研究围绕物理空间中智能体（如终端设备、无人机、算力节点）在动态、异构、资源受限环境下的自主感知、协同决策与高效学习等核心问题，形成以下三项代表性成果：

(1) 面向复杂环境的智能体非侵入式感知方法：针对室内智能体（如人员、设备）在无线信号时变、特征稀疏、跨域迁移难等复杂条件下的状态感知难题，构建多模态特征协同学习框架，挖掘Wi-Fi信号指纹与空间行为之间的深层关联，实现高鲁棒性多楼层定位与高精度人体行为识别；进一步提出基于提示学习的原型网络框架，在小样本场景下显著提升跨域泛化能力。相关成果发表于IEEE TMC、IEEE TCCN、IEEE IoTJ等权威期刊，为智慧家居、健康监护等场景中的智能体状态理解提供了可迁移的技术路径。

(2) 面向动态与对抗环境的智能体协同决策机制：针对低空无人机作为移动智能体在任务动态变化、通信受限及对抗威胁下的协同感知挑战，构建边缘辅助的分布式架构，提出基于任务状态信息共享的多智能体强化学习决策模型，实现高效数据采集与能效优化；设计分层强化学习架构，提升对突发任务的响应速度与数据新鲜度；在对抗背景下，引入注意力机制以聚焦高风险区域与关键任务信息，结合RNN结构捕捉环境动态演化过程，提升智能体对雷达威胁的感知与规避能力。相关工作发表于IEEE TVT、IEEE IOTJ等期刊，并获“挑战杯”专项赛全国一等奖。

(3) 面向智能体协同学习的大模型分布式训练支撑技术：为支撑海量智能体产生数据驱动下的模型持续进化，突破跨域异构算力环境下大模型训练通信开销大、并行效率低的瓶颈，提出基于计算图的细粒度模型拆分算法，支持无需修改代码的灵活流水线并行；设计时空双流重叠优化策略，在高时延低带宽条件下逼近理论最优训练耗时；进一步提出基于流水线计划的AllReduce自动分组机制，实现异构GPU集群的高效3D混合并行。研究成果作为DeepLink超大规模跨域混训支撑技术，完成上海—济南1500公里跨域千亿参数大模型混训验证，被中国信通院、上海市通信管理局等官方微信公众号报道，为构建面向智能体协同学习的国产化算力底座提供关键技术支撑。