6.30 直播预告 | 基于深度强化学习的仿真训练与多动作外骨骼控制，跨越"仿真到现实"的鸿沟

北京时间6月30日(周三)晚20点，将门-TechBeat人工智能社区组织的线上 Talk《基于深度强化学习的仿真训练与多动作外骨骼控制：跨越"仿真到现实"的鸿沟》将在视频号准时直播。

本次直播我们很开心邀请到——纽约大学副教授苏浩、纽约大学生物医学工程博士生周俊成。他们将针对 Sim-to-Real 在外骨骼医疗机器人中仍处于早期探索阶段的问题，分享两条 physics-grounded 路线，分别面向复杂多关节、多任务控制与轻量化实时控制，共同探索真正有帮助的外骨骼智能。

点击下方“预约”，锁定直播

直播介绍

主题：基于深度强化学习的仿真训练与多动作外骨骼控制：跨越"仿真到现实"的鸿沟

时间：北京时间 6 月 30 日 (周二) 20:00-21:00

简介：

Sim-to-Real 已在 humanoid 与 legged robots 中被广泛应用，但在外骨骼和医疗机器人中仍处于早期探索阶段，因为系统不仅要控制机器人，还要理解并适配复杂的人体。外骨骼有望提升人的运动能力，但传统方法和supervised learning都依赖漫长人体实验与手工控制律，难以泛化到多种任务。

本次分享将介绍我们实验室正在探索的两条 physics-grounded 路线：

一是 physics-grounded learning in simulation，结合人体模型、外骨骼模型与 deep reinforcement learning for control，在仿真中学习可跨任务迁移的助力策略；

二是 physics-grounded signal processing for control，通过可解释的物理量设计简单有效、可实时部署的控制方法。

两条路线分别面向复杂多关节、多任务控制与轻量化实时控制，共同探索真正有帮助的外骨骼智能。

Talk 大纲：

【第一部分】Physics-Grounded Learning in Simulationfor Control：用Deep Reinforcement Learning 训练外骨骼

1. 背景与挑战：外骨骼为何难普及，以及“怎样的助力才算真正有帮助”

2. 为什么不用 supervised learning：人体实验数据昂贵且有限，监督学习容易受数据分布限制；强化学习可以在仿真中主动试错，更适合学习可泛化的人机协同策略

3. Deep RL 与传统 / shallow RL 的区别：为什么需要神经网络策略，以及 PPO 等 deep reinforcement learning 方法如何处理复杂人体、多任务和连续控制问题

4. 免实验仿真学习范式：肌肉骨骼模型 + 外骨骼模型 + deep reinforcement learning → sim-to-real 迁移

5. 在仿真中学习复杂人体：多运动、多形态外骨骼强化学习平台，训练走 / 跑 / 爬楼 / 深蹲，学习与人体协同、降低肌肉负荷的助力策略

【第二部分】Physics-Grounded Signal Processingfor Control：真机上的能量门控控制PositiveAssist

1. PositiveAssist：从 signal processing 和物理量出发，设计简单有效、可直接部署的 energy-gated control

2. 适用场景与挑战：该方法在走、跑、爬楼中无需重新调参，但在多关节控制和 knee exoskeleton 中仍有挑战

3. 总结与展望 / Q&A：两条 physics-grounded 路线如何共同迈向真实世界中“真正有帮助”的外骨骼助力

参考资料

论文标题： Experiment-free exoskeleton assistance via learning in simulation 论文链接： https://www.nature.com/articles/s41586-024-07382-4

论文标题： PositiveAssist: Energy-Gated Control for Positive Power Assistance of Exoskeleton in Walking, Running, and Stair Climbing 论文链接： https://ieeexplore.ieee.org/document/11561781

讲者介绍

苏浩

纽约大学·副教授

苏浩博士现任纽约大学副教授，同时担任生物机电与智能机器人实验室（Biomechatronics and Intelligent Robotics Lab）主任，以及独立生活辅助与个人机器人中心（Center of Assistive and Personal Robotics for Independent Living）主任。

苏浩博士曾获美国国家科学基金会 CAREER 奖、美国卫生与公众服务部 Switzer 杰出学者奖、丰田移动出行挑战探索奖，以及 IEEE ICRA 最佳医疗机器人论文亚军奖、ASME 动态系统与控制分会最佳论文奖。

其研究成果发表于 IEEE Transactions on Robotics、IEEE/ASME Transactions on Mechatronics、Nature、Science Robotics、Nature Machine Intelligence、Nature Communications 及 Science Advances 等期刊。他现任 IEEE/ASME Transactions on Mechatronics 技术编辑，IEEE Robotics and Automation Magazine、IEEE Robotics and Automation Letters、ICRA 及 IROS 副主编，并担任 International Journal of Medical Robotics and Computer-Assisted Surgery 编辑顾问委员会委员。

他曾受邀担任 IEEE/RSJ 国际智能机器人与系统大会（IROS）主题演讲嘉宾。此外，苏浩博士现任 ASME 动态系统与控制分会机电一体化技术委员会主席，IEEE 机器人与自动化学会机构与设计技术委员会联合主席，IROS 2026 组织委员会及高级程序委员会委员。他还担任 NIH 生物工程、技术与外科科学研究组（BTSS）及 NIH 肌肉骨骼康复科学研究组（MRS）评审专家。苏浩博士持有手术机器人及社会辅助机器人相关专利。

个人主页：https://haosu-robotics.github.io/

周俊成

纽约大学·生物医学工程博士生

周俊成，纽约大学（New York University）生物医学工程系博士生，导师为 Hao Su 教授，在 Biomechatronics and Intelligent Robotics Lab 从事下肢外骨骼研究。研究聚焦两条互补的技术路线：一是用强化学习在肌肉骨骼仿真中学习复杂的人体、训练外骨骼助力策略，二是在真实硬件上设计可直接部署的助力控制方法，让可穿戴机器人在行走、跑步、爬楼等多种日常运动中，在正确的时机提供安全、自然、真正有帮助的助力。此前在莱斯大学（Rice University）获电气与计算机工程硕士学位，在中山大学获电子信息工程学士学位。近期以第一作者在机器人领域权威期刊IEEE/ASME Transactions on Mechatronics 发表论文 PositiveAssist，提出基于髋关节功率的“能量门控”控制方法，可在行走、跑步与爬楼之间无需重新调参地持续输出正向机械功率。

个人主页：https://www.linkedin.com/in/juncheng-zhou-888415259/

离开大厂投身创业，五位自主掌舵人的线上闭门交流

北京时间7月1日(周三) 晚20:00截止报名

详情点击图片跳转

-The End-

扫码观看！

本周上新！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

yimingzhang@thejiangmen.com

或添加工作人员微信（aceyiming）投稿，沟通投稿详情

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。 公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。

将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”:

bp@thejiangmen.com

点击右上角，把文章分享到朋友圈