谢 磊

工业大数据因果挖掘

因果关系之梯指明了实现强人工智能的方向。图灵奖得主、贝叶斯网络之父朱迪亚·珀尔（Judea Pearl）指出，当今的人工智能处于因果关系之梯的最底层（第一层），它的研究对象还是拟合相关关系而非分析因果关系。深度学习只是让机器具备了高超的能力而非智能。无论数据集有多大或者神经网络有多深，只要使用的是被动搜集的数据，我们就无法进入回答有关干预的问题，那些承载着知识或者经验的“因果”模型，才是帮助机器从”人工智障“走向”人工智能“的关键所在。

我国是全球第一制造大国，工业大数据资源极为丰富与复杂，但工业大数据因果挖掘仍处于探索和起步阶段，亟待拓展和深化。课题组立足现有的工业大数据故障检测与诊断方法，结合现代信号处理技术，机器学习、生成学习等思想，以期突破工业大数据的迷雾，厘清知识的本质，构建准确可靠的智能因果关系挖掘模型，为工业大数据的故障检测-诊断-溯源提供一体化、自动化、智能化的解决方案。

目前团队已在 IEEE Transactions on Control Systems Technology/Control Engineering Practice/Journal of Process Control/Industrial & Engineering Chemistry Research 等顶级期刊和 IFAC World Congress/American Control Conference 等顶级会议上发表多篇论文，发明专利授权若干项。

研究方向：

1. 智能信号处理。主要研究现代信号分解方法的自适应、多变量拓展，开发可迁移性与通用性强的信号分解方法，并将其应用于工业大数据分析。

2. 智慧因果挖掘。主要研究工业大数据背景下，基于机器学习、生成学习等框架的因果关系挖掘。

自动驾驶 DDRX Lab

自动驾驶以其巨大的潜力和价值正成为业界和相关研究的热点，诸如谷歌、百度等公司纷纷推出自己的自动驾驶开发项目。完整的自动驾驶方案集合了环境感知、定位、规划、操纵控制等多项关键技术。智能系统与控制研究所自动驾驶小组（DDRX Lab，Driving, Drifting, Racing and X Lab）致力于自动驾驶中规划、控制领域的研究，目前团队中博士后1人，博士7人，硕士3人。

DDRX Lab 成立于2023年，是一个年轻的团队，期待落地有趣的科研想法。截至目前，DDRX Lab 已在感知、规划、控制、辨识、大语言模型等各种车辆方向上发表文章累计30余篇，相关专利公开15项，授权3项。

研究方向：

DDRX Lab 专注于研究车辆在自动驾驶竞速（Autonomous Racing）领域相关控制算法，具体研究方向包括：

1. 车辆整体运动学控制

（1）基于数据驱动的建模

（2）在线轮胎参数识别

（3）贝叶斯调优安全滤波

2. 极限工况下控制

（1）竞速级避障规划

（2）漂移避障规划

3. 大语言模型与无人驾驶

（1）双层大语言模型轨迹规划

（2）基于VLA的脑电自主轮椅研究

4. 多模态端到端控制

（1）基于事件相机端到端视觉控制

（2）基于雷达-视觉的端到端控制

科研平台：

DDRX Lab 研究的相关控制算法在 F1tenth 小车上进行部署。F1tenth 小车搭载激光雷达、NUC、电机VESC和独立电源模块，基于此平台，能顺利部署“感知-控制-决策”全流程的算法。

DDRX Lab 积极参与每年举办 F1tenth 国际智能车极限竞速比赛，来自不同国家、高校的科研团队在比赛中同场竞技。在比赛中，DDRX Lab 曾获得2023韩国丽水第6名、2024韩国济州岛第4名、2024阿布扎比第3名、2024意大利米兰第4名等成绩，证明了 DDRX Lab 控制算法在国际上处于领先地位。

机理-数据融合驱动的能源系统优化控制

在工业4.0 智能制造的背景下，流程工业也存在着智能化转型的新需求，有效实现工业运行过程的节能减排、降耗提效成为工业控制的首要目标。随着双碳目标和可持续发展的重要性日益凸显，有机朗肯循环（Organic Rankine Cycle, ORC）由于结构简单、便于维护，在工业余热回收领域有着广泛的应用。然而，由于余热回收ORC系统的运行工况多变，需要实现工况大范围波动情况下的非线性时变强耦合控制设计。因此，本课题组致力于能源系统优化控制、AI for Science / Engineering、模型预测控制与深度强化学习的前沿交叉融合，研究机理-数据融合驱动的能源系统优化控制，以助力我国双碳目标的实现。

研究方向：

1. 有机朗肯循环余热回收系统机理动态建模与参数优化。

2. ORC系统快速/双层/经济模型预测控制算法研究与应用。

3. 基于强化学习与工业大数据的能源系统控制器设计及迁移学习。

生理基础模型和医疗AI

课题组致力于医学人工智能与生物医学信号处理的交叉领域。在通用人工智能（AGI）飞速发展的今天，我们课题组的核心目标是探索并构建面向生理信号的基础模型（Foundation Models for Physiological Signals）。

我们希望通过自监督学习、多模态融合及大模型微调技术，打破传统医疗数据中“标注成本高、数据孤岛多、泛化能力弱”的瓶颈，让AI真正理解心电（ECG）、脑电（EEG）、肌电（EMG）以及光电容积脉搏波（PPG）等复杂生理信号，为智慧医疗、可穿戴健康监测以及脑机接口提供技术支持。

研究方向：

我们课题组的研究兼顾底层算法创新与实际临床应用，主要集中在以下方向：

1. 生理信号基础模型的构建与预训练。针对医疗时间序列的非平稳性特征，设计高效的网络架构。利用海量无标注生理数据进行自监督预训练（如掩码建模、对比学习），构建面向生理信号的基础模型。

2. 多模态医疗数据的表征与融合。研究如何将一维生理信号（如脑电、心电）与二维医学影像、电子病历（EHR）文本等多模态数据进行跨模态对齐与联合表征，实现更精准的临床诊断与预后评估。

3. 端侧轻量化与可穿戴计算。面向智能手表、便携式医疗设备等资源受限场景，研究大模型的知识蒸馏、模型压缩与端侧微调技术（如LoRA），实现低功耗、高实时的连续健康监测。