ROBOTSCONTROLEMBEDDED
我是王越，南安普顿大学电子与电气工程博士研究生。围绕足式机器人运动控制与机器人学习，我从零搭建了一台四足机器狗，并持续推进主动柔性脊柱、强化学习控制、GPU 可微分动力学与 FPGA 加速最优控制。
00 / PROFILE
我关注的不是脱离硬件的单点算法，而是机器人从机构设计、传感与驱动，到动力学建模、实时控制和学习策略的完整实现。研究成果尽量用实机实验或可复现基准回答。
01 / SELECTED WORK
从一台真正跑起来的机器狗，到面向训练与控制的计算工具。
从零完成 8 自由度四足机器人的机械结构、传动、电控板和实物搭建，并研制 1.26 kg、3 自由度的 SPARC 脊柱模块。系统在 FreeRTOS 上以 1 kHz 运行刚体动力学、任务空间阻抗控制和摩擦补偿。
GPU 批量可微分刚体动力学
用原生 PyTorch 实现支持 URDF、FK、Jacobian、RNEA、CRBA、ABA 和自动微分的浮动基机器人动力学库，可直接用于强化学习与轨迹优化。
H200、batch=4096 下，FK 与 Jacobian 吞吐分别达到 Pinocchio 的 64 倍与 63 倍。
Transformer 加速 iLQR / MPC
以 Transformer 并行预测 iLQR 的反馈和前馈矩阵，并完成算法与 FPGA 的软硬件协同部署。
四旋翼单次优化迭代最高提速 27 倍，MPC 整体提速 17.8 倍；FPGA 最高获得 27.3 倍性能提升。
电机驱动与双轮足机器人
设计基于 ESP32 的低成本 BLDC 矢量控制板，实现位置、速度与力矩闭环；用自研驱动搭建双轮足机器人并以 LQR 保持平衡。
02 / RESEARCH
明确区分已发表、已录用、预印本与进行中的工作。
第一作者。围绕主动柔性脊柱的机构、任务空间控制与四足机器人 bounding 步态实机验证。
第一作者。面向 GPU 机器人学习的 PyTorch 批量可微分刚体动力学。
共同作者。利用几何信息引导视觉基础模型适配，从少量失效样本中学习野外机器人的稀有危险。
第一作者。使用 Transformer 加速 iLQR 与 MPC，并在 FPGA 上完成推理部署。
共同作者。研究人类监督、LLM 智能体与异构机器人之间的任务分配和安全执行。
在 Isaac Lab 中基于 AMP 对比刚性躯干、端到端主动脊柱和任务空间阻抗脊柱。当前结果显示主动脊柱有助于改善步态形态与侧向抗扰性，实机迁移尚未完成。本项目不列为已发表论文。
03 / CAPABILITIES
刚体动力学、逆运动学、任务空间阻抗控制、MPC、iLQR / LQR、轨迹优化、Raibert 步态、系统辨识
强化学习、PyTorch、Isaac Lab AMP、GPU 批处理、自动微分、可微分物理、URDF、小样本学习、VFM 适配
C / C++、STM32、ESP32、FreeRTOS、CAN、SPI / I²C、FOC / BLDC、实时控制、驱动调试
Autodesk Inventor、机构与传动设计、3D 打印、Altium Designer、PCB、电源管理、IMU 与力传感器
04 / EDUCATION
电子与电气工程博士（EEE）
研究方向：足式机器人运动控制与机器人学习
电子工程学士（EE）· 一等荣誉学位
核心课程包括机器人学、控制与通信、嵌入式工程、数字信号处理、计算机工程与工程数学。
05 / CONTACT
关注机器人运动控制、强化学习、软硬件结合与嵌入式相关机会。