在工业控制、自动驾驶、机器人操作等领域，大量动态系统表现为单输入单输出（SISO）非线性特性，且普遍存在模型未知、参数时变及外部扰动等问题，其轨迹跟踪控制一直是控制理论与工程实践的核心难点。传统控制方法如PID控制、模型预测控制等，因依赖精确的系统数学模型，在未知非线性系统中难以实现高精度轨迹跟踪；迭代学习控制（ILC）虽能通过重复任务中的误差修正优化控制输入，但对系统模型的依赖性较强，当面对未知

针对无人机（UAV）通信中高频谱效率与低延迟的需求，本文提出一种无人机赋能的双上行链路协同非正交多址接入（NOMA）系统架构，重点研究适配链路动态特性的自适应解码机制。该机制基于实时信道状态信息（CSI）与链路负载特征，动态切换串行干扰消除（SIC）解码顺序、调整功率域资源分配，并融合 AI 辅助的干扰预测补偿策略，有效克服无人机高速移动带来的信道时变、链路干扰耦合等问题。

随着电动汽车（EV）保有量的激增，大规模电动汽车集群并网已成为新型电力系统的重要特征。电动汽车作为可移动的储能单元，其充电行为具有随机性（用户出行计划不确定）、灵活性（可通过价格信号引导充放电）和聚合性（集群可等效为虚拟电厂参与电网调度）三大特性。传统的集中式调度模型难以应对大规模 EV 集群的不确定性，而分布式鲁棒优化（Distributed Robust Optimization）通过融合分布

摘要: 正交频分复用 (OFDM) 技术因其抗多径衰落能力强、频谱利用率高等优势，广泛应用于现代无线通信系统中。然而，准确的信道估计对于OFDM系统的性能至关重要。传统的信道估计方法，例如最小二乘 (LS) 估计和最小均方误差 (MMSE) 估计，在复杂信道环境下往往性能不足。近年来，深度学习技术展现出强大的非线性逼近能力，为解决这一难题提供了新的途径。本文将对OFDM系统中基于深度学习的信道估计

一、研究背景与技术融合必要性移动机器人在工业巡检、服务配送、环境探测等领域的应用日益广泛，其作业场景常面临动态障碍物、传感器噪声、参数摄动等复杂问题，对运动控制的精准性、动态响应速度与状态感知鲁棒性提出高要求。传统控制方法（如 PID 控制）依赖精确模型且抗扰能力有限，单独的状态估计方法（如卡尔曼滤波）在非线性、多约束场景下估计精度易受影响。模型预测控制（MPC）凭借滚动时域优化特性，能在满足运动

一、研究背景与意义在现代工业自动化、机器人技术、自动驾驶等领域，轨迹跟踪是一项核心且关键的技术任务。其目标是使被控对象（如工业机械臂、移动机器人、自动驾驶车辆等）能够精准地按照预设的期望轨迹进行运动，确保运动过程的稳定性、准确性和可靠性。传统的轨迹跟踪控制方法，如 PID 控制、滑模控制等，在面对被控对象具有非线性、时变性、参数不确定性以及外部干扰等复杂情况时，往往难以获得理想的控制效果。例如，P

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。