科研导师
Dr. Peng985高校博士后
导师介绍
研究领域：强化学习,模仿学习,自动驾驶,智能决策,离线策略学习 学术成果：发表4篇SCI，2篇EI，其中2篇SCI一区top，1篇IEEE Transactions，1篇CCF-A会议
基于深度强化学习的机器人动态控制策略优化与学习研究
- 课题名称
- 基于深度强化学习的机器人动态控制策略优化与学习研究
- 学科专业
- 课题关键词
- 辅导模式
- 1对1
- 发表目标
- SCI期刊1-2区 CCF-B/C
- 课题介绍
- 机器人动态控制是实现其在非结构化环境中自主作业的核心基础，涉及状态感知、运动规划与执行反馈的闭环协同，在工业制造、服务机器人、人机协作等领域具有重要应用价值。传统控制方法依赖精确的动力学模型与预设规则，难以应对复杂动态干扰（如未知负载变化、环境参数摄动）及高维状态空间问题，泛化能力与自适应性能受限。深度强化学习（DRL）通过融合深度学习的特征提取能力与强化学习的序列决策机制，为解决模型不确定性下的动态控制问题提供了新思路，其端到端学习框架可直接从高维传感器数据中学习控制策略，显著提升机器人对复杂环境的适应能力。然而，当前DRL在机器人动态控制中仍面临样本效率低、训练稳定性差、实时控制延迟高等挑战，尤其在高速动态任务（如敏捷移动、精密操作）中，策略优化的收敛性与鲁棒性亟待提升。因此，深入研究基于DRL的机器人动态控制策略优化方法，探索高效的状态表征、奖励设计与策略更新机制，对推动机器人在复杂动态场景下的自主化应用具有重要理论意义与实践价值。
导师信息
招生要求
面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。