1.面向外骨骼机器人的人机共商决策

外骨骼机器人是典型的人机协同系统，然而在面对不确定复杂情景时，简单地进行任务分解、决策和整合，极易导致系统的整体适应性差、训练效率低、推理能力弱和响应速度慢。因此，以机器对应用场景的认知模型为基础，增强人机行为互理解能力具有重要的理论价值。本研究将以保障作业任务安全性为前提，针对人和机器各自的优势特点，研究差异化的互监督、互制约决策机制，基于深度强化学习建立人机共商混合的动态决策方法。

 2.表面肌电信号分解

人体的所有运动和姿态都是由神经系统控制肌肉收缩来完成的。多个兴奋的运动单位（Motor Unit, MU）在皮肤检测电极处形成肌电信号（Electromyography，EMG），它是人体随肌肉运动而产生的一种重要电生理信号。表面肌电（surface EMG，sEMG）具有无损伤性、可在皮肤表面采集任意多个通道的信号、可以长时间测量等应用上的便利性。然而，sEMG信号是一定范围内多个源信号在空间和时间轴上的叠加，难以进行生理学解释和直接利用。EMG信号的分解（Decomposition）技术旨在从多通道测量信号中分离出来自相同MUs的各个单一源序列，是EMG信号处理、控制、识别等各类应用技术得以实现需解决的共性关键问题之一。

3.遥感目标图像检测

遥感图像的目标检测与分类具有重要的理论和应用价值。传统方法多通过通用特征描述子如Gabor、SIFT等来提取遥感图像的特征向量，并通过 KNN、SVM分类器、逻辑回归等手段实现分类目的。近年来，基于深度神经网络（DNN）的方法已成为各种视觉分类任务的主流思路，各类经典网络如SSD, YOLO, ThunderNet等已在遥感图像分类问题上取得了较传统方法更优的结果。然而，上述各类深度神经网络的计算复杂度过高，在处理海量遥感数据时资源耗费过高、实时性差。因此亟需设计实现新型的高性能、高速率、低实现复杂度遥感图像目标分类轻量化网络，相比当前主流目标检测深度神经网络，在不显著损失检测精度的同时，大幅度降低网络运算复杂度和资源开销。