- 项目组提出的非完全信息条件下的机器人三维视觉对称性检测方法，发现了对称性检测与形状补全的几何相关性机理大幅提升了检测的精度和泛化能力，实现了复杂堆叠场景的高性能机器人安全抓取规划（性能优于国际同类方法）。相关成果发表于模式识别权威期刊IEEE TPAMI。
项目组的研究成果对控制理论与控制工程、模式识别与智能系统、智能车辆与移动机器人等学科领域的发展起到了积极推动作用。
- 项目组提出的深度强化学习的高阶状态抽象理论方法，在状态抽象的基础上能够有效实现系统演化特性的在线建模，大幅降低机器人对真实环境交互样本的需求，对于推动深度强化学习的创新发展和在机器人领域的广泛落地应用具有重要价值。相关成果发表于国际神经网络与学习系统顶刊IEEE TNNLS。
- 项目组提出的非线性动态系统的学习预测控制理论方法，创建了基于滚动时域强化学习的学习预测控制理论与方法，建立了模型不确定和扰动条件下的鲁棒学习预测控制理论，具有优化效率高、具备泛化能力、不依赖于解析模型等优点。相关成果发表于Automatica, IEEE TSMC:Systems等国际系统控制论顶刊。
- 项目组提出的智能车辆与机器人的高机动运动规划与控制方法，突破了智能车辆与智能机器人在复杂场景中的高机动规划与控制瓶颈问题，为移动机器人的规划控制一体化设计提供了创新的理论方法框架。相关成果发表于国际智能车辆顶刊IEEE TIV和工业电子学顶刊 IEEE TIE。
国家杰出青年科学基金项目：机器人自主控制与学习
