标签：强化学习

通用科学ML

研究负载信息质量如何影响电网控制效果，基于DC功率流模型与Grid2Op风格仿真器，探索数据同化与强化学习结合的控制策略。

Multibody

综述机器人学习中物理先验嵌入的方法，涵盖接触力学、刚柔体耦合、多体动力学等物理约束如何提升学习策略的样本效率与可靠性。

多体/Multibody

提出基于非专家演示的数据驱动MPC策略构建方法，通过记忆化非参数策略构造有限时域替代价值函数的Lipschitz正则化上包络，实现无限时域最优控制的逼近。

多体

提出CHOREO框架，无需训练即可实现异构人形机器人技能（如强化学习、运动模仿、生成模型）的组合，支持跨表示/接口/控制器的技能拼接。

流体控制 / 湍流减阻

面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。在风洞/等离子体实验装置上验证可重复部署，是 AI 控制真实物理装置的代表性工作。

能源 / 聚变控制

深度强化学习直接控制托卡马克磁线圈，实现多种等离子体位形（含双雪花形）的精确约束，是 AI 控制真实物理装置的标志性公开案例。在风洞/等离子体实验装置上验证可重复部署，是 AI 控制真实物理装置的代表性工作。