您现在的位置:学术报告 > 学术报告 > 博士毕业后加入美国加州大学伯克利分校(UCBerkeley) 担任博士后

博士毕业后加入美国加州大学伯克利分校(UCBerkeley) 担任博士后

2020-02-18 19:18

  随着深度学习和计算机硬件的快速发展,机器学习算法被广泛的应用在工程的各个分支领域中。基于数据驱动的深度学习算法已经在机器人感知方面取得了较大的成功。然而在控制与决策问题方面,由于机器人自身的物理与动力学特性,单纯的机器学习算法任有较大的局限性,很难在实际系统中成功应用。本报告将以单机器人和多机器人等复杂动力学系统为应用背景,重点讨论基于模型的最优控制算法与数据驱动的强化学习算法的深层关系。同时将结合多智能体博弈、人机混合智能、混杂系统最优控制、足式机器人步态控制等多个具体应用问题探讨几种将最优控制理论嵌入强化学习算法的策略。

  报告简介:张巍本科就读于中国科技大学自动化系。之后赴美国留学,在美国普渡大学(Purdue University)获得统计系硕士学位和电气与计算机工程系博士学位。攻读博士期间获得国家优秀自费留学生奖。博士毕业后加入美国加州大学伯克利分校(UCBerkeley) 担任博士后研究员。从2011年开始在美国俄亥俄州立大学 (Ohio State University)电气与计算机工程系任助理教授,并于2017年6月晋升长聘副教授。2019年5月加入南方科技大学,现任南方科技大学机器人研究院副院长,机械与能源工程系教授。他的研究方向包括控制理论与应用,机器学习理论和算法,机器人,无人系统,智能电网等。在美国工作期间获得美国国家科学基金NSFCAREER 奖和美国俄亥俄州立大学Lumley杰出科研奖。曾担任IEEE Transactions on Power Systems编委(Editor),IEEE控制系统协会会议编委会副主编。现为IEEE高级会员和IEEETransactions on Control System Technology副主编。