地下网络包括采矿隧道、洞穴和城市地下空间。这些环境中的每一个都是复杂的环境，在勘探、开发等方面面临着巨大的挑战。同时，在这些环境中存在多种环境和结构危险，并且这些条件会随着时间的推移而退化和变化。我们在本文介绍了关于自主性、网络和移动性的研究综述，重点是探索和/或在不可预测和未探索的环境中绘制地下网络。受到作者所在地靠近博尼塔峰矿区驱动，本文重点研究了作为地下环境代表的采矿隧道。博尼塔峰矿区是一个由48个历史悠久的矿山组成的超级矿区，由于历史采矿的原因，这些矿山附近的土壤、地下水和地表水受到了重金属的污染。为矿山隧道整治工程进行勘察与评估是一个极具挑战性的地下导航课题。可以说，这里讨论的环境是最极端、最具挑战性的地下环境。无人驾驶设备必须进入隧道进行探测并重新测绘隧道，以评估机器人和/或人类随后进入隧道的安全性，以便进行适当的修复。本综述分为三大类：移动、GPS缺失下的导航和定位以及通讯。最后提出了一个平台设计方案，解决了探索废弃矿山的困难。

运动规划是无人飞行器(UAVs)的一个重要模块，特别是在自主导航和操作场景中。本综述阐述了一些最近的无人飞行器运动规划算法和相关应用进展。本综述的逻辑流程分为路径查找和轨迹优化两部分，前者是大多数运动规划系统的前端，而后者通常是后端。本文详细介绍了各项研究的动机、方法、问题的提出和推导。最后一节阐述了相关算法的现实应用，介绍了最流行的运动规划方法的作用和有效性。

自主水下航行器(AUVs)编队控制算法的性能可能会受领航和跟随自主水下航行器之间的通信约束而下降。此外，由于海浪的影响，自主水下航行器之间的距离会发生变化，因此通信延迟也会发生变化。本文提出了一种改进的约束自适应控制器(CAC)来解决变延迟变化和执行器饱和问题。由于成本函数的在线降低，在考虑通信延迟影响的情况下，CAC的增益在每次采样时都会被更新。这提高了领航和跟随自主水下航行器的路径跟踪精度。通过在原型AUV（ODRA-I）模型上实现该算法，证明了所提出控制算法的有效性。仿真和实验结果表明，跟随AUVs与领航AUV保持了一个期望的距离以避免碰撞。在所提出的算法中，即使延迟从0秒变为5秒，跟随AUV的路径跟踪性能仍能保持在期望的水平。此外，该控制算法在避免执行器饱和方面是有效的。

本文针对多旋翼飞行器在飞行前和飞行中出现的不良故障，为飞行器半自主控制模式提出了一种基于监督控制理论（SCT）的故障安全机制设计方法。故障安全机制是一种通过综合来自制导、姿态控制、诊断和其他底层子系统的实时信息，提供多旋翼飞行器后续动作的控制逻辑。为了设计多旋翼飞行器故障安全机制，本文介绍了多旋翼飞行器存在的安全问题。随后，本文详细描述了包括功能需求和安全需求两方面的用户需求，其中功能需求指建立被控对象多旋翼飞行器的通用模型，而安全需求涵盖了处理上述安全问题的故障安全措施。根据这些要求，本文定义了几种多旋翼飞行器模式和事件。在此基础上，通过自动机对被控对象多旋翼飞行器和控制指标进行建模。然后，利用监督控制理论构建一个监督器。此外，作者展示了三个例子来说明由于控制指标设计不当而可能出现的冲突现象。最后，基于所得到的监督器，本文提出了一种适用于多旋翼飞行器的实现方法。在该方法中，监督器被转化为了决策代码。

近年来，层析粒子图像测速(Tomo-PIV)已成功地应用于三维流场的测量。该技术高度依赖于基于多台摄像机在不同视角的图像重建空间粒子分布的重建技术。作为最受欢迎的重建方法，乘代数重建法（MART）在稀疏粒子分布重建方面具有较高的计算速度和较高的精度。然而，在稠密粒子分布的情况下，其重建精度并不令人满意。针对这一问题，本文提出了一种对称编码-解码全卷积网络来提高MART的重构质量。该神经网络的输入是MART方法重建的粒子场，输出是相同分辨率的重建图像。数值计算结果表明，经过训练的神经网络可以有效地细化模糊或不规则的粒子。大部分的虚粒子也可以用这种过滤方法去除。同时，在不增加计算量的前提下，重建精度可提高10%以上。实验结果表明，训练后的神经网络能提供令人满意的重建效果以及改进的速度场。