2026年4月13日，先进制造与机器人王启宁教授团队荣获“2025年度国际电气与电子工程师协会（IEEE）自动化科学与工程汇刊（ Transactions on Automation Science and Engineering，T-ASE）最佳论文奖（Best Paper Award）”。IEEE T-ASE由IEEE机器人与自动化协会（IEEE RAS）主办，是机器人与自动化工程领域的国际旗舰期刊。该奖项每年仅授予一篇论文，是对相关研究国际影响力的高度认可。本次获奖是北京大学在该期刊最佳论文奖上的首次突破。

本次获奖论文题为“Automated Constraint Specification for Job Scheduling by Regulating Generative Model with Domain-Specific Representation”，聚焦生成式人工智能驱动的智能制造排程问题，追溯调度场景数学抽象的来源，致力于解决一个关键的前置问题——如何将异构、非结构化的制造业数据自动转化为可靠的作业调度约束规范。传统上，这一过程高度依赖领域专家的手工建模，在小批量、多品种的柔性制造场景下面临巨大挑战，也是实际工业场景数字化转型的重大阻碍。论文提出了一种以约束为中心的系统架构，通过定义条理化的领域专用表示（Domain-Specific Representation）来规范大语言模型（LLM）的生成行为，将整个工作流划分为约束抽象、约束生成和排程落地三个模块，实现了从自然语言工艺描述、半结构化工艺路线表等原始制造文档到形式化调度约束，再到可执行生产计划的端到端自动化转换。

面向智能制造作业调度的约束规范自动化生成系统架构与端到端工作流程

该成果的核心亮点在于巧妙地将大语言模型的强大语义理解与生成能力，与制造系统对精确性和可靠性的严苛要求相融合。论文并未简单地将约束生成任务直接交由LLM完成，而是设计了领域专用语言（DSL）程序表示和双视图验证机制，从结构层面约束模型输出空间，有效克服了自然语言歧义性、模型输出非确定性以及领域知识缺失等关键难题。同时，论文提出的生产场景自适应算法使架构能够高效适配不同工厂的资源配置与工艺要求，无需大量人工干预即可部署。实验结果表明，该方法在约束规范任务上显著优于纯LLM方案，为生成式人工智能在高可靠性工业场景中的落地应用提供了极具启发性的创新范式。

王启宁课题组围绕人-机器人-环境高效融合的基础科学问题和关键瓶颈技术，持久开展动力学建模与分析、刚柔耦合机构设计、仿生驱动与运动控制、先进传感与人机接口、人机混合智能等研究，主持国家自然科学基金“共融机器人”重大研究计划重点支持项目（结题优秀）、国家重点研发计划“智能机器人”重点专项项目（结题优秀）等国家和地方科研项目20余项，在国际重要期刊和会议上发表论文290余篇，获得中国发明专利授权59项、美国发明专利授权2项，制定国家标准2项，部分成果实现财产转化，在医疗健康、工业智能等领域形成典型应用。

本次获奖论文主要作者包括北京大学先进制造与机器人博士研究生师宇哲、阮乐成研究员，香港科技大学屈华民教授，王启宁等。成果得到了国家自然科学基金、香港研究资助局的资助，以及北大-东阳光工业智能联合实验室的支持。