超越邊界框：企業 AI 物理約束智慧 的急務

Veriprajna 技術白皮書

執行摘要

在企業人工智慧這個高風險場域中，偵測 物件與理解其本質的區別並非僅是語義問題——它是 營運成功與災難性失敗之間的分野。此一現實在十月 2020 年一場蘇格蘭冠軍聯賽足球賽中得到鮮明印證，對陣雙方為 Inverness Caledonian Thistle 與 Ayr United。一套新裝的自動化攝影機系統，設計目的是自主 追蹤球體以轉播比賽，卻以既滑稽又 具啟發性的方式失敗。AI 系統並未跟隨比賽進行，而是一再把鏡頭從 高速攻防上移開，改去特寫站在邊線上巡邊員的光頭。

對無法看到進球畫面的居家觀眾而言，這場比賽令人沮喪。 對 AI 架構師而言，這卻是一次啟示。該系統很可能建基於標準判別式深度 學習架構，類似 YOLO（You Only Look Once）或 SSD（Single Shot Detector）， 它確實正確辨識出一種視覺模式：一個圓形、淺色、紋理 在球場投光燈下類似合成球面的物體。在電腦視覺的詞彙中， 巡邊員的頭就是一顆「球」。系統失敗，是因為它只依賴視覺 機率，而忽略了物理可能性。它缺乏脈絡框架去 理解足球遵循拋體運動定律、受撞擊後會加速， 且在物理上不可能附著在以步行速度移動的人體軀幹上。

此一事件成為當前工業 AI 現況的代表性寓言。我們正 目睹「包裝層」方案趨於飽和——在通用大型 語言模型（LLM）或預訓練電腦視覺 API 之上的薄應用層。這些系統擅長 機率性模式匹配，但一旦面對物理世界的確定性約束便 崩潰。它們能偵測，卻不能理解。

在 Veriprajna，我們主張人工智慧的下一道前沿並不在於更大的 參數規模，而在於 物理約束視覺系統 。透過把 不可變的物理定律——運動學、熱力學與能量 守恆——直接嵌入神經架構與推論邏輯，我們把脆弱的偵測 模型轉化為強健的理解引擎。本白皮書闡明此一轉變的 必要性，詳述通用視覺的技術失效模式、物理約束的數學基礎， 以及「深度 AI」在從 運動科技到半導體製造與自主系統等產業中的經濟急務。

1. 光頭巡邊員的寓言：AI 失效的鑑識 分析

要理解解法，必須先毫不留情地解剖問題。Inverness Caledonian Thistle 事件常被當成幽默的技術小故障而輕輕帶過，但它 代表的是純資料驅動、判別式電腦視覺的根本極限。 ¹

1.1 技術：自動化轉播與紋理偏差

該系統使用 Pixellot 攝影機陣列，一套精密的自動化運動 製作方案，旨在透過取消人工攝影機 操作員來讓轉播民主化。 ¹ 這類系統通常採用全景高解析光學組件來 捕捉整片球場，再以軟體層產生「虛擬裁切」——一種數位 平移縮放，用以模擬廣播級攝影機的輸出。 ²

驅動此虛擬攝影機的核心演算法依賴物件偵測，以辨識每一幀中的 感興趣區域（ROI）。深度學習模型，尤其是卷積神經 網路（CNN），透過把影像分解為層次化 特徵——邊緣、曲線、紋理與形狀——來學習辨識物件。然而，廣泛部署的架構 往往嚴重偏向 紋理 而非結構邏輯。

在 Inverness 那場比賽中，巡邊員頭部的視覺語義構成了一個對抗 樣本。

●​ 視覺相似性 ：巡邊員的光頭呈圓形、發亮，並被明亮的 球場燈光照射，形成鏡面高光。 ³ 在該場比賽特定的照明條件下， 頭部的像素梯度在統計上與足球的梯度，對當時使用的 特定模型而言無法區分。

●​ 信心校準 ：追蹤邏輯很可能優先選擇 「信心分數」最高的目標。若陽光或投光燈在巡邊員頭上反光， 「球」的信心分數可能飆升至 98%，而真正的球——快速 移動、模糊、或穿過陰影——登錄的信心可能 只有 80%。

●​ 結果 ：系統被程式設定為跟隨最高信心訊號，於是鎖定 在頭部上。 ⁴

1.2 脈絡缺口：語義歧義 vs. 物理不可能

失效發生，是因為模型在物理脈絡的真空中運作。它 把視野當成「特徵袋」處理，辨識出「圓的東西」，卻沒有 理解球的 概念。 ¹

人類觀察者——或受物理約束的 AI——能立刻把頭與球區分開來， 依據的不只是紋理，而是運動學脈絡：

●​ 連通性 ：頭附著於身體。球是離散、不相連的實體。

●​ 速度 ：巡邊員以 0–15 mph 移動。比賽中的足球以 0–80 mph 移動。

●​ 軌跡 ：頭維持相對恆定的高度 5–6 英尺（約 1.7 公尺）。

球沿重力所定義的弧線移動、在球場上彈跳，或沿地面滾動。 ⁵ AI 看見的是「球」。它不理解：一個以 3 mph 在恆定高度 5.5 英尺移動、附著於垂直圓柱體（身體）的「球」，違反了比賽中 足球的物理輪廓。通用模型缺乏源自物理的「常識」去 拒絕偽陽性，說明了只依賴視覺機率的 AI 有多脆弱。 ³

2. 通用電腦視覺在企業中的極限

「光頭」問題並非運動領域獨有；凡是把 通用、現成的電腦視覺（CV）API 套用到動態物理 環境的應用，都普遍存在。對純資料驅動方法的依賴會導致特定失效模式， 在零售代價高昂、在汽車危險、在製造則具毀滅性。

2.1 靜態幀偏差與時間失憶

多數通用物件偵測 API（例如大型雲端超大規模業者所提供的） 把影片當成一序列獨立影像來處理，而非連續的 時間序列資料。這稱為 幀獨立推論 。

在此典範中，推論引擎分析幀 $t$，在座標處偵測到「球」 $(x_1, y_1)$，然後遺忘一切。接著處理幀 $t+1$，偵測到「球」（即 頭部）位於 $(x_2, y_2)$，並回傳該結果。系統並不原生強制 此一約束：其間距離 $(x_1, y_1)$ 與 $(x_2, y_2)$ 必須在物理上 合理，給定時間差 $\Delta t$。 ⁶

缺乏時間一致性，使追蹤器得以在視覺信心暗示時瞬間跳過畫面 去鎖定偽陽性。在製造場景中，這 表現為缺陷偵測系統「閃爍」：在某一幀標出缺陷， 下一幀又忽略它，只因照明角度微變。 ⁷

2.2 遮擋問題：物件恆存

在物理世界中，物件被遮住時並不會停止存在。在 通用電腦視覺的世界裡，它們常常如此。遮擋——一物件擋住 另一物件的視線——是運動與工業物流中追蹤失效的主因。 ⁸

●​ 通用回應 ：當球員跑到攝影機與球之間，物件 偵測器找不到球。信心分數降為零。追蹤器宣告 物件「遺失」，通常重置或停止。

●​ 企業後果 ：在零售「Just Walk Out」商店中，若顧客把一件 商品放進袋子、手又把商品遮住零點幾秒，通用 系統就會失去該 SKU 的追蹤。這導致漏計費或錯誤指控偷竊， 損害顧客體驗。 ⁹

●​ 物理現實 ：以 20 m/s 移動的球即使不可見，仍會以大約 20 m/s （減去阻力）繼續移動。物理約束系統維持該存在 於狀態記憶中的物件，在遮擋後方「幻覺」出其位置，依據 其遮擋前軌跡。 ⁶

2.3 偽陽性的高昂代價

在 Inverness 那場比賽中，偽陽性意味著不滿的球迷與公關難堪。在 工業應用中，偽陽性直接侵蝕利潤率。

表 1：各產業偽陽性的經濟影響

產業	偽陽性 情境	後果	商業影響
運動 轉播	追蹤裁判的 頭而非 球。	鏡頭移開 從球門； 無法觀看的 串流。	訂戶流失； 聲譽 損害。4
半導體 製造	把灰塵／噪聲標為 電路缺陷。	良品晶圓被 報廢或送去 人工覆核。	良率損失； 人力成本增加； 生產 瓶頸。10
自動 駕駛車輛	「幽靈煞車」 因陰影／路標。	車輛在高速公路上猛踩 煞車。	碰撞風險； 乘客受傷； 監管召回。11
零售保全	把正常 購物行為標為 偷竊。	錯誤指控； 結帳處 摩擦。	顧客 疏離； 營運 無效率。9

在半導體製造中，良率尤其是獲利的主要驅動力。若一套 自動光學檢測（AOI）系統偽陽性率很高，製造商 就必須雇用人類專家審閱數千張影像，或更糟，報廢仍可用的產品。 研究顯示，缺陷偵測準確度僅提升 1%，即可帶來 5–10% 的良率增加，每年節省數百萬。 ¹⁰ 通用「包裝層 AI」缺乏精度去 區分致命缺陷與無害表面變異，因為它並未建模 光與材料的 物理 交互。

3. 物理約束視覺：Veriprajna 的 方法論

Veriprajna 有別於一般 AI 顧問公司之處，在於打造 物理約束 視覺系統 。我們並非僅僅包裝開源模型；我們把現實包覆在 AI 周圍。 我們的系統採用混合架構，從根本上改變 像素與預測之間的關係。我們把深度學習模型的輸出不當成「事實」，而當成 必須以不可變物理定律加以驗證的「含噪量測」。

3.1 混合架構：確定性邏輯 + 機率性 感知

我們方法的核心，是把確定性狀態估計整合進 機率性偵測迴圈。我們採用嚴謹的數學框架，把神經網路的 輸出經由物理引擎過濾。

混合智慧方程式：

$$\text{State}_{final} = \text{PhysicsFilter}(\text{NeuralNet}(\text{Image}), \text{PhysicalConstraints})$$ 此架構確保任何偵測除非在運動學、 幾何與時間上一致，否則不予接受。

3.2 以卡爾曼濾波器進行狀態估計

我們系統中強制運動學一致性的主要機制是 卡爾曼 濾波器 及其非線性變體（擴展卡爾曼濾波器 - EKF、無跡卡爾曼濾波器 UKF）。 ⁵

3.2.1 軌跡預測的機制

卡爾曼濾波器維持對物件狀態的機率信念（其位置、 速度與加速度），以及——關鍵地——該信念的不確定性（協方差）。 ⁵ 它 在連續的「預測－更新」迴圈中運作：

1.​ 預測（物理步驟） ：在視覺系統處理下一幀之前， 卡爾曼濾波器依其先前狀態與 牛頓力學，預測物件 必須 所在之處。

○​ 情境 ：球位於中場（$x_0$），以 20 m/s 向東移動（$v_x$）。

○​ 預測 ：在 0.04 秒內（$\Delta t$），球將位於 $x_{new} = x_0 + v_x \Delta t$。此預測的不確定性因過程噪聲而略為擴大 （風、旋轉）。

2.​ 量測（視覺步驟） ：電腦視覺模型掃描該幀並 回傳候選偵測：

○​ 候選 A ：位置符合預測的「球」。

○​ 候選 B ：位於 15 公尺外的「球」（頭部）。

3.​ 更新（融合步驟） ：濾波器比較預測與量測 以 新息 項（預測與 量測之間的殘差）。

○​ 拒絕邏輯 ：「頭部」候選產生巨大的新息值。它 意味著球以足球在物理上不可能達到的速率加速。濾波器 計算 馬氏距離 ——衡量量測距離預測有多少個標準 差的統計量。若距離超過 閾值（例如 3 個 sigma），該量測被拒絕為離群值，無論 視覺信心分數如何。 ¹²

3.2.2 卡爾曼增益

濾波器以 卡爾曼增益（$K$） 動態調整其信任程度。 ¹²

$$\hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k (z_k - H \hat{x}_{k|k-1})$$

●​ 若視覺系統含噪（例如大雨、模糊），量測噪聲協方差 （$R$）增大。卡爾曼增益下降，使系統更信任 物理 預測 而非 視覺量測 。

●​ 此機制讓系統能平順地「滑行」穿過遮擋或瞬間 故障（如光頭），而不偏離真實路徑。

3.3 光流作為硬約束

在機率濾波之外，我們以 光流 作為追蹤中的硬約束。 ¹⁴ 光流計算連續幀之間像素的運動向量。

●​ 邏輯 ：在空中移動的足球產生特定流場。靜止的 巡邊員產生近零流場（或與攝影機 平移相符的流場）。

●​ 約束實作 ：我們施加約束： $ \text{ObjectVelocity} > \text{Threshold} $。若物件偵測器辨識出「球」，但該處光流 顯示物件相對地面靜止，該偵測立即 失效。

●​ 拉格朗日乘數 ：在進階實作中，我們把追蹤當成受約束的 最佳化問題。我們求解使視覺誤差最小化、須滿足 此一約束：物件必須服從光流方程式（$ \nabla I \cdot v + I_t = 0 $）。這把「軟」偏好轉成「硬」數學要求。 ¹⁴

3.4 物理資訊神經網路（PINNs）

在簡單牛頓力學不足的複雜環境——例如 預測受馬格努斯效應影響的球曲線，或為工業 管線中的流體流動建模——Veriprajna 部署 物理資訊神經網路（PINNs） 。 ¹⁵

3.4.1 PINN 創新：把定律編碼進損失

標準神經網路最佳化參數，以最小化預測與 標註資料（$\text{Loss}_{data}$）之間的誤差。它們容易過擬合，且若訓練資料含噪，可預測物理上 不可能的狀態。

PINN 引入一項來自系統底層控制微分方程式的正則化項 控制該系統：

$$\text{Loss}_{total} = \text{Loss}_{data} + \lambda \text{Loss}_{physics}$$

●​ $\text{Loss}_{physics}$ ：此項評估控制物理 方程式（例如 Navier-Stokes 方程式或拋體運動方程式）的殘差。若 網路預測出球在無外力下於半空轉彎的軌跡， 微分方程式便被違反，並且 $\text{Loss}_{physics}$ 飆升。 ¹⁶

●​ 訓練效果 ：訓練期間，網路不僅因未命中目標而受罰， 也因違反物理定律而受罰。它實質上「學會」重力、動量與 能量守恆。

●​ 結果 ：PINN 所需訓練資料遠少於標準網路，因為 可能解的搜尋空間被物理約束大幅縮小。它 對未見情境的泛化更好，因為它理解比賽規則，而不只是 比賽歷史。 ¹⁵

4. 深入：工業應用與個案研究

雖然「光頭」事件清楚說明了問題，物理約束視覺的應用 遠超出運動領域，並應對 高價值產業的關鍵挑戰。

4.1 運動科技：三維現實

足球是在重力場中移動的三維物件，但多數攝影機只看見二維 平面。Veriprajna 系統彌合此一落差。

●​ 三維軌跡重建 ：透過三維卡爾曼濾波器，我們估計深度 （$z$軸）依據尺度變化與重力加速度約束 （$y$軸加速度必須等於 $-g$）。 ¹³

●​ 旋轉與空氣動力學 ：進階模型納入氣動阻力與 馬格努斯效應（旋轉）。「指節球」的移動不同於弧線任意球。物理約束 模型能從初始軌跡辨識射門類型並 預測曲線，讓攝影機得以 提前 於動作平移，而非對其 反應。 ¹⁸

●​ 語義一致性 ：為專門解決 Inverness 問題，我們實作 語義運動學檢查。我們分類的是「軌跡」而不只是物件。一條 連續數分鐘維持 1.7 公尺恆定高度的軌跡，在語義上被分類為 「人類」，不論其視覺紋理。呈現高變異速度的軌跡則 被分類為「拋體」。

4.2 半導體製造：零缺陷檢測

在奈米尺度的半導體製程世界中，偽陽性的代價 極高。

●​ 問題 ：通用 AI 可能把 2nm 灰塵顆粒標為「致命缺陷」，只因它 看起來像短路。

●​ Veriprajna 解法 ：我們運用 多視幾何 約束。 ¹⁹ 透過從多角度對 晶圓成像，我們應用對極幾何來驗證缺陷。物理上的 凹坑或刮痕會以可預測方式移位（視差）。表面污漬或灰塵 顆粒的行為可能不同。若缺陷候選不滿足三角測量的幾何 約束，便被視為表面偽影而排除，使晶圓免於 報廢。 ²⁰

●​ 經濟影響 ：透過降低偽陽性，我們直接改善「一次通過良率」 指標，這是半導體經濟學中最關鍵的單一 KPI。 ¹⁰

4.3 自主系統：解決「幽靈煞車」

「幽靈煞車」發生於自動駕駛車輛的視覺系統誤把 陰影、橋梁或路標當成障礙物並猛踩煞車。 ¹¹ 這是 物理推理的失敗。

●​ 失效 ：對比度系統看見路面上一道暗帶（陰影）並 將其分類為「牆」或「車輛」。

●​ 物理約束 ：高速公路上的靜態障礙具有三維結構。陰影躺在 道路平面上。Veriprajna 主張以 時間一致性檢查 搭配 光流。透過分析數幀中的「障礙」，我們可判定其 相對路面的高度。若光流顯示高度為零（物件正好 與路面紋理一起移動），系統禁止煞車，覆寫物件 偵測器。 ¹¹

●​ 感測器融合 ：我們採用「感測器融合作為真相錨點」。攝影機可被 光線愚弄，而雷達與 LiDAR（飛時感測器）提供距離的地面實況。 物理邏輯要求：若視覺說「障礙」但雷達說「空曠」， 系統必須依物理可能性進行仲裁。 ²¹

5. 經濟論據：2025 年的自建 vs. 外購

對企業領導人而言，導入 AI 的決策往往是購買 現成 API（「包裝層 AI」）或打造客製方案之間的選擇。「光頭」事件 澄清了此一選擇的經濟學。

5.1 「90% 陷阱」

通用 API 讓企業能快速且低成本達到 90% 準確度。它們能辨識 標準條件下的球、車或缺陷。

●​ 最後 10% ：商業價值——以及商業風險——完全落在最後 10%。 此區段包含邊緣案例：光頭、路面陰影、 遮擋、罕見缺陷。

●​ 失效成本 ：通用 API 在邊緣失效。在運動意味著失去訂戶。 在製造意味著失去良率。在自主系統意味著法律責任。

●​ Veriprajna 價值主張 ：我們把落差從 90% 橋接到 99.99%，方法是加入

物理層 。我們不只依賴可能稀疏或有偏差的資料；我們依賴 物理，而物理是普遍且不可變的。

5.2 總擁有成本（TCO）分析

雖然客製物理約束系統的初始 CAPEX 高於包裝層 API， OPEX 與風險輪廓對任務關鍵工作更有利於「自建」。 ²²

表 2：自建 vs. 外購策略分析

項目	包裝層 API（「外購」 取徑）	物理約束 系統（Veriprajna）
初始成本	低（訂閱制）	中／高 （工程成本）
準確度	標準資料上高；邊緣 案例上低。	標準資料上高； 邊緣案例上強健。

偽陽性	頻繁（需要人工 覆核）。	極少（由物理 過濾）。
資料隱私	資料往往離開 場址／雲端。	完整資料 主權／可在場 部署。
智財所有權	無（供應商鎖定）。	模型與邏輯的 完整所有權。
長期 TCO	高（擴展成本 + 錯誤 成本）。	低（攤提後的建置成本 + 效率增益）。

如產業報告所述，購買平台可加快價值實現時間，但打造 專有、具物理感知的方案能形成防禦護城河與長期營運 韌性。 ²³

6. Veriprajna 方案的技術架構

當 Veriprajna 與客戶合作時，我們部署一套標準化卻具彈性的架構， 專為物理約束推論而設計。此「Phys-Vision」管線確保每一 像素都經邏輯審核。

6.1 管線步驟

1.​ 擷取 ：高 FPS 視訊串流（偏好 Raw/Bayer，以避免壓縮偽影，以免 混淆光流演算法）。

2.​ 前處理 ：畸變校正（對精確運動學量測至關重要）。

3.​ 機率性偵測（「假說」） ：

○​ 最先進的 CNN（例如 EfficientDet、YOLOv8）執行以產生候選 邊界框。

○​ 輸出 :, .

4.​ 確定性驗證（「檢驗」） ：

○​ 運動學閘 ：候選是否落在 預測感興趣區域（ROI） 來自卡爾曼濾波器？

○​ 光流閘 ：框內像素運動是否符合物件的 預期速度輪廓？

○​ 幾何閘 ：物件尺寸是否滿足相對 攝影機位置的三維透視約束？。 ²⁵

5.​ 狀態更新 ：

○​ 若通過 ：更新卡爾曼濾波器狀態。

○​ 若拒絕 ：視為離群值／雜波。

6.​ 行動 ：平移攝影機／觸發機器人／警示操作員。

6.2 進階實作：哈密頓神經網路（HNNs）

對需要嚴格能量守恆的系統（例如軌道力學或機器手臂 操作），我們使用 哈密頓神經網路 。 ²⁶

●​ 概念 ：HNN 不直接學習向量場，而是學習 哈密頓量 （代表系統總能量的純量函數， $H = T + V$）。

●​ 機制：網路輸出 $H$，系統計算梯度： ​ ​ $$\frac{dq}{dt} = \frac{\partial H}{\partial p}, \quad \frac{dp}{dt} = -\frac{\partial H}{\partial q}$$

●​ 效益 ：這保證系統是 辛 的——它在 相空間中保體積。實務上，這表示我們的追蹤預測不會在長時間範圍「漂移」或 人為地獲得／失去能量，而這是標準 循環神經網路（RNN）的常見失效。 ²⁸

7. 結論：脈絡即新的準確度

「光頭」事件是對嚴肅現實的幽默警告。當我們把更多 控制託付給 AI——在工廠、車輛與球場——我們必須要求的不只是統計 相關。我們必須要求物理一致性。

通用 AI 模型把世界看成紋理的集合。它們不知道球會 彈跳、汽車不能瞬間停下，或物件被遮住時仍繼續存在。在 Veriprajna，我們相信 物件偵測並非物件理解 。

我們打造物理約束視覺系統，因為我們不只是在找球；我們用 卡爾曼濾波器預測其軌跡、用光流驗證其運動、用熱力學 確保其合理性。

您的 AI 分得出球與頭的差別嗎？若它只依賴像素， 答案是「有時」。若它依賴物理，答案是「永遠」。

Veriprajna：面向確定性世界的深度 AI 方案。

#SportsTech #ComputerVision #AI #Engineering #PhysicsInformedAI #Veriprajna

參考文獻

1. Report 1559 - AI Incident Database, 於 2025年12月11日存取, t fb https://incidentdatabase.ai/reports/1559/

2. AI-Controlled Camera Follows Bald Referee's Head Instead of the Ball t fb Bitdefender, 於 2025年12月11日存取, https://www.bitdefender.com/en-us/blog/hotorsecurity/ai-controlled-camera-follfows-bald-referees-head-instead-ball

3. AI's Confusion Over a Bald Head Demonstrates One Area Where Artificial Intelligence Needs Improvement - My TechDecisions, 於 2025年12月11日存取, https://mytechdecisions.com/it-infrastructure/ai-bald-head/

4. AI Camera Ruins Football Game By Mistaking Referee's Bald Head For Ball - NDTV, 於 2025年12月11日存取, https://www.ndtv.com/offbeat/ai-camera-ruins-football-game-by-mistaking-referees-bald-head-for-ball-2319171

5. Kalman filtering | Computer Vision and Image Processing Class Notes - Fiveable, 於 2025年12月11日存取, https://fiveable.me/computer-vision-and-image-processing/unit-9/kalman-filtering/study-guide/uOR622FiNSXNONR4

6. TOTNet: Occlusion-Aware Temporal Tracking for Robust Ball ... - arXiv, 於 t fb 2025年12月11日存取, https://arxiv.org/pdf/2508.09650?

7. The Role of False Positives in Automated Visual Inspection - UnitX, 於 t fb 2025年12月11日存取, https://www.unitxlabs.com/false-positive-machine-vision-system-inspection-errors-impact/

8. Overcoming Occlusion in Object Detection for Sports Analytics with Annotation & Post-Processing | AskGalore, 於 2025年12月11日存取, https://askgalore.com/whitepaper/occlusion-problem-ai-computer-vision-sports-analytics

9. Defining false positives: Why outcomes matter with Vision AI | SeeChange, 於 2025年12月11日存取, https://seechange.com/defining-false-positives-why-outcomes-mater-with-visiotn-ai/

10. Traditional vs. AI Methods in Semiconductor Defect Detection - Indium Software, 於 2025年12月11日存取, https://www.indium.tech/blog/traditional-vs-ai-semiconductor-defect-detection/

11. How To Deal With Tesla Phantom Braking Problems - Auto Scandia, 於 t fb 2025年12月11日存取, https://autoscandia.com/how-to-deal-with-tesla-phantom-braking-problems/

12. Kalman filter - Wikipedia, 於 2025年12月11日存取, t fb https://en.wikipedia.org/wiki/Kalman_filter

13. Depth-Based Tracking with Physical Constraints for Robot Manipulation, 於 2025年12月11日存取, https://rse-lab.cs.washington.edu/papers/DepthBasedTracking-icra-2015.pdf

14. Optical Flow Constraints on Deformable Models with Applications to Face Tracking - University of Pennsylvania, 於 2025年12月11日存取, https://repository.upenn.edu/bitstreams/38a7b702-3449-45c1-880a-4f26566f9f4e/download

15. Physics-informed Machine Learning | PNNL, 於 2025年12月11日存取, https://www.pnnl.gov/explainer-articles/physics-informed-machine-learning

16. Physics-informed neural networks - Wikipedia, 於 2025年12月11日存取, https://en.wikipedia.org/wiki/Physics-informed_neural_networks

17. What Are Physics-Informed Neural Networks (PINNs)? - MATLAB & Simulink MathWorks, 於 2025年12月11日存取, https://www.mathworks.com/discovery/physics-informed-neural-networks.html

18. Kinematic 3D Object Detection in Monocular Video - Computer Vision Lab Michigan State University, 於 2025年12月11日存取, http://cvlab.cse.msu.edu/project-kinematic.html

19. Geometric Verification Using Semi-2D Constraints for 3D Object Retrieval Computer Vision, 於 2025年12月11日存取, https://vision.unipv.it/CV/materiale2016-17/1st%20Choice/0223.pdf

20. 3D Object Modeling and Recognition Using Local Affine-Invariant Image Descriptors and Multi-View Spatial Constraints - Svetlana Lazebnik, 於 2025年12月11日存取, https://slazebni.cs.illinois.edu/publications/ijcv06.pdf

21. Tesla drivers report a surge in 'phantom braking' - Hacker News, 於 2025年12月11日存取, https://news.ycombinator.com/item?id=30179681

22. Build vs Buy Software in 2025: Cost, ROI and Decision Guide - Appinventiv, 於 2025年12月11日存取, https://appinventiv.com/blog/build-vs-buy-software/

23. Build or Buy for Vision Automation — What's the Difference - Wevolver, 於 2025年12月11日存取, https://www.wevolver.com/article/build-or-buy-for-vision-automation-whats-the-diferencef

24. Build vs. buy: computer vision AI for telecom and utilities field operations - IQGeo, 於 2025年12月11日存取, https://www.iqgeo.com/blog/build-vs.-buy-computer-vision-ai-for-telecom-and-utilities-field-operations

25. Real time face detection using geometric constraints, navigation and depth-based skin segmentation on mobile robots - SciSpace, 於 2025年12月11日存取, https://scispace.com/pdf/real-time-face-detection-using-geometric-constraints-835fe04b2e.pdf

26. Hamiltonian Neural Networks - Natural Intelligence, 於 2025年12月11日存取, https://greydanus.github.io/2019/05/15/hamiltonian-nns/

27. Hamiltonian Neural Networks - SciBits.blog, 於 2025年12月11日存取, https://www.scibits.blog/posts/hnn/

28. Hamiltonian and Lagrange Neural Networks - AI Weekly Report, 於 2025年12月11日存取, https://weeklyreport.ai/briefings/hamiltonian-nn/