无论是荧幕上的《终结者》、《机械姬》，还是现实中的阿尔法狗、波士顿大狗，机器人已然成为人工智能的重要代表。事实上，机器人(含实体、虚体)的确与人工智能密不可分，机器人是人工智能的有效载体，人工智能是机器人的决策核心。《中国制造2025》是我国全面推进实施制造强国的重大战略，该战略明确将机器人列为大力推动十大重点领域之一。智能化成为未来机器人的核心特征，人机协作、自然交互是机器人的发展趋势。在这方面，外骨骼机器人正在助行、助力方面发挥着重要作用。外骨骼机器人系统一般包括整机设计、驱动器(机构)设计、控制策略三部分，外骨骼机器人实现人机实时交互和控制是其中的最难点。该文针对上肢外骨骼机器人从控制策略的角度综述了近年来上肢康复外骨骼机器人的研究进展。首先，从不同时期的康复治疗需求的角度出发，对已有的控制策略进行主动、被动控制分类，并对不同的控制方法进行概述，分析了各控制方法的当前研究现状。最后，对上肢康复外骨骼机器人发展中一些关键的挑战进行讨论，并展望了未来的研究方向。

分布式计算和优化是人工智能的一个重要研究方向。该文从系统的角度将海水淡化设备和汽轮发电机一起看作为水电联合生产设备，并称由发电设备、产水设备和水电联合生产设备构成的网络为水电混合网络。为了降低水电混合系统的生产成本，大规模水电混合网络中的经济调度问题成为最近几年分布式计算和优化领域的一个研究热点。尽管目前有许多集中式计算方法被提出来求解这个优化问题，但是，随着网络规模越来越大，计算中心节点需要承担巨大的计算负担。受人工智能领域分布式计算和优化研究的启发，该文提出了一种分布式优化算法来解决这个问题。分布式优化算法是一种去中心化方法，不需要中心节点来承担网络中的所有计算任务，而是让网络中每一节点承担很小一部分计算任务来计算整个网络的经济调度。该文提出的分布式优化算法仅要求网络中的设备和相邻设备进行通信，而且每个设备只需处理自身和邻居的数据，既提高了计算的可靠性，又保障了数据的隐私性。

装配操作广泛存在于机械工件的装配、3C产品生产线和汽车生产线等工业生产活动中。随着制造业的劳动力总数在逐渐减少，大量的装配作业任务需要由机器人来完成。但对于高精度的轴孔装配作业，机器人需要根据接触情形来调整运动，才能成功地完成装配作业任务。在进行轴孔装配过程中，接触状态类型分类和辨识对选择合适 的装配控制律和监控装配过程有重要的参考作用。传统的接触状态往往建立在几何接触上，其体现的接触状态类型单一，并不能完全反映装配情形的复杂程度，难以适用于一般情况。而且，很多的接触状态辨识方法都是基于单一时刻的信号进行判定，不具有鲁棒性。目前以数据驱动的方式根据时间序列的复杂度进行接触状态类型的区分的研究较少，该文基于深度时间聚类技术直接从原生的接触信号数据出发，采用多变量时间序列和无监督的方式对接触状态进行建模分析，利用时间序列的复杂度不变性度量来区分不同的接触状态类型。通过在不同输入特征和不同时间步数的情况下的聚类结果，给出了不同情形下特征选择的参考依据。

胡江平，教授、博导，IEEE Senior Member，入选教育部“新世纪优秀人才支持计划”、第十一批四川省学术、技术带头人后备人选。担任SCI期刊《Kybernetika》编委、《International Journal of Distributed Sensor Networks》编委、中国控制会议程序委员会委员、电子科技大学学术委员会委员、中国自动化学会认知计算与系统专业委员会委员、中国自动化学会分数阶系统与控制专业委员会委员。研究方向包括：分布式控制与优化、学习控制、社会网络计算等。发表SCI论文50余篇，SCI他引次数超过1700余次。承担了国家自然科学基金、教育部“新世纪优秀人才支持计划”、国家“973”子课题、四川省青年科技创新研究团队、教育部留学回国人员科研启动基金等多项科研项目。