资助项目详情

自主AI机器人的在线安全监控

深度神经网络在自主系统（如机器人）中面对与训练数据差异较大的输入时可能不可靠。研究旨在开发高效异常检测机制，使系统能够识别分布外数据点并切换至安全策略，从而预防运行中断与事故，同时通过持续学习提升模型可靠性。

基于符号结构的大语言模型控制

针对大语言模型控制难题，研究通过概率语法规则建立预训练模型与符号约束的显式关联。该方法能实现比提示工程更精确的约束生成，计划应用于需严格遵循输出约束的零样本/少样本任务（如语义解析、医疗笔记翻译）。

企业数据整理基础模型DataCore

为解决企业多源数据（文档/日志/表格/ML模型）存在的结构不一致、不完整问题，研究致力于构建具备自然语言处理基础模型优势且专精结构化表格数据处理的通用模型。该模型无需领域特定训练即可通过交互式提示完成数据整理任务，目标是将数据科学家从耗时80%的数据清洗工作中解放。

低功耗设备的高效SLAM技术

研究通过算法与硬件的协同设计，实现同步定位与映射（SLAM）在能效、鲁棒性和精度上的平衡。针对智能手机、AR/VR设备及医疗微型机器人等电池受限设备，开发能够应对传感器噪声且内存占用更低的定位建图方案。

2023年度奖学金获得者

两名博士研究生获得机器人技术与人工智能独立研究资助，并将获得在某中心带薪实习的机会：

• Sirui Li：社会工程系统与统计学博士候选人，研究方向为贝叶斯方法、社交网络及机器学习在经济学/政治学的应用，重点研究基于图神经网络与强化学习的共乘问题解决方案。
• Yue Meng：航空航天学博士候选人，专注于机器学习在机器人安全控制中的应用，曾任职于某研究中心的AI研究员岗位。