【课题推荐发表期刊】

【课题背景】

强化学习在机器人控制领域的应用正日益广泛，特别是在无人机控制和赛车游戏等场景中，已经展现出超越人类专家水平的性能。此外，强化学习特别适用于那些高不确定性和高复杂度的环境，这些环境对于传统控制方法来说是一个挑战。强化学习通过试错和反馈机制，能够不断优化策略，实现高性能的机器人控制策略学习。这种学习方法使得机器人能够适应环境变化，提高其在复杂环境中的自主性和适应性。

本课题将结合强化学习方法和具体的任务场景，深入研究如何在复杂场景下实现高性能的机器人控制。通过设计高性能策略学习算法，结合具备高表达能力的神经网络模型结构，实现复杂场景下的机器人决策与控制。

【课题方向参考】

• 无地图动态环境中机器人/无人机的导航算法研究

• 基于模仿学习的机器人控制策略学习研究

• 目标导向的通用机器人策略学习方法研究

【适合人群】

工科背景，具备扎实的编程能力，能够熟练编写代码，熟悉深度学习相关的工具和技术，能够独立进行项目开发和问题解决，高度自主、能自我驱动，不断学习和探索新技术。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Peng，985高校博士后

• 发表4篇SCI论文，2篇EI论文，其中2篇SCI一区top，1篇IEEE Transactions，1篇CCF-A会议

• 辅导过一名研究生毕业论文；拥有丰富的中、英文学术论文辅导经验，熟悉各类论文写作规范和技巧，能够针对不同学科和研究领域提供专业的指导和建议

• 可提供开源代码并指导复现

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes

• 2024 NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration