

加分原則

• 實際整合 NVIDIA 技術，並清楚說明其對任務的價值：最高 10 分。
• 有具體、合理的技術整合規劃，但尚未驗證：最高 5 分。
• 僅列出產品名稱，未說明使用方式：不加分。

NVIDIA Jetson Thor 為活動指定平台，單純使用 Jetson Thor 不列入額外加分；若有具體的邊緣部署或效能最佳化方案，則可納入評估。

1. 企劃書需以 Word 文件或 Google Docs 格式撰寫，並轉為 PDF。
2. 頁面設定為 A4，頁數包含封面封底不超過 10 面。
3. 內文需附上影片連結或歷史作品集連結。

為協助參賽隊伍進行 Robot Learning 開發與模型訓練，主辦單位預計於初選後、實作坊 Workshop 前提供各入選隊伍每隊 500 美元的 NVIDIA Brev Credit 雲端 GPU 算力使用。

有興趣提前熟悉開發環境、測試模型或進行訓練的隊伍，也可自行註冊 NVIDIA Brev 並儲值使用雲端算力。

提前使用雲端算力並非初選必要條件，也不影響初選評分。

決賽採用實體黑客松形式，參賽隊伍須根據初選提交的企劃書，實際完成 Robot Learning 系統開發，並透過上台成果報告及現場實體機械手臂展示進行評分。

決賽重新計分，初選成績不計入決賽總分。

一、上台成果報告（40%）

1. 任務目標與成果對照（10%）

• 說明任務應用情境、欲解決的問題與預期目標。
• 展示任務拆解及實際完成的功能。
• 比較初選企劃與最終成果，說明完成項目與未完成項目。

2. Robot Learning 技術實現（15%）

• 說明使用的 Robot Learning 方法、模型架構及訓練流程。
• 展示資料蒐集方式、資料量、訓練設定及模型部署方式。
• 說明硬體、軟體框架與算力資源的使用情況，以及技術選擇的合理性。

3. 實驗結果與成效分析（10%）

• 提供可量化的實驗結果，例如任務成功率、推論速度、操作精度或訓練表現。
• 分析模型在不同測試條件下的表現，以及實際遇到的問題。
• 說明實驗結果是否符合原定目標，以及可行的改善方向。

4. 技術挑戰與學習成果（5%）

• 說明開發過程遇到的主要技術挑戰與解決方式。
• 分享 Robot Learning 實作過程中的重要觀察、經驗與收穫。

二、現場實體 Demo（60%）

1. 任務完成度（25%）

• 使用 SO-ARM101 實體機械手臂展示預定任務。
• 評估任務操作步驟、目標動作及最終成果的完成程度。
• 依據任務難度、實際完成範圍及預設成功標準綜合評估。

2. Robot Learning 實際應用（15%）

• 展示透過 Robot Learning 模型控制機械手臂完成任務的實際成果。
• 確認模型有實際參與操作決策，而非僅依靠預先編寫的固定動作或人工遙控。
• 評估學習方法與實際機器人操作的整合程度。

3. 系統穩定性與可靠度（10%）

• 觀察機械手臂在多次操作下的任務成功率與一致性。
• 評估面對物件位置、起始狀態等適度變化時的表現。
• 評估系統執行過程的穩定性及失敗後的恢復能力。

4. 軟硬體整合與現場展示（10%）

• 評估 SO-ARM101、Jetson、相機、感測器及模型推論系統的整合程度。
• 評估現場操作流程、系統反應速度及硬體控制的穩定性。
• 確認展示過程安全、清楚，且可讓評審實際觀察機器人操作成果。

三、NVIDIA 技術應用（額外加分，最高 10 分）

鼓勵隊伍實際整合 NVIDIA Isaac Sim、Isaac Lab、GR00T、Cosmos、TensorRT 等技術，並展示其對 Robot Learning 任務的具體貢獻。

• 技術整合與實際成效（最高 5 分）：NVIDIA 技術已實際應用於資料生成、模型訓練、模擬驗證、推論加速或其他相關流程，並有具體成果。
• 技術選擇與應用價值（最高 5 分）：能合理說明所使用技術的必要性、整合方式及對任務的實際效益。

單純使用活動指定的 Jetson 設備不列入額外加分，亦不以使用 NVIDIA 工具的數量作為加分依據。

四、決賽評審執行方式

1. 上台成果報告：由參賽隊伍說明任務目標、技術方法、實作成果及實驗分析。
2. 現場實體 Demo：操作 SO-ARM101 展示實際任務，並由評審觀察任務完成度與系統穩定性。
3. 評審問答：評審可針對模型訓練、資料蒐集、實驗結果、硬體整合及技術問題進行提問。
4. 綜合評分：依上台成果報告及現場 Demo 評分，NVIDIA 技術應用另計加分。

總分：基本分 100 分，額外加分最高 10 分，合計最高 110 分。

現場 Demo 應以實際操作為主要評分依據。預先錄製影片可作為補充佐證，但不能完全取代實體展示。

建議各隊進行多次任務測試，並提供實際成功次數與測試條件，供評審比較。

為促進機器人與 AI 產業人才交流，本活動亦邀請贊助企業參與成果展示及人才交流，透過參賽隊伍的技術報告、現場 Demo 與評審問答，觀察開發者的實作能力與專業潛力。

本項評估由贊助企業獨立進行，不計入正式決賽總分，可作為後續企業徵才、實習或技術合作邀請的參考。

評估標準（100 分）

• 工程實作與技術能力（35%）：評估參賽者對 Robot Learning、機器人控制、軟硬體整合、模型訓練及系統部署的理解與實際開發能力。
• 問題分析與解決能力（30%）：評估開發過程中辨識問題、技術除錯、資源運用與調整方案的能力。
• 團隊協作與分工（20%）：評估團隊成員的角色分工、協作效率，以及各成員對專案的實際貢獻。
• 技術溝通與表達能力（15%）：評估能否清楚解釋技術選擇、系統架構、實驗結果及所遇到的挑戰，並有效回應評審提問。

執行方式

1. 贊助企業可透過決賽簡報、現場 Demo 及交流時段觀察參賽者表現。
2. 鼓勵參賽隊伍介紹成員的負責項目與實際技術貢獻。
3. 贊助企業可依自身人才需求進行獨立評估及後續交流。
4. 參賽者可自願選擇是否公開履歷或聯絡資訊，並同意由有興趣的企業聯繫。

本項評估著重參賽者的工程能力與發展潛力，不以最終 Demo 是否完全成功作為唯一判斷標準。