报告题目：机器人操作中的优化控制与学习
报告人：胡英柏
报告时间：2023年3月28日星期三 10:00-11:00
报告地点：物联网工程学院C317
摘要：
在机器人操作中，高层运动规划和低层控制仍然是具有挑战性的问题。对于底层控制，冗余机械臂的多任务或多目标控制是一个热点和难点。例如同时考虑末端跟踪任务、可操纵性和RCM约束时候，需要考虑任务优先级和多重约束。对于高层运动规划，模仿学习是一种有效的方法，可以通过在任务空间中进行模仿迁移来获得专家策略的技能，但是它在执行小数据集的复杂任务时缺乏鲁棒性和自适应性。
因此，针对机器人多任务优化问题，我们设计了基于梯度下降的并行神经网络来解决多任务分层优化问题，该方法结合了不同的优先级目标函数。针对非常少样本下模仿学习的鲁棒性和自适应性，我们提出了一种新的策略改进方法，以增强监督学习在新任务中的鲁棒性和适应性。
报告人介绍：
胡英柏，慕尼黑工业大学博士和博士后，先后发表论文近50篇，其中第一/通讯作者10余篇，包括机器人顶会IEEE-IROS，IEEE-ICRA，和期刊IEEE-TSMC，IEEE-TCYB，IEEE-TIE，RAS等。获得IEEE ICARM 最佳论文奖，IEEE-TMECH最佳论文提名奖，中国仪器仪表学会科学技术一等奖，担任IEEE Trans 30多个期刊会议审稿人，包括IEEE-TRO， IJCAI，ICRA，IROS等，MDPI-Sensors专刊客座主编， 主要研究方向为凸优化的控制与规划，模仿学习，强化学习，智能控制，以及机器人相关应用。
