Our research direciton
这个领域的研究重点是如何利用神经网络，机器学习将机械臂与增材制造技术相结合，以提高建筑和制造过程的效率和精确度。机械臂和增材制造技术可以帮助自动化建筑和制造过程，减少人为因素的影响，从而大大提高建筑和制造的质量和效率。此外，这个领域的研究还包括如何优化机械臂的运动和位置，以实现更精准的建造。
关键词：增材制造、自动化、精确度、效率、工程优化、机械臂控制。
该领域研究如何通过图神经网络技术来支持人机融合的建筑设计。GNN可对建筑设计中的多维数据进行有效建模，理解复杂三维设计场景和设计约束。进行层级的三维空间模型预测。为设计决策提供支持。
关键词：图神经网络、GNN,GCN，建筑设计、数据建模、人机融合、智能决策。
该领域的研究探讨了如何将eeG脑机接口技术应用于空间设计领域。eeG脑机接口是一种可以监测大脑活动的技术，它可以帮助设计者更好地理解用户的需求和意图，从而为用户提供更好的空间体验。此外，该领域还探讨了如何通过eeG技术来优化空间设计， 尤其专注于空间感知的事件电信号的机器学习特征处理。如RNN进行脑机空间事件的学习和理解
关键词：eeG脑机接口、空间设计、用户需求、人性化、可持续性。
深度学习环境模拟分析：该领域的研究旨在利用深度学习技术对建筑和城市环境进行模拟分析，以帮助设计者更好地理解环境因素对人体健康和舒适的影响，并为设计师提供更优秀的设计建议。深度学习技术可以帮助设计者更准确地模拟建筑和城市环境中的各种因素，如温度、湿度、光线、声音等，以提高建筑和城市设计的质量和效率。
关键词：深度学习、环境模拟、建筑性能、城市规划、数据分析。
该领域的研究旨在利用计算技术来分析建筑和城市的能源使用情况，并提供优化建议，以实现可持续性和能源效率。建筑和城市的能源使用是导致环境污染和资源浪费的主要因素之一，因此需要对其进行仔细的分析和优化。该领域的研究主要包括能源计算和优化建议的开发，以及建筑和城市能源使用的可视化展示
关键词：能源计算、可持续性、能源效率、建筑设计、城市设计、环境分析。
NeRF（神经辐射场）三维重建团队，专注于数字化城市空间和3D重建研究。主要研究方向为隐式3D神经表示、室内室外场景生成、3D物体生成和动态场景生成。研究成果主要为拓展数字城市和虚拟现实领域的应用，捕捉和合成三维世界提供新的可能性。
关键词：城市空间、数字3D数字化、3D神经表示和合成、室内室外场景生成、3D静态场景与动态场景生成。
机器人与AI3D视觉组着眼于机器人与AI系统在现实世界中的感知、理解和交互能力，以应对复杂多变的环境和任务。研究组的目标是解锁3D视觉在机器人与AI领域的潜力，以提高自动导航、环境理解、物体识别、姿态估计、人机交互和虚拟现实等关键应用的性能。我们的研究不仅涵盖基础理论，还包括实际工程应用，助力机器人和AI系统更好地融入我们的日常生活。
关键词：3D感知，机器视觉，深度学习，虚拟现实，三维重建，人机交互，视觉算法。
多模态大模型中的3D生成组专注于多模态大模型中3D生成的研究团队，致力于推动交叉学科研究，将计算机视觉、自然语言处理和深度学习相结合，探索3D场景生成的全新可能性。研究组的目标是建立创新的多模态3D生成方法，将视觉、语言和其他感知方式有机地融合，以创造出高度复杂、具有智能感知的三维场景。
关键词：跨模态融合，大规模深度学习模型，多模态感知与生成，多源数据融合，计算机视觉与自然语言处理交互，数据驱动的3D建模。
