主攻方向：计算机视觉工业质检、机器人操作学习与时序数据建模。
技术栈：Python / PyTorch / Linux / ROS，熟悉模型训练、推理部署与仿真 - 真机联调全流程。
核心技能：① 少样本 / 零样本图像分割 —— 基于 SAM2 预训练编码器与记忆注意力模块，可在 1~5 张标注样本下完成未见目标的高质量分割，无需微调；② 机械臂操作学习 —— 任务条件化神经代理、成本感知主动采样、轴孔装配等精密技能的参数优化；③ 时序传感器建模 ——CNN 架构下基于压力 / 流量数据的管网异常检测。
擅长解决：工业场景下数据稀缺、跨任务冷启动成本高、小样本缺陷泛化难等问题。

【蔚来・铆钉裂纹少样本分割项目】
背景：白车身铆接裂纹质检依赖人工标注，样本成本高、新型号泛化难。
职责：独立设计轻量级少样本提示生成器，复用 SAM2 预训练编码器与记忆注意力模块，冻结原网络参数。
产出：仅用 1~5 张支持图像即可对未见铆钉裂纹实现高质量分割，零微调上线，大幅降低标注成本，已在产线验证。
【同济・机械臂轴孔装配研究】
背景：工业机械臂技能参数搜索单次试错昂贵，跨任务经验难复用。
职责：构建任务条件化神经代理 + 成本感知主动采样框架，完成仿真 - 真机双通道验证。
产出：新任务评估次数显著减少，冷启动成本明显下降。