本科在读 · 研究方向：具身智能 / 世界模型 / 机器人强化学习
Research Interest: Embodied AI / World Models / Model-Based RL
- 研究方向聚焦 具身智能（Embodied AI） 与 世界模型（World Model），探索机器人端到端学习与自主导航
- 独立完成 DreamerV3 世界模型导航系统，正在复现 UniWM 统一世界模型（视觉展望 + 规划 + 记忆增强）
- 关注 Model-Based RL、潜在空间想象规划、Sim2Real、视觉表征学习
- 长期目标：从仿真到真实环境的具身智能迁移
- 以 RSSM 世界模型为核心，实现端到端视觉导航，替代传统「感知—建图—规划—控制」模块化架构
- 潜在空间多分支想象规划：导航成功率 > 90%，决策效率提升约 10 倍
- 完整交付：论文（LaTeX）+ 代码 + 训练数据 + 模型权重
论文 UniWM 的复现与研读：以单一多模态自回归骨干统一视觉展望（Foresight）与规划（Planning），通过分层记忆机制融合短期感知线索与长期轨迹上下文，实现记忆增强的端到端视觉导航。
- 关键技术：Anole-7b · LoRA 微调 · 记忆银行（Memory Bank）· 视觉展望
- 复现进度：
骨架/环境 ██░░ 核心模型 ░░░░ 训练评估 ░░░░
基于 ShuffleNetV2 的猕猴桃叶片四分类病害识别系统，融合温湿度多模态输入实现环境风险预警，桌面端 + Web 端双形态交付。
- 部署模型 ShuffleNetV2（1.26M 参数），测试准确率 85.47%，推理延迟 ~48.6ms/图
- 四分类病害识别：褐斑病 / 灰霉病 / 健康 / 溃疡病
- 多模态融合：图像识别 + 温湿度输入 → 环境风险等级与防治建议
- 双端交付：Tkinter 桌面端（PyInstaller 打包 exe）+ Flask Web 端
基于 SE-ResNet（Squeeze-and-Excitation + ResNet34）的猕猴桃溃疡病图像分类模型，含数据预处理、训练脚本、评估报告与可视化。
轻量设备远程调用高性能桌面算力的无缝办公方案（概念与早期开发阶段）。
Python、数据分析、算法与深度学习的系统学习笔记。
联系我 · Reach me: 见仓库主页或提交 Issue