农业机器人采用深度强化学习算法进行路径规划时存在难以找到目标点、稀疏奖励、收敛缓慢等问题，为此提出基于多目标点导航融合改进深度Q网络算法（MPN-DQN）的路径规划方法. 利用激光同步定位与建图（SLAM）扫描全局环境以构建先验地图，划分行走行和作物行区域；对地图边界进行膨胀拟合处理，形成前向弓字形作业走廊. 利用中间目标点分割全局环境，将复杂环境划分为多阶段短程导航环境以简化目标点搜索过程. 从动作空间、探索策略和奖励函数3个方面改进深度Q网络算法以改善奖励稀疏问题，加快算法收敛速度，提高导航成功率. 实验结果表明，搭载MPN-DQN的农业机器人自主行驶的总碰撞次数为1，平均导航时间为104.27 s，平均导航路程为16.58 m，平均导航成功率为95%.
针对现有的遥感图像超分辨模型很少考虑噪声、模糊、JPEG压缩等因素对图像重建所带来的影响，以及Transformer模块构建高频信息能力受限的问题，提出多层退化模块. 设计基于CNN和Transformer聚合的网络，使用CNN识别图像的高频信息，Transformer提取全局信息. 利用基于注意力机制的聚合模块将2个模块聚合，在保持全局结构连贯性的同时，显著增强局部高频细节的重建精度. 利用所提模型，在AID数据集上随机选取6个场景进行实验，与MM-realSR模型在PSNR和SSIM指标上进行比较.结果表明，所提模型在PSNR指标上相比于MM-realSR模型平均提高1.61 dB，SSIM指标平均提升0.023.
为了解决在传统番茄叶片病害检测中出现的误检和漏检现象，提出基于改进CenterNet算法的番茄叶片病害检测模型. 构建融合注意力机制的特征融合模块，增强模型的跨尺度特征融合能力. 在骨干网络中加入多分支卷积模块RFB，扩大感受野，加强对目标特征的提取能力. 在骨干网络中引入金字塔卷积PyConv，通过计算不同尺度的感受野来强化多尺度特征的提取，减少信息损失. 设计剪枝优化策略，减少引入模块给模型参数量和计算量带来的影响. 试验结果显示，改进后模型的准确率、召回率、mAP50和mAP50:95达到96.3%、80.2%、91.4%和78.7%. 利用提出的模型，能够有效地提升番茄叶片病害检测的准确性，模型具有良好的泛化性.
现有时序数据异常检测方法侧重于提取时序数据的时间变化特征，忽略了多变量之间的空间依赖特征，为此提出基于时空图注意力网络的检测方法. 将多变量时序数据转换为具有时空依赖关系的时序图结构数据，设计时空图注意力网络分别提取时序图结构数据的时间变化特征和空间依赖特征. 通过多层感知机学习时空特征的周期性模式，根据时序数据的预测值与观测值的异常分数进行异常检测. 在公开数据集上的实验结果表明，所提方法在异常检测精准度和鲁棒性方面显著优于现有先进的基线方法.
针对多无人机(UAV)协同路径规划的问题，提出改进黏菌人工蜂群算法(ISMABC). 建立路径规划代价模型，通过引入适应度函数和约束条件，将三维环境中的路径规划问题转化为优化问题，利用所提算法求解模型，获得最优路径. 采用佳点集策略和非线性收敛因子，对黏菌算法进行改进，在增加种群多样性的同时，提高算法的收敛速度. 对全局最优个体采用精英反向学习策略，提高种群质量. 在人工蜂群探索能力的基础上，引入全局最优位置引导，提高黏菌算法的开发能力. 通过对14个测试函数和CEC2017测试函数集中部分函数的寻优对比分析可知，ISMABC算法的寻优能力和收敛速度都有了较大的提升. 为了验证ISMABC算法的可行性，采用所提算法求解多无人机协同路径规划问题. 通过对比分析可知，利用ISMABC算法能够为每架UAV规划出满足约束且代价最小的路径.
为了改善分布式驱动电动汽车的操纵稳定性，并考虑不同驾驶人的驾驶风格，针对主动四轮转向（AFWS）和直接横摆力矩控制（DYC）系统，提出基于分层架构的考虑驾驶风格的协调控制策略，包含上、中、下3层控制器. 在上层控制器建立考虑驾驶风格的操纵稳定性参考模型，通过驾驶人在环试验确定不同驾驶风格的车辆稳定性因数，并依据相平面理论将车辆工作区间划分为稳定域、过渡域与失稳域；在中层控制器建立基于Stackelberg主从博弈和Pareto合作博弈的AFWS和DYC混合博弈控制模型，提高车辆在复杂行驶工况下的操纵稳定性；在下层控制器以轮胎负荷率最小化为目标，优化车轮驱动转矩分配. 利用Simulink仿真软件和罗技G29驾驶模拟器搭建驾驶人在环试验平台，进行驾驶人开环和在环试验，结果表明，提出的控制策略能够适应不同驾驶人的驾驶风格，满足其个性化需求，从而提高了车辆的操纵稳定性.
大多数现有的机器人视触觉传感器由于采用平面式感知结构，在复杂三维环境和精细操作任务中面临接触信息缺失、深度感知不足的局限性. 为此，提出曲面手掌视触觉传感器，其创新性曲面结构设计将有效感知区域扩展至三维空间，显著地提升触觉感知深度和接触信息完整性. 建立基于双目立体视觉折射光线追踪模型的点云重建框架，用于生成高精度的三维触觉点云数据. 为了提高数据处理效率和准确性，提出高效的点云显著性检测算法，以实现关键接触区域的智能识别与实时点云提取. 实验结果表明，所提传感器的结构设计和点云重建框架具有良好的鲁棒性，三维触觉点云感知精度达到0.20 mm，点云重建帧率达到30 帧/s，最大按压深度为10 mm. 该传感器能够精准实时地提取显著接触点云，为机器人在复杂环境中的精细操作提供了有力支持.
为了实现电网故障类型判断、故障线路定位和故障距离判断，提出融合快速傅里叶变换（FFT）、卷积神经网络（CNN）和图卷积神经网络（GCN）的电网故障诊断新模型. 通过FFT对电压和电流信号进行时域和频域分解，提取信号的基波幅值和相位，利用CNN提取分解后数据的时序特征，引入层归一化增强模型的稳定性. 结合GCN处理电网空间拓扑，提取并整合空间特征. 通过对IEEE 39节点电网系统的建模和仿真验证模型的有效性. 实验结果表明，所提模型具有较强的泛化能力，在不同任务、采样间隔和噪声影响下的故障诊断准确率优于现有模型.
针对新型电力系统建设背景下常规火电机组不能满足系统灵活性需求的问题，为了充分挖掘各资源的灵活调节能力，保障系统实时灵活性，提出考虑储能提供灵活爬坡产品（FRPs）的日前市场经济调度模型. 介绍FRPs的需求构成和机会成本计算方法；通过对日前市场和实时市场的FRPs决策方案进行概率分析，得到FRPs在日前和实时市场参与灵活爬坡部署的决策树模型，在FRPs充足和短缺的情况下进行成本和收益分析. 在此基础上建立考虑储能提供FRPs的日前市场经济调度模型，并在日前市场进行经济调度后，根据FRPs的日前市场接受概率和实时市场预期部署概率来实现成本和FRPs收益结算. 通过改进的IEEE 30节点进行算例分析，验证了储能参与下该模型的优越性，并探讨了日前市场接受概率和实时市场预期部署概率对系统的影响.
在复杂海洋环境中，AUV路径规划方法的生成路径质量低、动态避障能力差，为此提出新的三维水下AUV路径规划方法（IADQN）. 针对AUV在未知水下环境中障碍物识别和规避能力不足的问题，提出自适应势场法以提高AUV的动作选择效率. 为了解决传统深度Q网络（DQN）经验回放策略中样本选择效率低的问题，采用优先经验回放策略，从经验池中选择对训练贡献较高的样本来提高训练的效率. AUV根据当前状态动态调整奖励函数，加快DQN在训练期间的收敛速度. 仿真结果表明，与DQN方案相比，IADQN能够在真实的海洋环境下高效规划出省时、无碰撞的路径，使AUV运行时间缩短6.41 s，与洋流的最大夹角减少10.39°.
为了提升新能源汽车功率模块的散热能力，采用流热固耦合数值模拟方法分析绝缘栅双极型晶体管（IGBT）功率模块的热管理系统，并提出包含贡献量化、代理建模与整体优化的三阶段设计优化方法. 基于ANSYS Fluent软件建立IGBT功率模块的数值模型，数值模拟值与实验值的相对误差为3.7%. 对影响IGBT功率模块散热性能的主要因素（包括基板陶瓷材料、冷却液流量和针肋结构）进行分析，确定对流换热热阻和陶瓷层热阻是影响芯片热阻的主要因素. 通过代理模型构建与多目标优化对750 V/820 A H-Boost IGBT功率模块进行设计优化，优化后的功率模块芯片热阻降低了21.1%，压降减少了39.3%，模块质量减轻了6.1%.
为了提高交通场景感知算法的整体性能，利用语义分割任务和深度估计任务之间的显式和隐式相关性，依据跨任务双向特征交互原理，提出面向城市街道自动驾驶的感知算法SDFormer++. 在跨任务特征提取阶段加入交互门控线性单元，形成高质量的特定任务特征表达；构建多任务特征交互模块，应用双向注意力机制，借助跨域共享任务的特征信息来增强初始特定任务特征；设计多尺度特征融合模块，整合不同层次的信息，以获取精细的高分辨率特征. 在Cityscapes数据集上的实验结果表明，算法的像素分割平均交并比mIoU为82.4%，深度估计平均平方根误差RMSE和绝对相对误差ARE分别为4.453和0.130，针对5类典型交通参与者的平均距离估计误差为6.0%，均超越InvPT++、SDFormer等主流多任务算法.
为了实现高效地将任务分配给每个智能体，为智能体规划出尽可能短且不与其他智能体发生碰撞的路径，提出多目标多智能体路径规划方法. 针对传统路径规划算法使用离散时间导致成功率低的问题，该算法定义连续时间下智能体间的冲突定义与解冲突方式，在A*算法的基础上引入安全间隔与标签的概念，使得A*算法可以规划出满足连续时间约束的最优路径. 针对多智能体路径规划问题中因碰撞检测、冲突避免造成的较大计算量，提出冲突分级策略，减少了算法求解过程中扩展的节点数量. 实验结果表明，利用所提出的算法能够求解得到更优的解决方案，且该算法具有更好的适用性；在智能体分布密集的场景下，该算法表现出更低的路径总成本和更高的求解成功率.
经典快速探索随机树（RRT）路径规划算法存在冗余采样点多、随机性强、路径不平滑等不足，为此提出新的路径规划算法. 设计最优路径区域预测网络模型（OPAPN），利用深度学习方法预测地图中的潜在最优路径区域. 整合全局特征提取模块、融合注意力机制以及可切换空洞卷积技术，提升网络对整体地图布局和起点/终点信息的理解，有效降低计算开销. 通过在OPAPN预测出的最优路径区域实施启发式采样来大幅减少采样点数量，采用双树扩展策略来加速算法的收敛速度. 仿真实验及真实环境测试表明，所提算法在收敛时间、节点数量和路径长度方面的性能表现良好，具有实际应用价值.
自动驾驶感知性能训练所需的雪天场景样本库数据收集难度大，样本数量较少，为此提出基于感知估计的雪天场景构建算法. 将雪天场景划分为积雪模型和雪线模型，提出基于空间感知的积雪平面构建算法，分析图像细微的梯度变化，估计初步积雪区域. 使用连通域分析方法细化初步积雪区域，将积雪区域与原图融合，获得积雪场景图像. 提出基于随机雪线模型的雪天场景构建算法，生成不同运动方向的雪花. 将积雪模型和雪线模型融合，利用多种基础雪线形态构建雪天场景. 多帧交通视频数据对比实验结果表明，在使用雪天场景融合方法构建的雪天场景中，随着雪量增加，图像的干扰信息和细节都明显增强，主观上接近实际雪天场景；随积雪和雪线密度的增加，加雪图像质量客观评价指标不断降低.
为了解决混合车辆队列协作控制中的能耗优化问题，同时保障乘客舒适度，提出实时优化的分布式模型预测控制与智能驾驶员模型结合的协作控制方法. 针对队列中的网联自动驾驶车辆，建立乘客舒适度约束，使用精确的油耗模型建立实时优化的分布式模型预测控制方法，在确保队列一致稳定的基础上降低实时能耗. 针对队列中的人工驾驶车辆，采用乘客舒适度和能耗性能良好的智能驾驶员跟驰模型描述跟驰行为，推理分析得到跟驰稳定性条件. 分别在恒速与变速领航车辆场景下开展仿真实验，验证所提控制方法在满足乘客舒适度约束条件下的跟踪性能. 以从初始状态到稳态的平均发动机功率为能耗优化指标，进行多组对比仿真实验，结果表明，相比对比算法，所提控制方法能够有效降低混合车辆队列的能耗.
复杂环境中的路径规划是无人机安全作业的基础，为此提出综合考虑避障能力、飞行效率和稳定性约束的全局优化方法. 采用柱面包络法对环境信息及障碍物进行规则化处理，分析无人机姿态变化对运动稳定性和飞行效率的潜在影响. 建立效率、避障和稳定性3个优化目标，将优化空间从传统的一维或二维提升到三维. 引入基于参考点的第三代非支配排序遗传算法 (NSGA-III)加速高维空间中的搜索过程，与改进的A*算法相比，收敛速度提高约49%. 针对障碍物设计潜在风险点判断机制，结合五次B样条对初始最优路径进行二次优化，改善无人机轨迹的几何特性及光顺性，使飞行稳定性及效率分别提高66.7%和25%. 通过仿真和实验验证NSGA-III在轨迹规划方面的有效性.
为了提升人体工学康复器具与个体关节运动学的匹配性能，提出运动关节康复外骨骼定制设计的新方法. 通过医学图像重建骨骼关节，利用锥规划迭代计算形貌特征匹配关系，重建个性化的关节运动姿态，提高重建精度. 与分层匹配方法相比，所提锥规划重建方法的均方根误差、平均绝对误差和最大误差分别降低了10.95%、12.29%和6.05%. 基于重建的运动关节姿态同步推算其瞬时旋转中心轨迹，结合三心定理，以减小瞬时旋转中心轨迹误差为目标，优化康复外骨骼反向双摇杆机构设计，实现运动域中精确的人机协同变瞬心运动. 结合增材制造约束进行拓扑优化，通过赫兹接触理论分析外骨骼零件的载荷传递和应力分布，优化材料分布，实现康复外骨骼结构的个性化定制设计.
针对由散射、吸收和色偏等多种因素导致的水下图像模糊、对比度低、图像失真辨识困难的问题，提出基于改进CycleGAN的多失真类型水下图像增强算法. 为了提高图像增强效果，在CycleGAN的生成器中采用Auto-Encoder+Skip-connection的网络结构，添加全局色彩校正结构，从像素方面以及颜色方面进行全局增强，从而更好地捕捉水下图像中的色彩信息. 设计多维感知判别器来学习图像的全局特征和局部特征，此设计更加注重图像局部细节部分，有效针对散斑和色彩噪声，从多维空间上感知图像，提取特征能力更强，从而能提高图像判别的精度. 在EUVP、UIEB和U45数据集上的实验结果表明，所提出的方法取得了较好的结果，相较其他算法，在处理多种水下失真类型的图像方面，该算法的SSIM指标平均比第2名高出1.57%、PSNR指标高出1.836%、UIQM指标高出1.324%、UCIQE指标高出1.086%，在处理颜色和噪声细节方面表现出色.
交通流数据的高度非线性、强时间依赖性、特征冗余和噪声会降低模型的预测精度，为此提出融合自适应噪声完备集合经验模态分解(CEEMDAN)和软阈值时间卷积网络(STTCN)的短时交通流预测算法. CEEMDAN算法将历史交通流数据分解为高频和低频成分. 设计时间戳编码处理时间信息，使用最大信息系数(MIC)分析时间和天气特征与分解成分的相关性. 将最相关特征与对应高、低频成分输入STTCN. 引入软阈值机制增强高噪声数据的处理能力，软阈值参数由黏菌优化算法(SMA)调整，将预测得到的高、低频成分重构为交通流预测结果. 在浙江省某高速公路数据集上，相较于基线模型，所提算法的均方误差、均方根误差和绝对偏差下降了54.97%、30.07%和34.39%. 结果表明，所提算法能有效捕捉交通流的复杂动态.
