具身智能 —— 强化学习与主动感知。

• 设计双阶段 MDP 框架，分离目标推断与目标条件规划；在观察信息充分时恢复最优策略。
• 搭出特征驱动的启发式模型（线性回归），捕获大部分人类行为，把目标推断的独立贡献剥离出来。
• 引入混合策略模型（Logistic 回归加权组合），解释最优策略单独解释不了的剩余方差。
• 把单目标启发式特征向量化，迁移到多目标场景而无需重训。

计算认知科学 —— 规划、决策、记忆与习惯、脑机接口。

• 用强化学习框架建模"能力 vs 温暖"权衡下的合作同伴选择行为。
• 参数搜索并行化，把最优模型参数精度从 0.1 提升到 0.001。
• 搭通 EEG/fMRI 信号重建中文语义表示的深度学习端到端流水线（预处理、训练、评估、推理）。
• 在多机多卡集群上使用 DDP；同一模型同一数据集下，把训练时间从 4 天压缩到 1.5 天。

• 设计双阶段 MDP，分离目标推断与目标条件规划。
• 用线性回归构造启发式基线解释人类行为。
• 用 Logistic 回归构造混合策略模型解释剩余方差。
• 单目标特征向量化以支持多目标扩展。

• 并行化参数搜索；参数精度 0.1 → 0.001。

• 端到端流水线：预处理、训练、评估、推理。
• DDP 多机多卡训练；同一模型同一数据集下，4 天 → 1.5 天。

• 遥操速度提升 5 倍：运动速率因子 0.01 → 0.05。
• 遥操中断减少约 90%（缓冲、死区、断线重连）。
• 端到端实现夹爪开合控制并写入轨迹流。

• 为硬件抽象层（HAL）设计并实现 Franka Research 3 驱动。
• 让 LLM Agent 能直接接管 FR3，省去用户配置环境的麻烦。

• FR3 上世界模型数据的端到端流水线。

• 主动感知研究（Matlab）。

• 课程项目：对乐谱 / 谱面的智能分析（Python + Web）。