随着移动机器人、自主无人机、智能无人车等智能体的作业场景从结构化工业环境向复杂非结构化野外场景快速延伸，传统基于图搜索与采样的路径规划算法普遍存在轨迹平滑度差、动态约束适配性弱、高维空间优化效率低等突出问题，难以满足高动态场景下的安全运动需求。

移动机器人在非结构化动态场景下运行时，普遍面临传感器量测噪声、轮地滑移扰动、动力学模型失配等多重挑战，传统“递归滤波+确定性控制”的架构难以同时满足高精度估计与强鲁棒跟踪的双重需求。本研究构建滚动时域估计（MHE）与线性时变模型预测控制（LTV-MPC）的紧耦合协同框架：前端滚动时域估计器在有限滑动窗口内融合多步历史量测与系统动态约束，对机器人位姿、速度、集总扰动与未知模型参数进行联合最优估计；

近年来, 路径规划一直是机器人学中的研究热 点之一.它研究的目的是在有障碍物的环境中, 为机 器人寻找从起始点到目标点并且能够避开障碍物的 合理 、有效的路径.其中涉及到环境信息的获取 、环 境的表示 、路径执行、知识的获取等 .国内外已有不 少学者对移动机器人路径规划问题作了深入研究, 并提出了多种路径规划方法.例如, 可视图法[ 1-2] 、图 搜索法 、人工势场法[ 3] 等.但这些方法的搜

直流电机凭借转矩特性优良、调速范围宽、控制精度高的核心优势，至今仍是工业伺服驱动、机器人关节执行器、高精度运动平台等场景的核心动力部件。在实际工业运行环境中，直流电机调速系统始终面临多重不确定性挑战：负载转矩随机扰动、电枢电阻与电感随温度漂移、系统建模存在未建模动态、外部供电电压波动，传统固定参数的PID控制器在工况变化时极易出现超调量大、抗扰能力弱、动态性能劣化的问题，难以满足现代高端装备对运动

采用栅格法建立机器人工作环境模型,并用MATLAB语言随机产生栅格中障碍物的位置及数量,应用遗传算法完成机器人路径规划,对遗传算法的插入和删除操作进行了改进,提高了遗传算法的搜索速度,并采用序号编码的方法,减小编码长度,简化遗传算法程序,缩短程序执行时间。仿真结果表明了该方法的有效性及可行性。

同时定位与地图构建（SLAM）是移动机器人领域的关键技术，扩展卡尔曼滤波器（EKF）常被用于解决 SLAM 问题。然而，基于 EKF 的 SLAM 系统中存在不一致性问题，影响其定位和建图的准确性。从可观测性角度深入分析这一问题，有助于理解系统状态可观测性与不一致性之间的关系，为改进基于 EKF 的 SLAM 算法提供理论依据。本文将详细阐述相关概念，并探讨基于可观测性分析解决不一致性问题的方法。

路径规划在众多领域，如机器人导航、自动驾驶、物流配送等，都扮演着关键角色。其核心任务是在给定环境中，为运动主体找到从起始点到目标点的最优或近似最优路径。环境复杂性：现实环境往往包含各种障碍物，如在室内机器人导航场景中，桌椅、墙壁等都会限制机器人的行动路径；在自动驾驶场景下，其他车辆、行人、道路设施等构成复杂的障碍环境。这些障碍物的分布和形状不规则，增加了路径搜索的难度。搜索空间大：即使是相对简单的

在群智能优化过程中引入机器人非完整运动学约束，从搜索空间层面剔除不可执行解（如原地急转、锐角路径等），从而：保证路径物理可行性降低后处理或轨迹重规划需求支持真实移动机器人与四足机器人直接部署。

线性时变系统广泛存在于航空航天、新能源发电、移动机器人、工业过程控制等几乎所有高端控制领域，这类系统的动态特性会随时间、工况、运行状态发生规律性变化，传统基于定常模型的PID控制、线性二次调节器（LQR）等控制方法，在系统动态特性发生显著偏移时，极易出现控制精度下降、闭环稳定性丢失甚至触发安全保护停机的严重问题。模型预测控制（MPC）作为当前工业界应用最广泛的先进控制技术之一，凭借其显式处理约束、

长期时间序列预测是科学工程、经济金融、气象环境等领域的核心需求，其核心挑战在于捕捉数据中的长期依赖、周期性模式以及非线性动态特征，同时抑制预测过程中的误差累积。谱方法作为一类基于频率分析的建模思路，以傅立叶变换为经典代表，为线性时序数据的周期性建模提供了坚实基础；而库普曼算子理论的兴起，则将谱方法的适用范围拓展至非线性系统，实现了从“线性频域分析”到“非线性全局线性化谱分析”的跨越，为长期时间序列