2026年IEEE国际机电一体化与自动化会议（ICMA 2026）于2026年8月2日至5日在中国长春举行。
博士研究生樊建瀚报告了其最新研究成果《A Single-Arm Obstacle Avoidance Path Planning Method Based on an Improved OPSN》（基于改进优化问题求解网络的单机械臂避障路径规划方法。博士研究生周启报告了其最新研究成果《Fast Convergent Distributed Task Reallocation Method for Dynamic Multi-Agent Systems》（面向动态多智能体系统的快速收敛分布式任务再分配方法）。博士研究生孙佳伟报告了其最新研究成果《A Hybrid Kalman-Weighted Sliding Mode Observer for Sensorless External Torque Estimation of Robotic Manipulators》（基于混合卡尔曼加权滑模观测器的机器人无传感器外力矩估计）。
博士研究生樊建瀚报告了其最新研究成果《A Single-Arm Obstacle Avoidance Path Planning Method Based on an Improved OPSN》（基于改进优化问题求解网络的单机械臂避障路径规划方法）。面向机器人机械臂自主作业中的三维避障路径规划问题，复杂障碍环境通常具有非凸性强、约束条件多以及可行空间狭窄等特点，传统群智能优化算法在窄通道等强约束场景下容易出现搜索不稳定、陷入局部区域以及难以获得高质量可行路径等问题。针对上述难题，樊建瀚系统介绍了团队在优化问题求解网络（Optimisation Problem Solving Network，OPSN）及机器人复杂约束路径规划方面的最新研究进展。
樊建瀚在报告中重点介绍了一种基于精英初始化机制的改进 OPSN 路径规划方法。该方法将机械臂三维运动轨迹建模为折线路径，并综合考虑路径长度、轨迹平滑性及安全约束；针对原始 OPSN 随机初始化导致搜索不稳定的问题，提出“随机探索 + 精英引导”的两阶段策略，通过历史优质解、高斯扰动和加权融合提升搜索效率与局部优化能力。仿真结果表明，在简单障碍、窄通道和桌面抓取搬运三类场景中，改进 OPSN 均取得更优的综合性能和更短的规划路径，尤其在窄通道场景下仍能保持安全可行，表现出更强的约束处理与复杂环境适应能力。报告结束后，参会师生围绕精英初始化、OPSN 约束建模及机械臂路径规划等问题进行了交流与探讨。
博士研究生孙佳伟报告了其最新研究成果《A Hybrid Kalman-Weighted Sliding Mode Observer for Sensorless External Torque Estimation of Robotic Manipulators》（基于混合卡尔曼加权滑模观测器的机器人无传感器外力矩估计）。针对物理人机交互中传统力/力矩传感器成本较高，以及现有无传感器外力估计方法难以兼顾快速响应与抖振抑制的问题，孙佳伟系统介绍了团队在机器人无传感器外力矩高精度估计方面的最新研究进展。
报告重点介绍了一种基于卡尔曼权重的自适应二级滑模观测器（HKW-SOSMO）。该方法利用卡尔曼后验协方差实时量化摩擦力建模误差，并据此动态调节滑模增益：在低速换向和强扰动区域提高增益以增强抗扰能力，在平稳运行阶段降低增益以抑制高频抖振，从而兼顾快速动态响应与估计精度。仿真结果表明，与传统固定高增益二级滑模观测器相比，所提方法可实现快速、无明显相位滞后的外力矩跟踪，两个关节的力矩估计均方根误差（RMSE）分别降低34.0%和75.0%以上。报告结束后，参会师生围绕增益调节机制、观测器稳定性及其在真实机械臂中的应用等问题进行了深入交流。
博士研究生周启报告了其最新研究成果《Fast Convergent Distributed Task Reallocation Method for Dynamic Multi-Agent Systems》（面向动态多智能体系统的快速收敛分布式任务再分配方法）。在多智能体系统分布式协同决策领域，任务与智能体状态随时间动态变化，对分配时效性要求很高；然而现有分布式方法往往收敛速度慢、耗时长，难以在频繁动态场景下及时完成分配。针对上述难题，周启系统阐述了团队在多智能体分布式动态重分配快速收敛方面的最新进展。
周启在报告中重点介绍了一种基于任务归属优先级（Task Ownership Priority）驱动的任务包含与一致性分配方案，其主要特点在于：一是提出新的任务重要性衡量指标——任务归属优先级，用以度量任务归属于不同智能体的可能性；二是设计新的任务包含算法，各智能体基于贪婪选择的路由估计，优先纳入既能提升自身边际收益、又更可能归属于自身的任务，在维持分配性能的同时减少任务包含冲突。通过减少无效竞争与重复迭代，该方法以更少的迭代次数实现快速收敛，显著提升动态场景下的响应速度。仿真表明，与 PI 算法相比，该方法平均减少迭代次数超过 30%，且分配总收益不降反升。报告结束后，参会师生踊跃发言，就任务归属优先级设计、任务包含算法及动态场景下的规模化部署等关键问题与周启展开了深入交流。
电子科技大学自动化研究所以电子信息技术为支撑，以人工智能及自动化技术为核心，主要从事智能装备的开发与应用，以及相关新理论、新技术的基础与应用研究。先后承担包括国家重点研发计划、国家自然科学基金、GF重大项目，获授权专利近百项，在人工智能、自控控制及电力电子顶级或知名期刊TIP、T-SMC、KBS、PR、NC、TPEL、TIE、JESTPE、TIA和国际顶级会议 CVPR，ICML，ECCV、AAAI、IJCAI、ACC、CDC、ICASSP、IECON、APEC、ECCE等发表论文百余篇。
