会议简介 Brief Introduction01

重要信息 Highlights02

征稿主题 Call for Paper03

主讲嘉宾 Keynote speaker 04

• 

  Prof. Youfu Li (IEEE 院士) · 香港城市大学

  Prof. Youfu Li于哈尔滨工业大学获得电气工程学士和硕士学位。他于 1993 年在牛津大学工程科学系机器人研究组获得博士学位。1993 年至 1995 年，他在英国威尔士大学计算机科学系从事博士后研究员工作。他于 1995 年加入香港城市大学，现任机械工程系教授。他的研究兴趣包括机器人传感、机器人视觉、3D 视觉、视觉跟踪、传感器引导操作、机电一体化和自动化。在这些领域，他已在 SCI 列出的国际期刊上发表了 180 多篇论文。李博士在机器人传感和视觉方面获得过许多奖项，包括 IEEE 传感器理事会颁发的 IEEE 传感器期刊最佳论文奖、教育部自然科学研究二等奖、湖北省自然科学研究一等奖、浙江省自然科学研究一等奖。 2020年，他被斯坦福大学评为全球被引次数最多的科学家，排名前2%。他曾担任《IEEE自动化科学与工程学报》（T-ASE）副主编、《IEEE机器人与自动化杂志》（RAM）副主编、IEEE机器人自动化协会会议编辑委员会（CEB）编辑以及《IEEE机器人与自动化杂志》（RAM）客座编辑。他还是IEEE会士。 演讲题目：Visual sensing and tracking for advanced robots 摘要：视觉感知与跟踪对于包括机器人技术在内的工程应用至关重要。在本次演讲中，我将介绍我们在自动化3D视觉，特别是机器人运动跟踪方面的视觉感知研究。我将介绍与机器人视觉相关的问题，并报告我们研究中的不同方法，包括被动视觉方法和主动视觉方法。对于机器人应用，通常需要3D视觉感知，但传统方法的校准繁琐且不灵活。为此，我们研究了不同类型视觉感知系统的相关问题。灵活的校准方法要求视觉系统参数能够在系统配置发生变化时自动重新校准，或者在较少操作员干预的情况下重新校准，但实际上这通常很难实现。我们之前的研究尝试了各种方法，以增强视觉系统校准的灵活性。我将介绍其中一些尝试，包括视线追踪方面的工作，我们开发的新方法解决了建模和校准中的问题。

• 

  Prof. Hao Ying (IEEE 院士) · 美国韦恩州立大学

  Hao Ying博士是韦恩州立大学电气与计算机工程系的教授。他撰写了两本关于模糊控制的著作，并发表了130多篇期刊论文。为了表彰他的成就，他于2023年荣获IEEE计算智能学会（IEEE Computational Intelligence Society）颁发的模糊系统先驱奖——这是IEEE计算智能学会授予的最高荣誉。奖项表彰其“对无模型模糊控制理论及其生物医学应用的奠基性贡献”。 除了模糊控制之外，郝英博士的研究兴趣还包括机器学习和模糊离散事件系统——他于2001年共同开创了该领域。在斯坦福大学学者编制的2024年8月版“标准化引文指标科学领域作者数据库更新版”中，在人工智能与图像处理子领域（涵盖超过39.9万名作者）中，郝英博士位列第549位，位列全球前0.14%。 应博士目前担任20本国际期刊的副主编或编委会成员，包括《IEEE模糊系统学报》和《IEEE系统、人与控制论学报：系统》。他于2023年加入IEEE计算智能学会院士委员会，此前他曾于2021年和2020年担任该委员会成员。他曾于2016年、2017年和2020年在IEEE系统、人与控制论学会担任该委员会成员。此外，他还受邀担任170多个国际会议的组织委员会、程序委员会或技术委员会成员。 演讲题目：Deterministic and Stochastic Fuzzy Discrete Event Systems with Supervised Learning 摘要：为了有效地表示现实世界（尤其是医学领域）中许多问题中遇到的确定性不确定性和模糊性以及人类主观观察和判断，我们于2001年创立了模糊离散事件系统（DES）理论。该理论的独特之处在于，它能够将一类事件驱动系统建模为模糊自动机，其状态和事件触发的状态转换具有模糊性。我们引入了模糊状态和模糊事件转换，并将传统的清晰DES推广为模糊DES。清晰DES主要基于图的框架不适合扩展，因此我们使用状态向量和事件转换矩阵对其进行了重新表述，通过允许其元素在[0, 1]范围内取值，这些矩阵可以扩展为模糊向量和矩阵。我们还将DES的最优控制扩展为模糊DES。这种新颖的模糊 DES 理论在概念和计算层面都与传统 DES 理论一致，因为前者包含后者作为其隶属度为 0 或 1 时的特例。之后，其他研究人员扩展了 FDES 框架，研究了各种与 FDES 相关的基本问题，包括监督控制、可观测性、分散控制、可诊断性、在线控制、基于状态的控制、状态反馈控制、预测、可预测性、不透明性和可检测性。 有关 FDES 及其操作的具体示例，请参阅 MATLAB 模糊逻辑工具箱（版本 R2024a）中包含的数值 FDES 示例。 在本演示中，我们将展示我们最近的研究成果，即 FDES 如何学习其模糊自动机的事件转移矩阵。事件转移矩阵是 FDES 的核心，在事件前和事件后状态未知的情况下，很难手动构建。唯一可用的信息假设是那些已知与事件前后状态模糊相关的变量值。由于模糊集和模糊状态之间存在概念关系，我们通过高斯模糊集将变量与状态联系起来。基于随机梯度下降算法，该模型可以同时在线迭代学习转移矩阵和模糊集的所有参数。这导致了第一个能够仅基于传感器数据进行学习而不依赖于任何人类主观输入的FDES模型，从而消除了实际应用的一个重大瓶颈。 我们还将介绍一类新的FDES，即我们最近引入的随机模糊离散事件系统（SFDES）。SFDES由多个模糊自动机组成，这些自动机每次随机出现，并具有不同的发生概率。利用 SFDES 框架，我们将传统马尔可夫链扩展为模糊马尔可夫链，使其能够同时处理模糊状态和模糊事件。至关重要的是，模糊马尔可夫链完全保留了二元马尔可夫链转移概率矩阵定义的随机特性，从而确保了相同的随机行为。前者作为特例涵盖了后者。

• 

  Prof. Andrew Lim · 中国西南交通大学

  Andrew Lim博士是一位享誉全球的学者，曾荣获新加坡归国科学家奖和中国首屈一指的研究奖项。他位列全球最具影响力的2%科学家之列，并自加入西南交通大学以来一直被评为中国高被引学者。在西南交通大学，他担任教授，并领导两项旗舰项目：可持续智能交通国家实验室和智能安全数字交通与交通实验室（川渝联合重点实验室）。 他的开创性研究成果发表于顶级期刊，并被转化为财富500强企业的尖端解决方案，帮助企业节省了数十亿美元的成本，并荣获多项国际创新奖项。作为学术界和产业界的桥梁，他是东盟应用研究中心的创始主任，并担任多家全球顶尖公司的首席顾问（这些公司每年的营收总额超过1万亿美元）。他的工作持续重新定义智能系统中科学、技术和可扩展影响力的交汇。 演讲主题：Operationalizing Advanced Research in AI, Optimization, and Simulation in Supply Chains 摘要：本次演讲探讨了如何通过尖端技术的战略融合——从人工智能驱动的分析和高级仿真到跨学科系统优化——来应对和克服那些曾经被认为难以克服的持续存在和新兴的供应链挑战。我们将结合半导体行业的实际部署，展示这些创新如何不仅是理论概念，更是实用工具，能够在高风险环境中成功实施，从而实现可扩展的效率提升。

会议历史 Conference History 05

• ICAIBD 2025

• ICAIBD 2024

• ICAIBD 2023

• ICAIBD 2022

• ICAIBD 2021

• ICAIBD 2020

• ICAIBD 2019

• ICAIBD 2018

会议投稿 Conference submission 06

联系方式 Contact us 07