课题简介
具身智能（Embodied AI）是实现通用人工智能的必经之路，其核心是通过智能体与数字空间和物理世界的交互来完成复杂任务。将具身智能技术和机器人相结合，可赋予机器人更广阔的“感知+思考+行动”能力。尽管技术取得了长足进步，但如何在复杂多变的环境中实现稳定可靠的感知与决策、如何跨越从实验室到真实世界的“最后一公里”，仍是具身智能与机器人领域的关键问题。
本课程基于强化学习（Reinforcement Learning，RL），从具身智能的决策层出发，思考如何融合强化学习与机器人技术，以复杂环境中智能体决策架构构建为主要创新点，部署落实到具体机器人场景，落脚实际问题，凝练创新idea，实现工程应用和学术问题相统一。
本课程主要包含两部分，前半段重点讲解强化学习算法与机器人结合案例，通过案例分析算法架构、补充相关强化学习与机器人基础知识，探讨改进点和创新点，结合学员课题点形成自己的idea。课程后半段重点论文写作，包括论文基本格式、绘图制表公式要求，以及投稿注意事项等，掌握科技论文写作与投稿规范。
导师介绍
【学校/研究方向】
985高校博士毕业，C9博士后。主要研究方向为智能机器人具身智能、强化学习决策。
【实习/工作/项目经历】
某985高校助理研究员
【科研论文/审稿人/会议&期刊任职】
在EAAI，TRANSP，T-ASE，T-II，Neurocomputing，IROS，JESTCH等期刊会议上发表学术论文10余篇（一作及通信7篇）。并担任EAAI，RAL，T-ASE、ICUS、CVPR等会议期刊审稿人。
【指导经验】
指导学生10余人，多期深度之眼科研小班,指导经验丰富
【指导特点】
系统性讲解：强调技术系统性，培养知识体系。
启发式指导：在讲授idea同时强调思考和探索，培养学术思维。
基础与实操：根据学员情况。提供可运行代码和手把手实操指导。
可选创新点
（1）考虑复杂场景约束的强化学习的智能体架构范式、及具体机器人实际部署验证案例
（2）融合大语言模型、多智能体、分层强化学习、师生（模仿）强化学习的机器人自主决策
（3）基于改进强化学习智能体的机器人自主决策
课程亮点
（1）解锁顶会顶刊idea范式：依托强化学习与机器人交互，从感知-决策-执行等不同角度解锁ICRA、IROS、RAL、T-ASE、AAAI、NeurIPS、ICML、EAAI等顶会顶刊青睐的具身智能架构。
（2）掌握强化学习训练范式：强化学习在任务处理、策略泛化等方面具有显著优势，赋予机器人更“智能”的任务处理能力。通过课程学习，学生掌握基于强化学习的机器人环境搭建、训练、评估、部署全流程技术。
（3）掌握机器人相关知识：课程主要依托Isaac、mujoco等机器人仿真平台实现，课程中会涉及人形机器人、移动机器人、机械臂、四旋翼等不同类型机器人，可掌握机器人仿真模型构建、运动学-动力学模型、控制方式相关知识。
（4）科研全过程覆盖：科研实战导向，用14周完成“课题设计→实验优化→论文写作→投稿策略”全流程闭环学习。
（5）前沿话题嵌入式讲授：通过强化学习结合Imitation Learning、Distillation、Attention、LLM、VLA等最新研究热点，拓宽学生视野。
（6）项目驱动式学习：课程不以技术堆砌为目标，而以完成一项可投论文为导向，提升“做成一件事”的科研成就感。