发布日期: 2026-04-24

Jianbo Yuan 个人简介

最后更新：2026年4月
联系邮箱：jianbo.yuan@sjtu.edu.cn｜yjb@dex-robot.com

教育背景与工作经历

上海交通大学｜博士后/助理研究员
主要从事仿生肌肉骨骼机器人、人工智能驱动的智能控制与灵巧操作等方向的基础理论与应用研究。
浙江灵巧智能科技有限公司｜灵巧手与灵巧操作算法研究员
负责高自由度仿生腱驱动灵巧手的系统研发、具身智能算法设计及虚实融合操作策略的工程化落地。

主要研究方向

方向	研究内容	代表性成果
多指灵巧手软硬件系统设计	聚焦仿生腱驱动灵巧手的机械构型创新、驱动-传感-控制一体化集成与轻量化设计	仿生腱驱动灵巧手 DexHand 021（IEEE RA-L, 2025）
灵巧操作与自适应控制	研究多指协同下的精细操作策略，涵盖本体感知顺应控制、平衡点调控、前馈补偿与鲁棒跟踪等方法	多模态力位混合控制框架、有限时间迭代学习控制
多模态传感融合	探索力觉、位置、视觉及肌电等多源异构信息的时空对齐与融合建模，提升机器人环境感知与交互能力	基于神经网络的张力-形变耦合建模、视觉-力觉融合抓取策略
虚实迁移与数据驱动学习	结合高保真仿真与物理实验平台，利用模仿学习、强化学习与迭代优化算法加速策略迁移与泛化	Sim-to-Real 框架下的操作策略快速部署、数据驱动的参数自适应整定

近五年代表性学术成果

期刊论文

Yuan, J., Dai, J., Fan, Y., Wu, Y., Liang, Y., & Yan, W. (2025). Robustness study of the bio-inspired musculoskeletal arm robot based on the data-driven iterative learning algorithm. Science China Information Sciences, 68(12), 222203.
▶ 提出轻量化腱驱动肌肉骨骼机械臂（LTDM-Arm）架构，结合Hill型肌肉模型与数据驱动迭代学习控制（DDILC），系统验证了仿生结构在非结构化环境下的抗扰性与操作鲁棒性。
Yuan, J., Zhu, H., Dai, J., & Yi, S. (2025). Development of the Bioinspired Tendon-Driven DexHand 021 With Proprioceptive Compliance Control. IEEE Robotics and Automation Letters, 11(1), 706–713.
▶ 研发高自由度（12主动+7被动）腱驱动五指灵巧手 DexHand 021，提出基于本体感知的导纳控制方法，实现单指负载>10 N、重复定位精度<0.001 mm、力估计误差<0.2 N的高性能操作。
Yuan, J., Fan, Y., & Wu, Y. (2023). Design and input saturation control with full-state constraints of lightweight tendon-driven musculoskeletal arm. Robotic Intelligence and Automation, 43(2), 109–121.
▶ 针对肌肉骨骼机械臂的局部过载风险，提出全状态约束下的输入饱和控制方法，在保障操作精度的同时显著提升系统安全性与稳定性。
Yuan, J., Fan, Y., & Wu, Y. (2023). Design of motor cable artificial muscle (MC-AM) with tendon sheath–pulley system (TSPS) for musculoskeletal robot. Robotica, 41(5), 1634–1650.
▶ 设计可远程部署的模块化人工肌肉系统（MAMS），结合前馈多层神经网络（FF-MNN）建模腱鞘 - 滑轮传动中的摩擦非线性，有效提升了张力传递的稳定性与可控性。

会议论文

Yuan, J., Wu, Y., Wang, B., & Qiao, H. (2021). Musculoskeletal robot with motor driven artificial muscle. Proceedings of the 6th IEEE International Conference on Advanced Robotics and Mechatronics (ICARM), 448–452.
▶ 构建基于电机驱动 - 绳索牵引人工肌肉模块的单关节双肌肉仿生机器人平台，提出前馈摩擦补偿控制策略，实验验证了关节轨迹跟踪与肌力控制的精度与鲁棒性。