摘要：图像处理在计算机视觉、医学成像、工业检测等众多领域具有广泛应用。边缘检测和图像分割是图像处理中的关键技术，前者用于提取图像中物体的边缘信息，后者旨在将图像划分为不同的区域。本文详细介绍了 Roberts、Prewitt、Sobel、Marr - Hildreth 和 Canny 这几种常见的边缘检测算子，以及 Otsu 图像分割方法，包括它们的原理、实现步骤，并对其性能特点进行了分析比较。

在众多工程应用场景中，如机器人运动控制、工业生产过程中的位置跟踪等，常常会遇到单输入单输出（SISO）非线性系统的轨迹跟踪问题。由于系统的非线性特性以及对其精确模型的未知性，传统控制方法往往难以实现高精度的轨迹跟踪。基于神经网络的迭代学习控制（ILC）算法为解决这类问题提供了有效的途径。本文将着重探讨基于广义回归神经网络（GRNN）和径向基函数神经网络（RBFNN）的迭代学习控制算法，即 GRNN

四旋翼无人机以其灵活的机动性和广泛的应用场景，成为近年来研究的热点。实现四旋翼无人机稳定且精确的飞行控制，涉及到多个关键技术，包括准确的建模、有效的控制算法、逼真的动力学模拟以及可靠的状态估计。本文将围绕四旋翼建模、带积分动作的线性二次型调节器（LQR）控制、非线性动力学模拟以及扩展卡尔曼滤波器（EKF）状态估计展开探讨。

在机器人导航、无人机飞行等诸多应用场景中，智能体常常需要在未知环境中自主规划路径以抵达目标位置。然而，现实环境复杂多变，随时可能出现不可预测的障碍，这就要求智能体具备实时路径重规划能力，以确保任务顺利进行。快速探索随机树（RRT）算法因其能够在复杂环境中快速搜索路径的特性，成为解决此类问题的常用方法之一。通过对 RRT 算法的优化与扩展，可以实现智能体在未知环境中面对不可预测障碍时的高效实时路径重

在机器人导航、无人机飞行等诸多应用场景中，智能体常常需要在未知环境中自主规划路径以抵达目标位置。然而，现实环境复杂多变，随时可能出现不可预测的障碍，这就要求智能体具备实时路径重规划能力，以确保任务顺利进行。快速探索随机树（RRT）算法因其能够在复杂环境中快速搜索路径的特性，成为解决此类问题的常用方法之一。通过对 RRT 算法的优化与扩展，可以实现智能体在未知环境中面对不可预测障碍时的高效实时路径重

在科技日新月异的今天，移动机器人已广泛应用于工业生产、物流仓储、服务领域等多个方面，成为提高生产效率、降低人力成本的重要工具。而路径规划作为移动机器人实现自主导航的核心技术，直接决定了其能否高效、安全地完成任务。多因素蚁群算法通过综合考虑多种实际因素，为移动机器人路径规划提供了更为优化的解决方案，对于推动移动机器人技术的发展具有重要意义。

在机器人技术与自动驾驶领域，同时定位与地图构建（SLAM）技术是实现机器人自主导航的核心。机器人需要在未知环境中实时确定自身位置，并构建周围环境的地图，以便做出合理的决策和规划路径。基于扩展卡尔曼滤波器（EKF）的 SLAM 是一种经典且广泛应用的方法，然而，该方法存在不一致性问题，即估计的机器人位姿和地图与真实情况的偏差会随时间逐渐累积，严重影响系统性能。从可观测性角度研究这一问题，为深入理解和

移动机器人在现代科技发展中扮演着日益重要的角色，广泛应用于工业生产、物流配送、服务行业以及智能家居等众多领域。在这些应用场景中，移动机器人需要能够自主规划一条安全、高效的路径，从起始点移动到目标点，同时准确地确定自身在环境中的位置。路径规划的质量直接影响机器人的工作效率和任务完成能力，而精确的定位则是保证机器人按照规划路径准确行驶的关键。快速探索随机树（RRT）算法因其在复杂环境下快速搜索路径的能

同步定位与地图构建（SLAM）是机器人自主导航的核心技术，通过融合运动模型与传感器观测实现环境感知与自身定位。本文聚焦基于扩展卡尔曼滤波（EKF）的SLAM全流程仿真，采用线速度与角速度运动模型及测距方位传感器，通过Matlab实现实时位姿估计与环境地图构建。仿真结果显示，在8字形轨迹下，机器人位置估计均方根误差（RMSE）为0.04米，速度RMSE为0.04米/秒，姿态RMSE为0.34度，地标

多目标需求：工业场景中需同时满足「SNR 最大化、信号失真最小化、峰值保留最优」，三者相互冲突（如过度去噪提升 SNR 但会丢失 PD 脉冲峰值）；手工特征短板：原方案依赖手工设计的局部能量 / 邻域方差特征，在多噪声混合（电磁干扰 + 振动噪声）下鲁棒性不足；单目标缺陷：ACO 仅优化单一指标，易导致 “顾此失彼”（如 SNR 提升但脉冲峰值误差超标的情况）。DBN（深度置信网络）：替代手工特征