背景介绍：

张伟，宁波东方理工大学（暂名）助理教授、博士生导师。2021年获新加坡国立大学博士学位。主要研究方向是机器人导航，基于学习的控制，以及无人系统的智能故障诊断技术。2023年，入选斯坦福大学发布的2022年度全球前2%顶尖科学家榜单。在哈尔滨工业大学学习期间，曾三次获得国家奖学金。在研究领域发表多篇有影响力的论文，有两篇一作各被引1000余次，其中一篇一作入选为中国百篇最具影响国际学术论文。担任ICRA 2021 Motion and Path Planning II 分论坛主席。担任 IEEE TASE, IEEE TIE, MSSP, ESWA and IROS 等知名期刊与会议的审稿人。

研究领域：

专注于无人系统的智能控制与智能健康监测，包括

1 基于学习的控制（learning-based control）

2 移动机器人的无地图导航 （mapless navigation）

3 面向机器人的虚实迁移（Sim-to-real Transfer in robotics）

4 无人系统的故障诊断 (fault diagnosis for unmanned systems)

教育背景：

2017-2021：博士，新加坡国立大学（机械工程） 机械工程系

2015-2017：硕士，哈尔滨工业大学（机械电子工程） 机电控制系

2011-2015：学士，哈尔滨工业大学（机械设计制造及其自动化） 机电控制系

工作经历：

2024-至今：宁波东方理工大学（暂名）助理教授

2021-2024：新加坡国立大学 研究员

学术兼职（部分）：

2021：机器人顶会ICRA 2021分论坛主席（session: Motion and Path Planning II）

获奖情况及荣誉：

2023：斯坦福大学 全球前2%顶尖科学家榜单（2022年度）

2019：中国科学技术信息研究所 中国百篇最具影响国际学术论文（第一作者）

2016：国家奖学金

2013：国家奖学金

2012：国家奖学金

代表性论著：

总体情况

发表论文10余篇，其中两篇一作各被引超1000次

论著信息及引用数据

Google Scholar：

https://scholar.google.com.sg/citations?user=Z7u9yEoAAAAJ&hl=zh-CN

10篇代表作（*表示通讯作者）

1. Zhang W, Zhang Y, Liu N, et al. IPAPRec: A promising tool for learning high-performance mapless navigation skills with deep reinforcement learning[J]. IEEE/ASME Transactions on Mechatronics, 2022, 27(6): 5451-5461.

2. Zhang W, Liu N, Zhang Y. Learn to navigate maplessly with varied LiDAR configurations: A support point-based approach[J]. IEEE Robotics and Automation Letters, 2021, 6(2): 1918-1925.

3. Zhang W, Zhang Y, Liu N. Danger-aware adaptive composition of drl agents for self-navigation[J]. Unmanned Systems, 2021, 9(01): 1-9.

4. Liu N, Ren K, Zhang W, et al. An evolutional algorithm for automatic 2D layer segmentation in laser-aided additive manufacturing[J]. Additive Manufacturing, 2021, 47: 102342.

5. Zhang W, Zhang Y F. Behavior switch for DRL-based robot navigation[C]//2019 IEEE 15th International Conference on Control and Automation (ICCA). IEEE, 2019: 284-288.

6. Zhang W, Li C, Peng G, et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load[J]. Mechanical systems and signal processing, 2018, 100: 439-453.

7. Chen Y, Peng G, Xie C, et al. ACDIN: Bridging the gap between artificial and real bearing damages for bearing fault diagnosis[J]. Neurocomputing, 2018, 294: 61-71.

8. Li C, Zhang W E I, Peng G, et al. Bearing fault diagnosis using fully-connected winner-take-all autoencoder[J]. IEEE Access, 2017, 6: 6103-6115.

9. Zhang W, Peng G, Li C, et al. A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals[J]. Sensors, 2017, 17(2): 425.

10. Zhang W, Peng G, Li C. Bearings fault diagnosis based on convolutional neural networks with 2-D representation of vibration signals as input[C]//MATEC web of conferences. EDP Sciences, 2017, 95: 13001.