近日，在北京大学计算机学院第一届小米杯“学术十杰·学术新星”评选中，中心博士生段志健获评“学术十杰”，中心本科实习生刘科成、张家梁获评“学术新星”，中心本科实习生班世锟、刘沛淇获评“学术新星提名”，祝贺同学们！

　　

活动介绍

 

　　北京大学计算机学院小米杯“学术十杰·学术新星”评选活动是北京大学计算机科学与技术和软件工程两个双一流一级学科相关专业学生学术科研水平的集中展示和重点表彰，面向全院在读博士、硕士研究生和全校相关专业本科生，围绕其科研能力和科研成果进行分享交流，并对科研能力突出者予以表彰鼓励。

 

　　首届活动于2024年12月13日在北京大学英杰交流中心举办，由北京大学计算机学院主办，小米公益基金会支持，吸引了广大师生的热切关注。

　　

获奖学生介绍

　　

学术十杰：段志健

 

　　段志健，北京大学计算机学院2020级博士生，本科毕业于北京大学信息科学技术学院2016级图灵班，高中毕业于湖南师范大学附属中学。其博士期间师从北京大学前沿计算研究中心邓小铁教授。段志健的研究领域包括算法博弈论、机器学习与广告算法。他在 ICML、NeurIPS、KDD 等国际顶级会议上发表多篇论文，并受邀担任 NeurIPS、ICLR、ICML、KDD 等多项国际会议的审稿人。

　　

获奖成果

复杂约束下数据驱动的博弈机制与均衡求解

 

　　该报告为我在本次小米杯“学术十杰”答辩中的展示内容。在这次报告中，我介绍了我的基本情况与我在算法博弈论结合机器学习这一领域下的学术成果，包括复杂约束下数据驱动的拍卖机制设计、纳什均衡近似模型的学术型研究成果，以及广告算法方面的应用型研究成果。

　　

获奖感言

 

　　非常荣幸能够入选本次小米杯“学术十杰”。首先，衷心感谢我的导师邓小铁教授在学术道路上的悉心指导，感谢 DaGame 实验室的同学们多年来的支持与陪伴，以及北京大学计算机学院、前沿计算研究中心提供的优质科研环境与全方位支持。同时，我也由衷感谢计算机学院和小米的评委老师们对我工作的认可与鼓励。在此次评奖活动中，我有幸结识了许多来自计算机学院的优秀同学，深感学院人才济济，充满活力。未来，我希望能够做出更有意义的工作，同时我也衷心祝愿北大计算机学院的学术研究越来越好！

　　

学术新星：刘科成

 

　　刘科成，北京大学图灵班2021级本科生，曾获全国物理奥林匹克竞赛金牌，入选 IPHO 国家集训队。北大本科期间全面发展，曾任北京大学图灵学生科研论坛主席，北大图灵班班长，CPHOS 联合创始人，百度研究院科研实习生，量子信息等课程助教。曾获北京大学前沿计算研究中心 CFCS 年度优秀学生，国家创新训练科研项目，John Hopcroft 奖学金，图灵科研论坛 Best Poster Award 与 Outstanding Presentation Award 等。

　　

获奖成果

Quantum Advantage and Implementation in the AI Era

 

　　研究围绕人工智能时代的量子优势与物理实现，整理总结本科科研期间的相关工作成果，解决计算效率，可扩展性和噪声错误等有趣问题，以及结合机器学习、神经网络等方法探索量子学习理论的潜力与应用。

　　

获奖感言

 

　　很荣幸获得学术新星的殊荣！感激科研导师的悉心指导与北大图灵班、前沿计算研究中心及各高校合作者的鼎力支持。也特别感谢学院和小米公益基金会为我们提供了分享交流科研能力和成果的宝贵平台，激发了我们的学术热情也共同推动学术氛围的持续提升。期待未来继续投身前沿研究，为世界贡献北大智慧与力量！

　　

学术新星：张家梁

 

　　张家梁，北京大学信息科学技术学院图灵班2021级本科生。其本科期间加入了前沿计算研究中心王鹤老师的具身感知与交互实验室。张家梁的研究兴趣包括具身智能和三维计算机视觉，他的灵巧机械手抓取系列工作已经积累了一定的学术影响力。他在 ICRA、CVPR、CoRL、IROS 等国际顶级会议上发表了多篇论文，并获得了 ICRA 2023 Outstanding Manipulation Paper Finalist。

　　

获奖成果

真实世界堆叠场景的灵巧机械手抓取

 

　　灵巧机械手抓取是通向类人机械操作的关键技术，但是其研究进展相比平行夹爪仍较为缓慢，核心瓶颈在于缺乏大规模高质量的抓取数据。为了解决这一问题，我作为共同一作，先后完成了三篇文章：DexGraspNet、UniDexGrasp、DexGraspNet 2.0。这三篇文章依次从仿真数据、模型、堆叠场景的真机系统三个方面为灵巧机械手抓取提供了完整技术路线。我们不仅在真实世界堆叠场景中首次实现了91%的抓取成功率，还深入研究了仿真数据规模对抓取模型表现的影响，为功能性抓取等更复杂的任务提供了有效的工具与方法框架。

　　

获奖感言

 

　　非常荣幸能够获得评委老师的认可，这是对我研究工作的极大鼓励！同时，衷心感谢王鹤老师的悉心指导，也感谢共同作者们的支持与合作，这一成果离不开大家的共同努力。能够参与灵巧手抓取这一系列工作并贡献自己的力量，我感到十分幸运与荣幸，期待未来能继续做出前沿的研究成果！

　　

学术新星提名：班世锟

 

　　班世锟，北京大学元培学院2021级本科生，在前沿计算研究中心王亦洲老师的计算机视觉与数字艺术实验室开展三维视觉、具身智能相关研究。

　　

获奖成果

未知内在状态下的实时整体机器人姿态估计

 

　　根据 RGB 图像估计机器人姿态是计算机视觉和机器人学中的一个关键问题。虽然以前的方法取得了可喜的成绩，但其中大多数方法都假定完全了解机器人的内部状态，例如真实的机器人关节角度。然而，这一假设在实际情况中并不总是有效的。在多机器人协作或人机交互等实际应用中，机器人关节状态可能无法共享或不可靠。另一方面，现有的不带关节状态先验的机器人姿态估计方法计算负担沉重，因此无法支持实时应用。这项工作引入了一个高效的框架，用于从 RGB 图像中实时估计机器人姿态，而无需已知机器人状态。我们的方法可估算摄像头到机器人的旋转、机器人状态参数、关键点位置和根深度，并为每个任务采用一个神经网络模块，以促进学习和模拟到现实的转换。值得注意的是，该方法无需迭代优化，只需一次前馈传递即可实现推理。我们的方法将速度提高了12倍，并具有最先进的精度，首次实现了实时整体机器人姿态估计。

　　

获奖感言

 

　　在小米杯的活动中，在场各位优秀的博士、本科同学们的分享让我受益匪浅！我在和各位老师、评委们的交流中也学到了很多！

 

学术新星提名：刘沛淇

 

　　刘沛淇，北京大学信息科学技术学院智能科学方向三年级本科生，跟随董豪老师实验室进行本科科研。同时在2024年6月起在 MIT CSAIL 实验室从事访问科研。研究兴趣是机器人学习，此前工作集中于视觉语言导航，神经符号推理和基于扩散模型的模仿学习等。

　　

获奖成果

MO-DDN: A Coarse-to-Fine Attribute-based Exploration Agent for Multi-object Demand-driven Navigation

 

　　The process of satisfying daily demands is a fundamental aspect of humans' daily lives. With the advancement of embodied AI, robots are increasingly capable of satisfying human demands. Demand-driven navigation (DDN) is a task in which an agent must locate an object to satisfy a specified demand instruction, such as "I am thirsty". The previous study typically assumes that each demand instruction requires only one object to be fulfilled and does not consider individual preferences. However, the realistic human demand may involve multiple objects. In this paper, we introduce the Multi-object Demand-driven Navigation (MO-DDN) benchmark, which addresses these nuanced aspects, including multi-object search and personal preferences, thus making the MO-DDN task more reflective of real-life scenarios compared to DDN. Building upon previous work, we employ the concept of "attribute" to tackle this new task. However, instead of solely relying on attribute features in an end-to-end manner like DDN, we propose a modular method that involves constructing a coarse-to-fine attribute-based exploration agent (C2FAgent). Our experimental results illustrate that this coarse-to-fine exploration strategy capitalizes on the advantages of attributes at various decision-making levels, resulting in superior performance compared to baseline methods.

　　

获奖感言

 

　　非常感谢学院提供这次宝贵的机会，让我能够展示自己取得的一些科研成果。更重要的是，这次活动让我有幸结识了众多才华横溢的学术新星。本次获奖不仅是对我过去努力的肯定，更是对我未来科研道路的激励，促使我继续追求更扎实、更具影响力的学术成果。