Research Collaboration

与高校实验室共建 AI 研究与模型实验能力

叠跃科技面向高校实验室和科研团队，提供前沿论文技术分析、模型实验设计、复现验证、课题支持与科研成果转化服务。

发起科研合作

Directions

合作方向

围绕科研问题建立可执行的实验路径，让论文、数据、训练和评测形成完整闭环。

前沿论文技术分析

跟踪大模型、多模态、Agent、强化学习、模型压缩等方向的前沿研究，拆解论文方法、实验路径和可复现条件。

模型实验设计

根据课题目标设计数据集、实验组、对照组、训练参数和评测指标。

模型复现与验证

协助实验室复现重点论文、验证核心技术路径，并形成可继续研究的实验基础。

科研成果转化

将实验室研究成果转化为可展示、可测试、可部署的原型系统或模型服务。

Reinforcement Learning

强化学习研究实践

以下可视化来自叠跃科技团队独立完成的强化学习实验。我们同时保留环境定义、训练配置、评测指标、策略回放和实验日志，让研究结果能够被复核，而不只是一张最终效果图。

当前展示覆盖机器人连续控制、多智能体协同、边缘计算资源调度与自主巡检。图中不含客户或合作方机密数据。

RL-01Robot Learning

MuJoCo 灵巧手方块姿态旋转

在接触、摩擦与碰撞约束下，使用 SAC 控制 24 自由度 Shadow Hand，使方块绕 Z 轴旋转至目标姿态并稳定保持。图中同时展示成功回合关键帧、物体三维轨迹和误差收敛过程。

方法

SAC · 20 维连续控制

实验记录

成功策略回放 · 位姿轨迹 · 误差曲线

RL-02Robotic Manipulation

机械臂抓取、搬运与稳定放置

基于 FetchPickAndPlace-v4 构建完整操作链，策略必须依次完成接近、抓取、抬升、搬运、下降、释放和稳定停放。分阶段奖励避免策略停留在“夹住即成功”的伪解。

方法

SAC · Goal-conditioned Control

实验记录

七阶段操作链 · 三维轨迹 · 成功判定

RL-03Multi-agent Systems

多智能体三维无人机 MEC 卸载

采用 CTDE 与 LGNN-MAPPO，联合学习多架无人机的三维轨迹、飞行高度、用户关联、任务卸载和算力分配。实验同时观测服务率、覆盖、计算负载与飞行状态。

方法

LGNN-MAPPO · CTDE

实验记录

多智能体协同 · 任务卸载 · 资源调度

RL-04Autonomous Inspection

风场感知的精准农业无人机巡检

WAC-SAC 在有限电量、存储和任务时间内，根据病害强度、作物价值与空间风场规划巡检路径，优先覆盖高价值病害区域，并减少重复扫描与风致成像损失。

方法

WAC-SAC · Wind-aware Policy

实验记录

病害价值场 · 风场 · 三维巡检航迹

Computer Vision

计算机视觉研究实践

从多模态感知、跨域生成到可控图像建模，四组案例均展示完整实验图组。使用左右箭头或滑动浏览输入、结果、对比与参数证据。

展示材料来自团队内部研究项目，覆盖数据处理、模型训练、消融验证、质量评测与结果复核。

RGB-D 语义分割室内场景对比，包含 RGB、深度、标注、ESANet 和 DR-MoE 结果

场景对比：RGB、深度、人工标注、ESANet 与 DR-MoE 分割结果

01 / 03

CV-01RGB-D Segmentation

深度鲁棒的 RGB-D 语义分割

面向室内场景中深度缺失、噪声和边界错位问题，构建学习式深度可靠性估计与门控残差混合专家融合。实验同时检查干净场景精度、深度退化鲁棒性和跨模态边界响应。

方法

DRF-MoE · LDRE · Gated Residual Fusion

实验记录

NYUv2 对比 · 深度可靠性图 · 边界响应

仿真域输入：包含目标双曲线结构的合成探地雷达样本

01 / 04

CV-02GPR Sim2Real

探地雷达仿真到真实域迁移

针对探地雷达真实样本有限、仿真与实测纹理差异明显的问题，建立非配对 Sim2Real 生成管线，并通过频域、相位和结构约束保护目标双曲线与空间连通性。

方法

CUT · PAOD · HCSC · EPCR

实验记录

仿真输入 · 域迁移结果 · 结构响应 · 参数扫描

单概念学习：隔离猫概念的专属特征通道

01 / 04

CV-03Controllable Generation

多概念可控生成与属性解耦

面向多个相近概念共同生成时的属性泄漏和概念混淆，采用神经元隔离、稀疏掩码与独立训练后的权重融合，在保留单概念特征的同时完成多概念组合与风格扩展。

方法

SDXL · Cones2 · Sparse Neuron Mask

实验记录

单概念学习 · 权重融合 · 组合生成 · 风格泛化

标注对照：道路、校园、远距离和行人场景的 RGB/IR 检测结果

01 / 03

CV-04RGB-IR Detection

场景感知的 RGB-IR 目标检测

融合 RGB 纹理与红外热响应，通过场景感知选择性专家和互补—冗余解耦融合，在低照度、遮挡、远距离和复杂背景下稳定检测车辆与行人。

方法

SSE · SDF · Routing Consistency

实验记录

RGB/IR 对照 · 多场景检测 · 融合输出

Research Delivery System

从研究问题到可复核成果

每个阶段都有明确输入、处理记录和交付物。选择任意阶段查看链路如何推进，演示会自动沿完整流程运行。

科研交付链路当前阶段 1/5

可追溯 · 可复现 · 可验收

问题定义

把研究目标转成可验证的问题

共同确认研究假设、现有基线、资源约束和验收指标，避免训练完成后才发现目标不可比较。

梳理研究假设与边界

建立基线和对照组

冻结阶段验收指标

阶段输入

课题目标 · 论文假设 · 业务问题

阶段产出

研究任务书与实验验收表

进入下一阶段前完成版本确认与记录归档。

合作最终交付什么

交付内容由合作范围决定，但每项成果都应具备明确版本、用途和验收方式，而不是只提供一份结果截图。

实验方案与技术路线

研究假设、基线、对照组、资源约束和验收指标形成正式任务书。

源码与可复现环境

按合作范围交付训练、评测和数据处理代码，以及依赖与运行说明。

模型权重与实验记录

保存确认版本的权重、参数、随机种子、检查点和关键训练日志。

评测报告与论文图表

提供指标复算、基线对照、消融结果、失败分析和可使用图表。

演示原型与交付文档

保留基线、对照组与消融实验记录

训练环境、参数、随机种子和权重可追溯

失败样本与结论适用边界纳入评测

交付前执行独立复现和材料完整性检查

保密与知识产权

研究边界在启动前明确

客户数据和未公开研究材料不用于对外展示

支持按项目签署保密协议并约定访问权限

代码、权重、论文材料和成果归属以协议为准

案例展示须经过授权并进行必要的脱敏处理

科研合作常见问题

先明确数据、交付和验收边界，再决定项目是否进入正式合作。

是否保证论文发表或特定指标？

科研结果受数据、方法和实验条件影响，无法承诺论文录用或预设指标。合作会在启动前确定可验证目标、基线和阶段验收方式，并如实保留成功与失败实验。

可以使用尚未公开或私有的数据吗？

可以。双方会先确认数据授权、传输方式、访问边界和保留周期；对敏感项目可进一步约定本地处理、指定环境执行或私有化部署。

是否交付源码、模型权重和实验日志？

交付范围会在合作协议中明确。通常可按项目需要交付源码、权重、环境配置、实验日志、评测材料和使用文档，不以页面上的统一模板替代实际约定。

如何判断一个课题是否适合合作？

建议提供研究目标、已有材料、数据情况、当前困难和预期时间。团队完成初步技术评估后，会说明可行路线、关键风险和建议的合作方式。

已有代码但无法复现实验，也可以合作吗？

可以。我们会优先核查环境、数据、预处理、随机性、指标实现和训练日志，先定位复现差异，再决定是否需要修改模型或重新设计实验。

将研究问题转化为可执行的模型实验

如果你正在推进课题、论文复现、模型实验或科研成果转化，我们可以一起把问题拆解成可执行的训练任务。

联系科研合作团队