惯性测量单元（IMU）在姿态估计、导航和运动跟踪等领域扮演着至关重要的角色。传统的IMU通常包含加速度计和陀螺仪，而9轴IMU则进一步整合了磁力计，以提供更全面的运动信息。然而，IMU传感器数据不可避免地受到噪声、漂移和外部干扰的影响，导致直接使用原始数据进行姿态估计的精度和稳定性不足。卡尔曼滤波器作为一种最优估计算法，能够有效地融合多源传感器数据，并对系统状态进行实时估计和预测，从而显著提升IM

无人机群在三维环境（如城市建筑群、山区峡谷、室内场馆）中的协同作业，需同时解决 “群内无人机间碰撞避免” 与 “外部静态障碍物规避” 两大核心问题。传统避障仿真多聚焦二维平面场景，且忽略无人机动力学特性与群体协同逻辑，导致仿真结果与实际应用存在显著偏差。本文提出一套三维环境下无人机群碰撞与静态避障仿真方案，基于 Unity3D 构建高保真三维场景，结合改进人工势场法（APF）与分布式模型预测控制（

二维轨迹跟踪在诸多领域，如自动驾驶、机器人导航、航空航天目标追踪等，都具有举足轻重的地位。然而，实际应用中，传感器测量误差、系统噪声以及外部干扰等因素，常常导致轨迹数据的不准确性和不完整性。卡尔曼滤波作为一种高效的线性最小均方误差估计器，能够有效地处理这些不确定性，对动态系统的状态进行实时估计和预测。本文深入研究了基于卡尔曼滤波的二维轨迹跟踪算法，详细阐述了其基本原理、数学模型、实现步骤以及性能分

随着低空经济的快速崛起，无人机在城市物流配送、电力巡检、应急救援等领域的应用日益广泛，三维路径规划作为保障无人机安全高效飞行的核心技术，在城市场景下面临空间环境复杂、多目标冲突显著、高维导航变量优化难度大等突出问题。传统多目标粒子群优化算法（MOPSO）在处理城市场景千维级导航变量时，易出现解多样性不足、收敛速度慢、局部最优陷阱等缺陷，难以满足实际应用需求。

非线性动力系统广泛存在于工程、物理、生物等多个领域，其参数估计与状态识别是实现系统控制、故障诊断及模型验证的核心前提。然而，实际应用中普遍面临测量噪声干扰、观测方式间接、系统强非线性等问题，传统识别方法易出现精度不足、鲁棒性欠佳甚至算法发散等缺陷。无迹卡尔曼滤波（Unscented Kalman Filter, UKF）基于无迹变换（Unscented Transformation, UT），无需

四旋翼无人机因其灵活的机动性、垂直起降能力以及相对简单的结构，在众多领域得到了广泛应用，如航拍、物流配送、农业植保、搜索救援等。然而，四旋翼无人机的动力学特性具有高度非线性，并且在实际飞行过程中会受到各种干扰，例如大气湍流、电机噪声以及模型参数不确定性等。这些因素给实现高精度的飞行控制带来了巨大挑战。为了确保四旋翼无人机在复杂环境下能够稳定、准确地完成任务，开发具有强抗干扰能力和鲁棒性的控制策略至

在配电网运行过程中，故障的发生难以完全避免，而快速准确地进行故障定位并确定故障区段，是保障配电网安全稳定运行、缩短停电时间、提高供电可靠性的关键环节。配电网结构复杂，分支多且负荷分布不均，传统的故障定位方法往往存在定位精度低、速度慢等问题，难以满足实际需求。粒子群优化（PSO）算法作为一种群体智能优化算法，具有原理简单、收敛速度快、参数设置少等优点，在复杂优化问题中表现出良好的性能。将其应用于配电

多输入单输出回归预测在诸多领域具有重要的应用价值，例如环境监测、金融预测、工业控制等。传统的统计方法和机器学习模型在处理复杂非线性时序数据时往往表现出局限性。深度学习模型，尤其是卷积神经网络（CNN）和循环神经网络（RNN）的变体，能够有效提取数据中的时空特征，提高预测精度。本文深入探讨了一种结合卷积神经网络（CNN）和双向门控循环单元（BiGRU）的多输入单输出回归预测模型。该模型利用 CNN

随着电动汽车与储能技术的快速迭代，电池系统作为核心能量存储单元，其安全性、可靠性、使用寿命及能源效率直接决定了整体系统的运行效能与市场竞争力。传统电池系统多采用固定串联或并联的拓扑结构，由大量电池单元紧密连接组成，这种设计虽具备结构简单、成本低廉的优势，但存在难以规避的固有缺陷：在安全性层面，单个电池单元的故障（如内部短路、容量衰减、热失控前兆等）易通过固定拓扑快速扩散，进而引发整个电池包的失效；

本文针对多变量时间序列回归预测问题，提出了一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和空间注意力机制(SE注意力机制)的混合预测模型，即GWO-CNN-BiLSTM-Attention模型。该模型利用CNN提取时间序列的局部特征，BiLSTM捕捉时间序列的长程依赖关系，SE注意力机制则自动学习不同特征的重要性权重，最终提高预测精度。灰狼优化算法用于优