个人简历

彭剑坤，博士，副研究员，硕士研究生导师。安徽合肥人，1987年生。2016年6月毕业于北京理工大学机械与车辆学院机械工程专业，获工学博士学位。2016年6月至2019年11月在北京理工大学电动车辆国家工程实验室担任博士后研究员。2019年12月起在东南大学交通学院工作。
先后主持和参与了国家自然科学基金青年项目、中国博士后科学基金面上资助项目、国家自然科学基金汽车产业联合基金、国家自然科学基金面上项目、国家重点研发计划、国家科技支撑计划、国防基础科研项目等纵向项目13项；承担新能源及自动驾驶汽车方面的整车级企业合作项目5项。研究成果获得2018年中国汽车工业技术发明一等奖(排名第4)、2019年中国电子学会科学技术进步二等奖(排名第3)、2016年国防技术发明二等奖(排名第5)、2019年中国汽车工业技术进步三等奖(排名第3)。获得中科院SCI 顶级期刊《Applied Energy》2016~2017年度高被引论文奖、2017中国自动化学会车辆控制与智能化学术年会 “优秀论文奖”、国际埃尼奖Eni Award 2020提名。获首届北京理工大学“优秀博士后”称号(前5%)，入选2019江苏省“双创计划”等。指导学生创新创业方面获得工信部创业奖学金一等奖、北京地区高校大学生优秀创业团队一等奖、“创青春”首都青年创新创业大赛银奖、北汽“绅宝智行杯”全国高校汽车创新邀请赛二等奖等。

在国内外知名期刊和会议上发表学术论文60余篇，其中20余篇被SCI期刊收录(第一/通讯作者17篇，其中13篇为中科院TOP期刊)，累计影响因子超过100，EI检索50余篇。论文在Google学术累计被引用800余次（H-index=13），被Web of Science他引300余次，1篇一作TOP期刊论文为ESI高被引论文和2019年HOT论文。授权国家发明专利12件、计算机软件著作权8项。参与我国汽车行业巨著《电动汽车工程手册》中第二卷混合动力电动汽车整车设计篇的整体编辑和修订工作，并负责撰写第4章中“4.3混合动力电动汽车能量管理策略总体设计”。

担任国际应用能源会议(ICAE 2016)“电动车辆”分会主席，汽车前沿技术青年学者论坛(Auto E 2017)“车辆动力学”分会主席。是中国公路学会自动驾驶工作委员会委员、中国公路学会自动驾驶标准委员会委员。在境外国际会议宣读论文及海报展示10余次，担任10余个汽车、能源及交通领域知名SCI期刊审稿人，近年来审稿100余篇。

欢迎具备较强计算机编程、机器学习、数学建模基础，对学术科研或工程开发具有浓厚热情、踏实勤奋的同学报考东南大学、东南大学—蒙纳士大学苏州联合研究生院。共同深入开展车路协同自动驾驶(包括协同式路径规划与决策控制、驾驶行为多目标优化、网联车辆智能编组及群体控制)、网联新能源汽车节能优化(包括单车及多车协同节能、网联化节能驾驶多目标优化、动力传动系统性能优化、交通能源系统等)、车路网联交互数据分析(路车状态特征提取与融合、潜在交通模式重构、乘员起讫态势估计、车辆长/短期运行状态预测等)等方面的研究工作。

研究领域

主要研究方向包括车路协同自动驾驶、车路网联交互数据分析、新能源汽车节能优化、深度强化学习、非线性优化等""

近期论文

Peng J, He H, Xiong R. Rule based energy management strategy for a series–parallel plug-in hybrid electric bus optimized by dynamic programming[J]. Applied Energy, 2017, 185: 1633-1643. (SCI, IF=8.426)
Peng J, Luo J, He H, et al. An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries[J]. Applied Energy, 2019, 253: 113520. (SCI, IF=8.426)
Zhang H, Peng J*, Tan H, et al. Tackling SOC long-term dynamic for energy management of hybrid electric buses via adaptive policy optimization[J]. Applied Energy, 2020, 269: 115031. (SCI, IF=8.426)
Lian R, Peng J*, Wu Y, et al. Rule-interposing deep reinforcement learning based energy management strategy for power-split hybrid electric vehicle[J]. Energy, 2020: 117297. (SCI, IF=5.537)
Li Y, He H, Peng J*, et al. Deep Reinforcement Learning-based Energy Management for a Series Hybrid Electric Vehicle Enabled by History Cumulative Trip Information[J]. IEEE Transactions on Vehicular Technology, 2019, 68.8: 7416-7430. (SCI, IF=5.339)
Tan H, Zhang H, Peng J*, et al. Energy management of hybrid electric bus based on deep reinforcement learning in continuous state and action space[J]. Energy Conversion and Management, 2019, 195: 548-560. (SCI, IF=7.181)
Wu Y, Tan H, Peng J*, et al. Deep reinforcement learning of energy management with continuous control strategy and traffic information for a series-parallel plug-in hybrid electric bus[J]. Applied Energy, 2019, 247: 454-466. (SCI, IF=8.426)
Han X, He H, Peng J*. Energy management based on Reinforcement Learning with Double Deep Q-learning for a Hybrid Electric Tracked Vehicle[J]. Applied energy, 2019, 254: 113708. (SCI, IF=8.426)
Guo J, He H, Peng J*, et al. A novel MPC-based adaptive energy management strategy in plug-in hybrid electric vehicles[J]. Energy, 2019, 175: 378-392. (SCI, IF=5.537)
Wu J, He H, Peng J*, et al. Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus[J]. Applied energy, 2018, 222: 799-811. (SCI, IF=8.426)
Guo J, He H, Peng J*, et al. Real-time global driving cycle construction and the application to economy driving pro system in plug-in hybrid electric vehicles[J]. Energy, 2018, 152: 95-107. (SCI, IF=5.537)
Xie S, He H, Peng J*. An energy management strategy based on stochastic model predictive control for plug-in hybrid electric buses[J]. Applied energy, 2017, 196: 279-288. (SCI, IF=8.426)