本研究面向室内移动机器人的低算力嵌入式部署场景，构建了一套轻量化的激光雷达SLAM二维扫描匹配算法体系。研究首先基于单线激光雷达的二维点云扫描数据，实现点到点ICP、点到线PL-ICP两类基础扫描匹配算法，随后引入贪心位姿优化策略替代传统迭代最近点的梯度类求解流程，在每一步迭代中沿位姿误差下降方向自适应调整位姿更新步长，逐步收敛到全局最优位姿解。

本研究面向复杂室内外栅格地图场景下移动机器人的全局路径规划需求，构建多策略改进的哈里斯鹰优化算法MHHO，针对性解决传统标准HHO算法在栅格路径规划场景下存在的全局搜索收敛速度慢、易陷入局部最优、生成路径拐点多平滑度差的行业痛点。

水下声通信网络UAN是海洋环境监测、水下机器人集群协同、油气水下运维等海洋场景的核心信息基础设施，水下声信道的独特物理特性——极低传播速度、严重多途扩展、时空随机时变、高路径损耗，使得传统陆上无线电网络的信道模型完全无法直接适配，是水声网络仿真研究必须首先突破的核心基础环节。

随着可再生能源在电力系统中的大规模接入，电力系统的稳定性和可靠性面临新的挑战。传统同步发电机数量的相对减少，使得系统惯量降低，对暂态扰动的抵御能力减弱。虚拟同步发电机（VSG）技术应运而生，它通过模拟传统同步发电机的运行特性，为电力系统提供必要的惯性和阻尼支持，增强系统稳定性。然而，在 VSG 接入电力系统时，暂态冲击电流可能会对系统造成不利影响，如损坏电力设备、影响电能质量等。因此，采用有效的限

在雷达等多传感器轨迹估计系统中，如何高效融合多源数据以提升目标跟踪精度是核心问题。卡尔曼滤波及其衍生架构（集中式、分布式、联邦式）为这一问题提供了不同的解决方案，各具优势与适用场景。本文系统对比三种架构的原理、性能与工程实现，重点分析在雷达传感器网络中的应用策略。

实际应用场景：单变量时间序列预测在众多领域都有广泛应用，比如金融领域的股票价格预测、能源领域的电力负荷预测、工业生产中的设备性能指标预测等。在这些场景中，我们往往需要根据某个变量的历史观测值来预测其未来走势。面临的挑战：尽管只涉及一个变量，但时间序列可能呈现出复杂的特征。它可能包含趋势性，即数据随时间呈现出上升或下降的长期走向；季节性，如电力负荷在一年中的不同季节或一天中的不同时段呈现周期性变化；

在现代导航与定位技术中，精确的姿态与位置信息至关重要。惯性测量单元（IMU）和全球定位系统（GPS）是获取这些信息的两种主要传感器。IMU（通常包含加速度计和陀螺仪）能够提供高频的姿态和角速率信息，但其测量误差会随时间累积，导致漂移；而GPS能够提供绝对位置信息，但其更新速率相对较低，且在信号受阻或多径效应影响时精度会下降。为了克服各自的局限性，将IMU和GPS数据融合，并通过卡尔曼滤波器进行优化

国际数据加密算法（IDEA，International Data Encryption Algorithm）是一种对称密钥分组密码算法。它将明文分成固定长度的块（通常为 64 位），使用 128 位的密钥对每个块进行加密操作。IDEA 算法设计精巧，具有较高的安全性和加密效率，在密码学领域得到了广泛的研究和应用。

在现代导航与定位系统中，惯性测量单元（IMU）与全球定位系统（GPS）是两种不可或缺的传感器。IMU通过测量载体的角速度和加速度来推算姿态和位置，具有高动态响应和短期高精度的特点；而GPS则通过接收卫星信号提供高精度的全球位置和速度信息，但其更新速率相对较低且在信号受阻区域表现不佳。为了充分发挥两者的优势，弥补各自的不足，将IMU和GPS数据进行有效融合，并通过先进的姿态解算算法来提高导航系统的精

无线传感器网络（WSN）由大量部署在监测区域内的传感器节点组成，这些节点通过无线通信方式形成自组织网络，能够协同感知、采集和处理网络覆盖区域中的环境信息（如温度、湿度、光照、振动等），并将数据传输至 sink 节点（汇聚节点）。在实际应用中，无线传感器网络的部署直接影响其感知精度、通信效率、能量消耗和网络寿命等性能。