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

摘要：本文聚焦二维障碍物环境下移动机器人路径规划领域，系统梳理了基于快速扩展随机树（RRT）算法的路径规划方法，以及卡尔曼滤波在定位不确定性处理中的应用。通过分析相关文献，归纳了RRT算法在路径规划中的优势与改进方向，以及卡尔曼滤波对定位不确定性的优化作用，探讨了二者结合在提升路径规划性能方面的潜力，为后续研究提供参考。关键词：移动机器人；路径规划；RRT算法；卡尔曼滤波；定位不确定性。

在全球气候变化背景下，台风、暴雨、暴雪、高温等极端天气事件频发，给配电网安全稳定运行带来严峻考验。配电网作为电力系统直接面向用户的终端环节，具有线路分布广、覆盖区域地形复杂、设备暴露性强等特点，在极端天气下极易发生线路故障。据统计，我国沿海地区每年因台风导致的配网线路跳闸率较常态高出3-5倍，部分山区在暴雪天气下线路覆冰断裂故障频发，极端高温则易引发线路过载烧损，这些故障往往导致大面积停电，给社会

当前，自适应波束成形算法的发展正朝着多技术融合的方向迈进，其中“200种组合算法+优化TCN时间卷积神经网络+SHAP分析+新数据预测+多输出”的技术体系，为算法性能提升与可解释性增强提供了全新路径。这种融合架构打破了传统自适应算法的单一优化模式，通过多维度技术协同，实现了波束成形在复杂动态环境下的精准适配与透明化分析。200种组合算法的构建，并非简单的算法堆砌，而是基于不同自适应波束成形核心算法

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

随着工业4.0和智能制造的快速发展，机械臂作为自动化生产线的核心执行单元，其路径规划能力直接影响生产效率与安全性。传统路径规划算法（如A*、Dijkstra）在复杂障碍物场景中易陷入局部最优，而基于采样的RRT（Rapidly-exploring Random Tree）算法虽能高效探索高维空间，但存在路径非最优、采样效率低等问题。尤其在机械臂关节空间受限、动态障碍物避障等约束条件下，传统RRT算

直流电机因其优异的调速性能和成熟的控制理论，长期占据工业调速领域的核心地位。随着电力电子技术与自动控制理论的突破，传统单闭环调速系统因动态响应慢、抗扰能力弱等问题逐渐被双闭环系统取代。转速-电流双闭环无静差控制通过引入转速环与电流环的嵌套结构，实现了转速与电流的独立调节，在冶金轧钢、轨道交通、工业机器人等高精度场景中展现出显著优势。然而，现有研究多聚焦于系统建模与参数整定，对非线性扰动下的无静差实

随着无人机技术的飞速发展，多智能体系统（Multi-Agent System, MAS）在军事、民用等领域展现出巨大的应用潜力。其中，多智能体编队飞行作为一种典型的 MAS 应用场景，能够有效提升任务效率、降低任务风险，并在侦察监视、协同运输、灾害救援等方面发挥重要作用。然而，在复杂的三维环境下实现多智能体鲁棒、高效的编队飞行控制仍然面临诸多挑战，如个体间的通信约束、环境干扰、非线性动力学特性等。

在当今快速发展的工业领域，工艺参数的优化和工程设计的改进对于提升生产效率、降低成本、提高产品质量具有至关重要的意义。传统的优化方法往往依赖于专家经验或试错法，效率低下且难以应对复杂系统的优化问题。近年来，随着人工智能技术的进步，基于神经网络的优化方法逐渐崭露头角，为解决这一难题提供了新的思路。本文将探讨如何结合径向基函数（RBF）神经网络与非支配排序遗传算法第二代（NSGA-II）多目标优化算法，