背景介绍：

张伟，宁波东方理工大学（暂名）助理教授、副研究员、博士生导师。2021年获新加坡国立大学博士学位。主要研究方向是智能机器人、基于强化学习的控制方法、具身智能、人形机器人等。目前，申请人已在IEEE T-Mech、MSSP、IEEE RA-L、EMNLP等国际知名刊物发表论文30余篇，最高单篇一作被引1600余次。其中，论文获评 “中国百篇最具影响国际学术论文”；获Unmanned Systems期刊最佳论文奖；获IEEE CIS-RAM 2024最佳论文奖提名。此外，申请人曾担任机器人领域顶会ICRA 2021 Motion and Path Planning II分论坛主席，并于2023年入选了斯坦福大学发布的2022年度“全球前2%顶尖科学家榜单”。参与浙江省“名师名课”人工智能通识课《强化学习原理及应用》授课。

研究领域：

专注于无人系统的智能控制与智能健康监测，主要研究方向包括：

• 基于强化学习的控制方法（Reinforcement Learning-based Control）

• 移动机器人的具身导航（Embodied Navigation for Mobile Robots）

• 具身智能方法（Embodied AI）

• 无人系统的智能故障诊断（Intelligent 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：

2024：Unmanned Systems期刊最佳论文奖（第一作者）

2024：IEEE CIS-RAM 2024最佳论文奖提名（第一作者）

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30余篇，被引3500余次

论著信息及引用数据

Google Scholar：

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

10篇代表作（*表示通讯作者）

[1] Zhang, W., Zhang, Y., Liu, N., Ren, K., & Peng, G. (2025). Dimension-Variable Mapless Navigation With Deep Reinforcement Learning. IEEE/ASME Transactions on Mechatronics.

[2] Zhang, W., Wang, S., Tan, M., Yang, Z., Wang, X., & Shen, X. (2025). DRL-DCLP: A Deep Reinforcement Learning-based Dimension-Configurable Local Planner for Robot Navigation. IEEE Robotics and Automation Letters.

[3] Shen, X., Blloshmi, R., Zhu, D., Pei, J., & Zhang, W*. (2024). Assessing" Implicit" Retrieval Robustness of Large Language Models. EMNLP 2024

[4] Zhang, W., Zhang, Y., Liu, N., Ren, K., & Wang, P. (2022). IPAPRec: A promising tool for learning high-performance mapless navigation skills with deep reinforcement learning. IEEE/ASME Transactions on Mechatronics, 27(6), 5451-5461.

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

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

[7] Chen, Y., Zhu, D., Sun, Y., Chen, X., Zhang*, W., & Shen*, X. (2024). The Accuracy Paradox in RLHF: When Better Reward Models Don't Yield Better Language Models. EMNLP 2024

[8] Zhang, W., Tong, J., Liao, F., & Zhang, Y. (2025). Simulation-to-Reality Quadrotor Propeller Damage Detection in Windy Environments. Unmanned Systems, 1-12.

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

[10] Zhang, W., Peng, G., Li, C., Chen, Y., & Zhang, Z. (2017). A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals. Sensors, 17(2), 425.