2025年6月4日，斯发基斯可信自主系统研究院（简称研究院）入驻南方科技大学光明高等研究院揭牌仪式在光明区举行。 斯发基斯可信自主系统研究院执行院长郝祁、光明高等研究院朱彦华、韩中、研究院研究副教授李大川、研究助理教授张美莹等师生代表、以及元戎启行、优创未来、甲腾科技等企业代表出席活动，并共同为入驻光明高等研究院揭牌。 揭牌仪式 合影留念 郝祁在致辞中对学校各相关部门及光明高等研究院、光明区政府的支持表示由衷感谢。他表示，基于学校在光明区科研布局方面的战略，今后研究院将进一步聚集可信自主系统研究，对接光明区企业需求，深化与高科技企业的战略合作，为深圳产业创新高地建设提供有力支撑。朱彦华与韩中向参观人员详细介绍了展厅的基本情况和核心板块，并与嘉宾们就技术问题与产业合作进行交流。郝祁简要介绍了研究院的基本情况、科研进展和科研成果等，与参会嘉宾就科研问题、技术需求、产业应用等方面进行了探讨和交流。 研究院空间参观 一楼展厅参观

2025年5月28日，应南方科技大学斯发基斯可信自主系统研究院（RITAS）牛健宇研究助理教授的邀请，香港城市大学博士后研究员郑翔在工学院南楼443B围绕“基于强化学习的大型语言模型（LLM）对抗评估与防御增强”进行学术报告。 图 1 郑翔研究员作学术报告 当前，LLM基于其理解、推理、编程、规划、决策的能力，在客户服务、法律咨询、医疗健康等领域已有了更为深入的应用，在性能提升的同时，如何解决LLM的安全性问题也日益受到重视。基于这一背景，郑翔研究员聚焦安全评测视角，为在场的师生介绍了LLM安全评测的技术框架、轻量化工具与防御方案。 基于强化学习的LLM对抗评估与防御增强，是指通过对抗性测试——如修改提示词、注入噪声等手段，评估LLM在恶意输入下的容错边界，利用强化学习算法优化攻击策略从而发现漏洞，并设计防御机制增强模型鲁棒性。在报告中，郑翔研究员介绍了一系列近期的相关工作，譬如基于好奇心驱动的LLM黑盒审计框架（CALM），利用视觉语言模型的黑盒防御机制抵御越狱攻击（BlueSuffix），更贴近真实场景的多维度系统性安全评估（ROSE）等等。 图 2 近期工作概况（BlueSuffix） 报告结束后，在场的师生围绕报告核心议题并结合自身研究方向展开深入的学术探讨，郑翔研究员从技术实现、实验验证及行业应用等维度对师生们的提问进行系统性回应，报告在热烈的学术对话中圆满结束。

近期，图灵奖得主，美国国家科学院、工程院院士约瑟夫·斯发基斯发表了题为「迈向工业化AI——挑战与机遇」的演讲。他表示，人工智能的工业革命才刚刚开始，实现这轮工业革命将主要取决于我们开发 AI 智能体从而构建自治系统的能力。 与此同时，他表示，中国拥有坚实而广泛的工业基础和统一的国内市场，应该发展自己的人工智能愿景。如果中国成功实现了这一愿景，将能够在工业 AI 领域取得领先地位，平衡 AI 的战略博弈，并与志同道合的国家联手，以一种调和科技发展与安全需求的方式规范AI，造福社会。

2025年4月14日，由斯发基斯可信自主系统研究院（RITAS）主办，主题为“临床肿瘤学中AI的可信性及应用”的学术报告在南方科技大学工学院南楼812会议室顺利召开。本次报告由德国图宾根大学放射学教授、英国伦敦大学学院神经学及神经放射科主任Sotirios Bisdas主讲，南方科技大学斯发基斯可信自主系统研究院教授张建国主持，CVIP（Computer Vision and Image Processing）团队成员到场聆听了报告。 在讲座中，Sotirios Bisdas教授详细介绍了人工智能（AI）在临床肿瘤学中的应用与可信性，重点探讨了AI如何在癌症的早期检测、治疗规划及患者预后评估中发挥重要作用。Bisdas教授指出，AI技术正在迅速改变肿瘤护理领域，通过精准的数据分析与处理，能够在提高临床工作效率的同时，减少传统方法中的成本和时间消耗。他强调，AI的多模态学习和多组学集成能够加速癌症药物的研发与治疗方案的制定，并且为精准医学提供了新的解决方案。 此外，Bisdas教授还展望了AI在未来肿瘤学中的发展方向。他认为，未来的研究应聚焦于进一步优化AI模型的可靠性、透明性与可解释性，特别是在跨领域应用和人类健康的融合上。他还特别提到，在减少标注数据需求的情况下，通过模型的泛化能力提升AI在临床中的实际应用效果是未来的重要研究方向。 张建国教授对Bisdas教授的讲座给予了高度评价，并表示期待通过双方的持续合作，进一步推动AI在医学影像和肿瘤学领域的创新应用。 讲座结束后，Bisdas教授参观了张建国教授建立的CVIP实验室，与团队成员进行了友好互动和交流。Sotirios教授还表示希望以后双方团队成员可以加强学术交流、互派，为之后双方团队实验室之间的全面合作奠定基础。 此次Sotirios Bisdas的来访，不仅为RITAS的研究人员和学生提供了一个宝贵的学习与交流平台，也进一步促进了南方科技大学与国际顶尖专家在医学人工智能领域的学术合作。

2025年4月14日，应南方科技大学斯发基斯可信自主系统研究院（RITAS）于仕琪副教授邀请，西班牙科尔多瓦大学（University of Córdoba）Rafael Muñoz-Salinas教授在第三教学楼112为师生们作了一场关于基准标记（Fiducial Marker）的报告。 基准标记是一种高对比度的视觉标记，广泛应用于目标定位与姿态估计，在机器人、增强现实和自主系统等领域具有重要作用。Muñoz-Salinas教授在基准标记相关研究方面有多年的深厚积累，他是被广泛使用的ArUco码的设计者。ArUco码是基准标记的一种。在报告中，Muñoz-Salinas教授分享了他在该领域的最新研究进展，包括利用深度学习技术，在低照度和噪声环境下提升标记检测鲁棒性的研究工作。他还介绍了其团队在3D基准标记及可定制基准标记方面的最新成果，实现了技术性能与实际应用之间的更好融合。 报告结束后，多位学生向Muñoz-Salinas教授展示了他们在基准标记方面的研究工作，包括一个基于深度学习的新型全标记检测模型等。Muñoz-Salinas教授给学生们提出了改进优化的建议，现场气氛热烈，学术氛围浓厚。 此次报告为学生们提供了一个难得的学习交流平台，也进一步加深了RITAS于仕琪副教授课题组与Muñoz-Salinas教授团队间的学术合作。

‌ 2025年4月11日下午，我院组织召开了科研工作线上会议。院长Joseph Sifakis教授、执行院长郝祁教授、管理委员会成员、计算机科学与工程系主任唐珂教授、我院各研究中心负责人刘江讲席教授、张殷乾教授、刘烨庞副教授、宋轩副教授及部分教师参会。会议由郝祁教授主持。 会上，首先由各研究中心负责人分别就中心内目前‌团队规模与研究课题、‌项目进展、‌资助情况、‌主要研究方向、‌社会贡献、‌未来规划等内容进行了汇报。Joseph Sifakis教授对各中心在近期科研工作所取得的成果表示了充分肯定，同时对汇报内容提供了相关反馈。他强调研究成果对社会的影响，并鼓励各中心之间开展更多的协同活动。Sifakis教授提议，在2025年10月举办研究院校企交流活动，邀请产业合作伙伴来院交流，并建议各中心通过演示和演讲展示科研成果，推动产研融合。他同时建议为研究院开发高级AI基础设施，助力科研创新，全面提升研究效率与成果转化能力。 郝祁教授对会议进行了总结，并建议院内每月举办一次跨中心专项研讨会。各中心每月就特定主题进行研讨，教师或学生均可参加，进一步加强学术探讨与交流。 各中心负责人就相关内容积极建言，提出了研究院未来发展的实效建议。 此次会议为研究院的后续工作推进奠定了坚实基础，研究院将继续在可信自主系统领域发挥重要作用。

2025年4月3日下午，南方科技大学第二届校企协同创新人才培养交流会在南方科技大学会议中心举行。此次会议围绕“智汇南粤·才创未来”主题，分设“前沿材料”、“光电子学”、“人工智能”、“集成电路”、“生物医药”、“科技金融”等六大会场，邀请学术界与产业界的专家学者齐聚一堂，共同探讨创新型人才培养模式改革。其中在“人工智能推动跨学科协同生态构建”分会场上，斯发基斯可信自主系统研究院执行院长、计算机科学与工程系教授郝祁主持了会议，并作主旨演讲。计算机科学与工程系副系主任、副教授张进、树仁书院行政副院长韩英杰及中国联合网络通信有限公司深圳市分公司、深圳市新国都股份有限公司等20多家企业代表出席了会议。 会上，郝祁院长作主旨演讲。他首先全面介绍了斯发基斯可信自主系统研究院（简称研究院）成立的基本背景、研究院各中心的基本情况、研究团队、科研成果、合作项目以及研究院未来规划等等。他表示，欢迎各企业专家来访研究院，参加院内技术交流会，期待双方能够在可信、自主领域实现科研合作，使研究院科研成果得到落地应用；同时也欢迎企业专家来校开展就业面试、职业生涯规划、心理疏导等方面的专题讲座，为学生步入社会之前提供有针对性的建议，持续开展创新实践指导，构筑创新型人才培养校企融合新生态。 会上，与会嘉宾结合主题分别作学校和企业相关情况介绍，同时就“校企合作机制构建、产教融合人才培养模式探索、AI时代下高校与企业人才供需协同机制”等内容进行了探讨，气氛热烈。 此次会议为校企合作双方构筑了交流平台，为学校进一步深化产教融合、提升创新型人才培养质量奠定了坚实基础。

近日，南方科技大学斯发基斯可信自主系统研究院自动驾驶中心郝祁教授团队在机器人领域顶级期刊 IEEE Transactions on Robotics 发表题为 “NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning” 在杂乱且未知的环境中导航一台非完整约束机器人，需要准确的感知和精确的运动控制以实现实时避碰。本团队提出了NeuPAN：一种实时、高精度、无需地图、易于部署且环境无关的机器人运动规划器。NeuPAN 利用紧密耦合的感知到控制框架，与现有方法相比具有两项关键创新：1. 它直接将原始点云数据映射到潜在距离特征空间，以生成无碰撞运动，避免了感知到控制管道中的误差传播，从而实现了高精度的控制动作。 2. 它从端到端基于模型的学习角度具有可解释性，因此无需大量动手工程即可推广到各种不同情形。 NeuPAN 的核心在于使用一个即插即用（PnP）的近端交替最小化网络（PAN）求解带有大量点级约束的端到端数学模型，将神经元融入其中，从而使其能够生成实时且物理上可解释的运动。该方法无缝整合了数据和知识引擎，同时其网络参数也可通过反向传播进行微调。 图1. NeuPAN 驱动的轮腿机器人在办公室环境无地图导航效果 团队在不同的仿真和机器人实物平台上，包括地面移动机器人、轮足机器人和自动驾驶汽车，进行了大量模拟与真实环境的评估。结果显示，团队提出的NeuPAN 在准确性、效率、鲁棒性以及在包括杂乱沙箱、办公室、走廊和停车场等各种环境中的泛化能力方面均优于现有导航方法。展示了其在未知和非结构化环境中，即使面对任意形状的物体，也能将不可通行的路径转变为可通行的路径，具有卓越的导航避障性能。 图2. 自动驾驶车辆在停车场和狭窄通道的真实导航实验 图3. NeuPAN与手动控制在结构化真实测试平台上的效果对比 郝祁教授和香港大学副教授潘佳为论文共同通讯作者。 《IEEE Transactions on Robotics》为机器人学领域公认的国际顶级期刊之一，要求论文在理论及工程实践上均能为机器人学发展做出重要贡献，其每年全球发文量约100篇，代表了机器人领域先进的重大进展，导航与规划方面的里程碑著作多数发表在该期刊上。

近日，南方科技大学斯发基斯可信自主系统研究院与澳门大学、深圳元戎启行科技有限公司共同合作，在国际顶级学术期刊 IEEE Transactions on Intelligent Transportation Systems (T-ITS) 上发表题为 “TSceneJAL: Joint Active Learning of Traffic Scenes for 3D Object Detection” 的文章。T-ITS是智能交通领域最具影响力的国际顶级期刊之一，专注于交通系统智能化理论、技术、与应用突破。 自动驾驶中的 3D 目标检测任务高度依赖高质量、精确标注的数据集，但数据标注成本极为高昂。主动学习（Active Learning）作为一种极具潜力的解决方案，能够智能筛选少量未标注数据进行标注，在大幅降低标注成本的同时保持模型性能。然而，传统主动学习算法在自动驾驶数据采集过程中，往往面临类别不平衡、场景冗余度高、复杂度不足等挑战。针对这一问题，研究团队提出了一种创新性的三阶段联合主动学习框架——TSceneJAL，如图1所示。该方法通过动态优化数据的平衡性、多样性和复杂性，实现“以最少标注数据训练最优模型”。1）类别熵采样：首阶段筛选多类别共存场景，缓解类别不平衡。​ 2）场景图相似性度量：将交通场景建模为有向图（节点表示物体类别，边表示空间距离），利用 MarginalizeKernel 算法量化图间距离，剔除高相似性冗余场景。​3）混合密度网络不确定性采样：在检测模型中引入混合高斯分布网络，同步估计数据噪声不确定性（Aleatoric Uncertainty）与模型认知不确定性（Epistemic Uncertainty），优先选择不确定度高的复杂场景。 图1. 提出的TSceneJAL主动学习系统框架 在多个数据集上的实验结果表明，TSceneJAL 在 3D 目标检测的主动学习任务中达到了国际领先水平，如图2所示。与现有方法相比，该框架在3D平均精度等多个关键指标上最高提升 11%；在仅标注32% KITTI 数据的情况下，即可达到全量数据 92% 的检测性能；同时，对行人、自行车等弱势类别的检测精度提升10-15%，有效缓解了类别不平衡问题。 图2. 主动学习采样方法在KITTI数据集上感知效果比较 南方科技大学斯发基斯可信自主系统研究院为论文第一单位。张美莹研究助理教授、郝祁教授为共同通讯作者，计算机系硕士生雷晨阳为第一作者。

2025年3月14日，由斯发基斯可信自主系统研究院主办、主题为“基于少量训练标注和少量训练参数的资源高效学习”的学术报告在南方科技大学工学院南楼443B会议室顺利召开。本次报告由山东大学研究员徐衍钰主讲、南方科技大学斯发基斯可信自主系统研究院智慧医疗中心负责人刘江讲席教授主持，iMED团队成员到场聆听了报告。 在报告中，徐衍钰研究员详细阐述了近年来在图像和视频表示学习、资源高效学习以及医学基础模型等领域取得的成果，重点介绍了如何在标注资源有限的情况下，通过高效的学习方法提升模型性能。他指出，随着医疗影像数据量的不断激增，传统的标注与训练方法面临巨大的成本压力，而其提出的策略能够在较少的标注和计算资源投入下，依然实现较高的预测效果。 此外，徐研究员亦展望了未来的发展方向。他认为未来研究可聚焦于模型融合（Model Merging）与资源高效学习，通过模型融合技术拓展单一模型的任务领域，优化训练效率，从而进一步提升模型的泛化能力和准确性。同时，他强调在减少标注需求的前提下，探索保持甚至提升模型性能的新路径的重要性。 刘江教授对徐研究员的报告给予了高度评价，并表示期待通过双方更多的合作，推动该领域的深入研究。报告结束后，与会人员进行了热烈的讨论，纷纷认为此次报告为今后的科研工作提供了宝贵的参考和启示。 此次学术报告不仅为与会的研究人员和学生提供了一个难得的学习交流平台，也进一步加深了iMED团队与徐研究员团队之间的学术合作。