基于深度强化学习的人体伴随机器人自适应交互策略

提出D3DWA框架，利用决斗双深度Q网络自适应调整动态窗口方法的权重和预测范围，提升机器人在不同环境中的导航适应性。

ForceTwin通过人类交互数据学习关节物理属性（惯性、摩擦、弹簧机制），构建可预测动作的物理信息数字孪生，赋能机器人精准操作。

提出LOInK方法，通过结构化神经代理模型学习构型空间到解耦任务/潜空间的Lipschitz可逆映射，将代价最小化解置于原点，实现逆运动学近似最优解的高效采样。

JAMB提出联合去噪双臂动作与运动状态，突破性建模双臂间的几何交互约束，为共享3D场景中的协同操作提供新范式。

研究张拉整体连续体机械臂的运动学估计与闭环控制方法，基于杆件倾角参数化表达复杂连续弯曲构型，解决传统弹性骨干模型不适用于张拉整体结构的问题。