在自主移动机器人导航的前沿探索中，云基智能机器人实验室社会感知组以未知动态场景下的安全避障为研究核心，提出基于深度强化学习的时空推理导航框架（Spatial-Temporal Reasoning Navigation Framework, STRN），攻克高密度人流与复杂障碍环境中的社会化合规导航难题。相关成果以44%成功率提升、74.28%碰撞频率降低的突破性指标,并在真实商场、医院场景中验证其工程实用性。 STRN在模拟密集场景中实现98.2%导航成功率，较现有方法（如S

在机器人多模态认知与灵巧操作的前沿探索中，云基智能机器人实验室人机协作组以语言条件分割与抓取（LCSG）为研究核心，提出知识增强优化网络（Knowledge-Augmented Refinement Network, KARNet），攻克复杂家居场景中细粒度目标定位与抓取姿态推理难题。相关成果以97.97%抓取精度刷新领域性能记录，发表于《IEEE Transactions on Instrumentation and Measurement》等顶级期刊，并部署于真实机器人平

在自然语言与视觉理解的前沿探索中，云基智能机器人实验室多模态感知组以Referring Image Segmentation（RIS，引用式图像分割）为研究核心，聚焦于语言驱动的高精度像素级目标定位与掩模生成。针对现有方法在语义对齐与细节优化上的不足，团队创新性地提出了语义感知三元优化网络（Semantics-Aware Triadic Refinement Network, SATR），在跨模态交互与空间细节恢复上取得突破性进展。 实验表明，SATR在RefCOCO系列基准

在人群环境中进行导航对于服务机器人来说是一项挑战，因为不仅要考虑导航的安全性，还必须考虑周围行人的舒适度。在周风余教授的指导下，云基智能机器人实验室导航组实现了基于深度强化学习的人群感知导航。 在人群感知导航技术中，提出了一种用于机器人决策的价值网络，利用时空推理来理解人群交互行为。基于人类速度信息和个人空间理论，设计机器人需躲避的危险区域，这使得机器人能够在导航过程中有效预测行人未来状态并与行人保持足够的社交距离。 实验结果表明，机器人可有效感知周围行人并理解其运动意图，在

在周风余教授的指导下，云基智能机器人实验室知识组以知识驱动为核心研究了视觉语言融合的多模态机械臂抓取。 视觉语言抓取是一项基础且具有挑战性的任务，然而以往的方法不仅忽略了细粒度视觉感知，而且忽略了目标属性与候选抓取检测之间的相关性。为此，我们课题组提出了一个用于机器人视觉语言分割和抓取检测的CLIP驱动的属性感知网络(CTNet)，CTNet分为三个阶段：倾听阶段、感知阶段和抓取阶段。1)倾听阶段利用预先训练的CLIP来理解和捕捉语言概念；2)感知阶段用于挖掘面向对象的特征和

在周风余教授的指导下，云基智能机器人实验室知识组以知识驱动为核心，实现了知识迁移的机械臂持续抓取。 大量数据驱动的机器人抓取技术要求机器人根据由单一训练的抓取检测网络生成的预测抓取姿势来抓取特定物体。尽管这些网络的性能已接近完美，但仍有两大缺陷。首先，对于研究人员来说，获取包含各种抓取场景的数据集来训练一个抓取检测网络是一项耗时耗力的任务。其次，这些抓取检测网络通常表现出很差的泛化能力。它们可能无法在使用从新场景中获取的数据进行快速训练的同时保持之前的抓取性能。为了解决以上问

在周风余教授的指导下，云基智能机器人实验室故障诊断组以服务机器人运动子系统为研究对象，在论证机器人故障诊断方案的基础上，分别对数据采集与处理、智能故障诊断算法以及云边协同系统等进行研究与设计。目前已在基于多源异构数据融合的智能故障诊断算法设计和云边端诊断系统搭建上取得突出进展。 服务机器人的安全、可靠运行离不开高效的故障诊断算法和诊断系统。近期，在智能诊断算法研究中，本课题组成员提出了基于时空差分图卷积网络（Spatial-temporal difference graph

在周风余教授的指导下，云基智能机器人实验室知识组以知识驱动为基础，研发了机械臂智能果蔬采摘系统。 使用机械臂进行果蔬采摘，可以有效提高生产效率，解决劳动力短缺的问题；此外，机械臂采摘可以精确控制力度和姿态，避免果蔬的损伤和破坏，这有助于提高采摘质量，减少损耗，并保持农产品的品质和市场竞争力。总体来看，该项目对于推进农业自动化和智能化、实现可持续农业发展有着至关重要的作用。

在周风余教授的指导下，云基智能机器人实验室导航组以知识驱动为核心，实现了基于实例分割的物体级语义SLAM。 语义SLAM（Semantic Simultaneous Localization and Mapping）是一种高级机器人技术，旨在实现机器人在未知环境中的自主定位、导航和地图构建。这项技术的核心思想是将语义信息与传统的SLAM技术相结合，以便机器人可以更智能地感知环境、理解环境中的物体，并在导航和任务执行中更加灵活和高效地运用这些信息。 在基于实例分割的物体级语义S