國立臺灣師範大學電機工程學系團隊成功讓人形機器人學會駕駛電動機車，並在低速條件下保持平衡及完成路徑追蹤。此技術透過深度強化學習（Deep Reinforcement Learning, DRL）演算法，有效克服了雙輪車在靜止及低速時容易傾倒的狀況，為發展通用型機器人開啟新的可能。

騎乘雙輪車看似簡單，對機器人卻是高度挑戰。與四輪車相比，雙輪車輛在低速或停駛時平衡控制要求極高，稍有不慎就會倒地。為此，團隊設計了兩套控制系統，且分別進行嚴格測試。

台師大電機工程學系教授包傑奇（Jacky Baltes）表示，這些測試涵蓋多種速度（2.5、5、10 公里/小時）及轉向速度（10、20、40 弧度/秒）條件，並在無外力干擾及複雜蜿蜒路徑等多種環境中檢驗機器人性能。

測試結果顯示，雖然兩種控制系統皆能維持基本平衡，但採用內建深度強化學習控制器的機器人在路徑追蹤與轉彎準確度方面表現更為出色，整體性能平均提升約 52%，顯著提升機器人的穩定性和適應性。

為降低研發成本並加快訓練速度，團隊運用輝達 NVIDIA Isaac Gym 高效圖形處理器（Graphics Processing Unit，GPU）模擬平台，利用 GPU 強大的運算能力，將過去需依賴數千個中央處理器（Central Processing Unit，CPU）核心的模擬任務集中於單一 GPU 中完成。此舉大幅提升強化學習訓練效率，並成功構建人形機器人與電動機車的 3D 數位模型，實現在虛擬環境中的高效測試與開發優化。

完成模擬驗證後，團隊將控制策略應用於實體人形機器人與電動機車，成功展現其在真實場景中的穩定轉向與基本路徑行駛能力。接下來，團隊計畫進一步推動系統進入大型實地測試場域，驗證機器人在更複雜環境下的應用潛力。

包傑奇強調，讓機器人逐步掌握多種技能，是實現通用型機器人的核心目標。人形機器人相較於工業機器人，能更自然地融入人類生活場景，操作原本專為人類設計的工具與設備。隨著 AI 與機器學習技術的快速發展，未來人形機器人有望在照護、運輸及救災等領域展現應用潛力。