有線網路無線網路共存的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於深度學習模型於邊緣運算之人機介面操作之自動擊鍵系統開發

為了解決有線網路無線網路共存的問題，作者洪紳淵 這樣論述：

在「電子通訊」快速發展的趨勢下，裝置之間的訊息都可以以有線甚至是無線的連接方式進行傳遞，完成系統組織行為。但在以人為使用者的設計前提下，雖有生物訊號擷取(聲音[1]、姿態識別[2]等等)的應用開發，但多數的裝置介面交互行為多以「機械方式」來操作（按鍵[3]、旋鈕、槓桿等等）。在可預期的智慧型機器人輔助未來中，機器人勢必需要適應、共存於這些以人為使用者為出發點所設計的產品，甚至是模仿人的行為來對這些產品進行操作應用。本系統以「鍵盤操作」作為主題切入點，將人類使用鍵盤的行為分為三個階段，分別是識別定位、物理觸擊和系統整合。在識別定位的部分，本系統以色膠帶標記機構平面，讓現實場景與影像座標進行校正

。接著，校正後的影像將使用物件偵測模型YOLOv5[4]進行按鍵偵測。在得到按鍵偵測結果後，將由預測框組成興趣區域，並在興趣區域內部進行梯度方向統計。梯度方向統計結果將得到目標物於平台上的姿態並轉換成角度為旋轉校正提供參數。同時將以影像處理[5]的方法在興趣區域內取得字元區塊，這些區塊在圖像中經過切割彙整後將送入分類網路ResNet18[6]進行按鍵標籤識別。在本系統中，按鍵偵測正確率達到99%，而按鍵標籤識別正確率達到73%。系統中物理觸擊的部分以Arcus DMX-K-SA-17步進馬達[7]做為XY方向的運動單元，並利用自製的點擊裝置在Z方向動作。裝置之間的訊息交換皆以Arcus格式[7

]透過 RS485通訊協定進行。當此單元收到來自影像校正後的座標訊息，將先於XY平面移動到指定座標，而後完成觸擊行為。最終，系統被實現在NVIDIA® Jetson™ TX2[8]邊緣運算單元上，採用ROS[9]框架進行建構開發。ROS[9]串聯了深度學習框架PyTorch[10]、影像處理[11]以及Linux的串列通訊介面，組織了整個系統。

線上遊戲與行動遊戲作為遊戲平台之競爭區位分析—以消費者資源角度探討

為了解決有線網路無線網路共存的問題，作者張彤瑄 這樣論述：

遊戲市場日漸蓬勃，行動遊戲平台為目前市佔率最高之遊戲平台，而線上遊戲平台在面對行動遊戲平台的競爭之下，仍處於穩定成長的狀態。因此，本研究旨在探討兩種遊戲平台間的競爭情形，以消費者資源角度出發，利用區位理論來分析線上遊戲與行動遊戲平台之區位寬度、區位重疊度與區位優勢，並探討消費者在不同遊戲平台中之消費態度與行為。本研究採用網路問卷調查法，調查對象為擁有兩種遊戲平台之遊玩經驗者，回收共967份有效問卷，問卷有效率為92%。本研究將消費者資源面向分為「便利性滿足」、「易用性滿足」、「社交性滿足」與「沉浸經驗」。研究結果發現兩種遊戲平台在不同的消費者資源面向中各自具有優勢，但兩者之間並沒有非常激烈的

競爭情形。整體而言，兩種遊戲平台呈現互補性競爭關係，行動遊戲平台的出現不足以取代線上遊戲平台，反而兩者各自具有優勢，能夠互補缺陷，在遊戲市場中共生共存。