2025 Regeneron ISEF大奖-ROB机器人与智能机器获奖作品汇总-1

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-ROB机器人与智能机器2025获奖作品方便学习

ROBO004 - 设计植物病害抑制机器人

主要目标是构建一个能够自主管理植物病害的机器人，以实现高效的农业病害管理。传统方法耗时、费力且不准确，导致作物减产和经济损失。当前的原型机采用了 Jetson Nano 进行控制，并用于未来的 AI 应用，已在花园条件下的户外测试中成功完成，测试内容包括可操作性、液体喷洒和图像采集质量。\n\n我们使用了一台低成本多光谱相机，该相机采用 OCN（橙色、青色、近红外）滤光片，在检测作物健康状况时（主要估算叶绿素含量）具有更高的精度。\n两个 YOLOv8 实例分割模型采用三阶段方法进行训练：首先在合成的多光谱/RGB 数据集上进行训练，然后在合成的多光谱/RGB 植物数据集上进行训练，最后两个模型都基于机器人将要操作的花园中收集的真实多光谱植物数据进行优化。最终训练数据使用了 OSAVI 多光谱指数。\n\n在模型训练的最后阶段，RGB 预训练模型的 mAP@50 为 28.5%，mAP@50-95 为 16.1%，mAP@50 (M) 为 27.9%，mAP@50-95 (M) 为 15.1%；而合成多光谱预训练模型的 mAP@50 为 25.0%，mAP@50-95 为 15.4%，mAP@50 (M) 为 23.6%，mAP@50-95 (M) 为 14.3%，这表明 RGB 预训练带来了更高的最终检测准确率。由于最终数据集有限，截止期限前仅有 12 张带标签的多光谱图像，这可能会影响这两个模型的泛化能力。在物理方面，我采用了一种新的机械臂设计，将电子设备压缩到轻型 3D 打印外壳中，并添加了流体喷涂功能，现在全部都可以运行了。

ROBO011T - 机器学习 IMU 处理和 PD 视觉监控

超过一千万人患有帕金森病 (PD)，这是一种无法治愈的运动障碍，严重影响日常生活。80% 的晚期帕金森病患者会患上冻结步态 (FoG)，导致患者突然无法活动并跌倒。因此，PD 患者行走时经常低头，需要导航辅助。此外，超过 75% 的患者会出现静止性震颤（不受控制的颤抖），从而影响运动功能。因此，本研究提出了 GaitGuardian——一种针对晚期帕金森病患者的整体机器学习 (ML) 解决方案，包括 FoG 预测、跌倒和震颤检测以及视觉监测。首先，FoG 预测算法使用加速度计数据标记“FoG 前”状态（FoG 发生前 2 秒）。采用双注意力机制增强的混合 CNN + biLSTM 模型可捕捉空间和时间特征，实现高灵敏度和特异性。跌倒检测在 IMU 数据上运行 ML 集成，准确率接近完美。震颤检测使用基于腕戴式 IMU 数据训练的轻量级一维 CNN。最后，视觉监控将使用基于云的变换器和卷积模块的物体+深度检测主干与用于文本输出的多模态大型语言模型配对。应用过采样、特征提取、低通滤波和调优等机器学习技术来优化精度和计算量。在物理构造方面，连接到 ESP32-S3 的 6 自由度惯性测量单元 (IMU) 采用 PLA 封装，并通过 USB-C 接口供电和传输数据。行走时，该设备可佩戴在躯干上；佩戴在手腕上，通过触觉反馈进行震颤矫正。最后，将一个 2 MP Arducam 放置在用户的额头上，使用 BLE-5 进行数据传输（通过 ESP32）。总而言之，GaitGuardian 可以预测雾状震颤 (FoG)、检测跌倒、矫正震颤并监测周围环境，同时性能优于现有模型，证明了其对帕金森病 (PD) 患者的益处。

ROBO014T - 用于物体检测的协调无人机

本研究旨在设计、构建和测试一套用于广域物体识别的多无人机 (UAV) 系统。广域物体识别广泛应用于各种任务，例如搜救任务，这些任务通常耗时且对相关人员来说十分危险。在该系统中，多架定制无人机与任务控制服务器 (MCS) 通信。每架无人机都是配备摄像头和图像处理计算机的自主四轴飞行器。这些无人机使用计算机视觉和基于特定应用数据训练的人工智能模型来处理摄像头传来的图像，从而执行物体检测。MCS 允许操作员选择搜索区域，然后计算每架无人机负责搜索的区域。MCS 负责协调所有无人机，同时监控它们的位置和发现的目标。然后，每架无人机根据从 MCS 收到的坐标点创建自己的优化飞行路径，同时结合其飞行高度和摄像头的视野范围进行考虑。验证后，我们分别计算了原版 YOLO 模型和 VisDrone 训练模型的 F1 得分（F1 分数），以此作为准确度的统计指标。结果表明，基于 VisDrone 数据集训练的模型比原版模型更准确；定制训练模型的 F1 得分为 0.96，而原版模型的 F1 得分为 0.87。在使用多架无人机进行测试时，该系统每秒覆盖的搜索区域增加了 57.87%，同时 F1 得分达到了 1.00，这意味着没有遗漏或错误地检测到目标。此外，凭借其物体检测能力，这项技术还可以用于其他任务，例如野生动物识别和其他形式的环境测绘。

ROBO019 - 提高持续学习的泛化能力

虽然监督学习或自监督学习的预训练最近在持续学习 (CL) 中通过学习可泛化特征展现出巨大的潜力，但它需要一个与目标数据集类似的大型外部数据集。这类数据集可用于流行的基准数据集，但在实际应用中往往不可用。因此，许多研究仍然从头开始训练随机初始化的模型。然而，目前尚无此类研究探索引入可泛化特征的替代方法。因此，本文在 CL 的一个子集——无样本类增量学习 (EFCIL) 中重新探讨了自监督标签增强 (SSLA)。虽然 SSLA 之前已被提出，但它的使用方式极其简单，这被发现会损害现代 EFCIL 算法的性能。因此，基于理论观察，本文提出了两项修改，以使 SSLA 更好地适应 EFCIL 环境：仅对初始任务执行 SSLA，以及仅对非增强类 logits 执行知识蒸馏。此外，由于 SSLA 依赖于旋转或颜色变化特征，而这些特征可能并非存在于所有数据集中，因此其局限性也显而易见。因此，针对此类设置，我们提出了一种新的 SSLA 增强方法，即在图像频域上使用二值低通和高通滤波器。我们已在 CIFAR-100、Tiny-ImageNet 和 Skin23 数据集上对所提出的方法进行了评估，结果表明，最终任务准确率较最优方法分别提升了 2.5%、2.7% 和 0.4%。

ISEF历年获奖作品集&解析&资料免费下载⬇️