个人简介

钟俊培生于广东广州，于华南理工大学自动化专业获得学士学位，香港理工大学电机工程获得硕士学位，博士毕业于德国汉堡大学计算机专业。加入吴贤铭智能工程学院前，先后任职于英国普利茅斯大学、日本早稻田大学、日本国立产业综合技术研究所等，参与欧盟、日本等智能机器人、机器学习、辅助机器人等领域的项目。他获得了欧盟居里夫人博士奖学金, ICDL/EpiRob最佳学生论文，ICMIC最佳理论论文等奖项。 工作经历 2010 - 2013年 汉堡大学 研究助理 2014 - 2015年 赫特福德大学 博士后研究员 2015 - 2016年 普利茅斯大学 博士后研究员 2016 - 2017年 早稻田大学 初级研究员 2017 - 2019年 国立产业综合技术研究所 研究员 2020- 至 今 华南理工大学吴贤铭智能工程学院 助理教授 教育经历 2002 - 2006年 华南理工大学 本科 2007 - 2010年 香港理工大学 哲学硕士 2010 - 2013年 汉堡大学 博士

研究领域

智能机器人、机器学习、认知科学等，主要应用方向是新一代更安全和更友好的智能感知、智能机器人与辅助医疗康复系统。

智能机器人；机器学习；辅助设备；认知科学等；以及它们在病老龄人的养护、辅助的应用；

近期论文

查看导师新发文章 （温馨提示：请注意重名现象，建议点开原文通过作者单位确认）

[1].Zhong, J., Ogata, T., Cangelosi, A. and Yang, C., 2019. Disentanglement in conceptual space during sensorimotor interaction.CognitiveComputation and Systems, 1(4), pp.103-112. [2].Zhong, J., Peniak, M., Tani, J., Ogata, T. and Cangelosi, A., 2019. Sensorimotor input as a language generalisation tool: A neurorobotics model for generation and generalisation of noun-verb combinations with sensorimotor inputs. Autonomous Robots, 43(5), pp.1271-1290. [3].Zhong, J., Cangelosi, A., Ogata, T. and Zhang, X., 2018. Encoding longer-term contextual information with predictive coding and ego-motion.Complexity, 2018. [4].Zhong, J., Cangelosi, A. and Wermter, S., 2014. Toward a self-organizing pre-symbolic neural model representing sensorimotor primitives.Frontiers in behavioral neuroscience, 8, p.22. [5].Zhong, J., Weber, C. and Wermter, S., 2012. A predictive network architecture for a robust and smooth robot docking behavior.Paladyn, 3(4), pp.172-180. [6].Zhong, J. and Fung, Y.F., 2012. Case study and proofs of ant colony optimisation improved particle filter algorithm. IET control theory & applications, 6(5), pp.689-697. [7].Zhong, J., Fung, Y.F. and Dai, M., 2010. A biologically inspired improvement strategy for particle filter: Ant colony optimization assisted particle filter. International Journal of Control, Automation and Systems, 8(3), pp.519-526 [8].Li, Y., Zhou, X., Zhong, J. and Li, X., 2019. Robotic impedance learning for robot-assisted physical training. Frontiers in Robotics and AI, 6, p.78. [9].Xu, Y., Yang, C., Zhong, J., Wang, N. and Zhao, L., 2018. Robot teaching by teleoperation based on visual interaction and extreme learning machine. Neurocomputing, 275, pp.2093-2103. [10].Jiang, Y., Yang, C., Na, J., Li, G., Li, Y. and Zhong, J., 2017. A brief review of neural networks based learning and control and their applications for robots. Complexity, 2017.