项目

当前聚焦于智能体编排与面向企业的 AI 业务自动化，并整合在博士与博士后阶段构建的研究系统与感知平台。

进行中

进行中

自有的智能体编排栈，基于 OpenClaw、Hermes、OpenGOAL 与 MCP（Model Context Protocol）构建。沉淀多智能体协作、工具调用与 DAG 式工作流执行的可复用范式 —— 作为 SME 业务自动化平台的技术底座。

AgentsOpenClawMCPLLMOrchestration

进行中

面向澳洲中小型企业（SME）的 AI 工作流自动化 —— 用智能体替代依赖人力的后台流程（理赔、文档审核、客户分流、合规报送），将编排栈产品化，转化为可度量的客户 ROI。

AgentsAutomationLLMSMEProduct

进行中

基于大模型辅助的手机通话增强方案，使用手机内置加速度计。第一作者工作，将大语言模型与传感器数据融合用于实时语音增强。被 IEEE INFOCOM 2026（CORE A*）接收。

LLMSensor FusionSpeechPyTorch

为 Fortune 500 零售客户构建的端到端 AI 平台：仅依靠手机传感器在 >10,000 m² 门店内做室内定位，无摄像头、无人工介入。由多个自主智能体（传感器融合、姿态分类、轨迹预测）组成，通过 Docker + CI/CD 交付到生产。

AI PlatformSensor FusionProductionDockerFortune 500

为 Fortune 500 客户的智能手表手势识别系统做从零 AI 开发。用深度学习替换原本失败的传统流水线 —— 在 8 类手势条件下准确率 95% 以上，并通过模型压缩将推理时延降低 50% 以上，满足端侧实时部署。

Deep LearningOn-deviceModel CompressionFortune 500

基于毫米波雷达、保护隐私的面部表情识别。无需摄像头 —— 从射频反射中捕获细微的面部肌肉运动。发表于 MobiCom 2023（CORE A*）。

mmWaveDeep LearningSignal ProcessingPyTorch

使用商用毫米波雷达的非接触式血压监测。根据雷达反射估计的脉搏波速，反推收缩压与舒张压。发表于 SenSys 2022（CORE A*）。

mmWaveHealth SensingSignal ProcessingPython

面向移动设备的端侧深度学习：ChainSGD-Reduce 在一串手机间做分布式训练，加上"释放-抑制"机制实现资源受限推理。成果发表于 IEEE TMC、IEEE/ACM ToN、SenSys 与 IPSN。

On-device MLDistributed LearningResource EfficiencyAndroid

使用手机内置加速度计的实时通话音质增强。在不增加硬件的前提下，检测通话条件并自适应调整音频处理。发表于 UbiComp 2025（CORE A*）。

Signal ProcessingAndroidAudioAccelerometer