在园区实测中，沿长度为620米的蜿蜒道路以18 km/h行驶，最大横向误差为0.19 m，平均横向误差0.056 m，纵向速度跟踪均方根误差为0.33 km/h，避障绕行时与原全局路径的最大横向偏移为2.27 m，控制器整体计算耗时未超过2.3毫秒。仿真在校园三种典型场景（直道、直角弯、连续S弯）中以25 km/h和35 km/h两种期望速度进行测试，横向误差均方根分别为0.032 m和0.045

对煤岩图像进行三级离散小波变换（小波基db4），提取每一级水平、垂直、对角高频子带的能量和标准差，共获得3级*3方向*2统计量=18维特征，加上原始图像的灰度共生矩阵对比度、相关性等4维特征，构成22维特征向量。设计3层BP神经网络（输入22，隐藏层15，输出3），经过300轮训练后，测试集识别准确率94.5%。在模拟实验台上，调高响应延迟小于0.5秒。在ResNet50的顶层之前加入小波变换模块

LabVIEW负责控制超声换能器和数据采集卡（采样率100MHz），将信号通过TCP/IP传输到MATLAB引擎，MATLAB执行变分模态分解和递归图生成，最后Python加载训练好的ResNet模型进行缺陷分类。在碳纤维缠绕压力容器实际检测中，软件成功识别出人工预埋的5处微缺陷（最小直径0.8mm），识别率100%，并提供了缺陷位置的热力图叠加显示。✨ 长期致力于超声质量检测、递归分析、超声无损

脉冲压缩模块采用频域匹配滤波，使用Xilinx FIR Compiler IP核，滤波器阶数为512，输入数据位宽16bit，输出位宽24bit。CFAR检测模块实现单元平均恒虚警，参考窗长度左8右8，保护单元左右各2，通过BRAM存储距离-多普勒谱，逐点计算阈值并与信号幅度比较。处理后将点云投影到二维平面，对比传统FFT测角，RELAX算法角度分辨率从7.5度提升至2.3度，虚假点减少约35%。

具体实现为：在k时刻采样得到电流i(k)，根据电机转速和角度估计值，预估k+1时刻的电流，再以k+1时刻电流为起点预测k+2时刻所需的电压矢量。在Matlab/Simulink中搭建仿真模型，电机参数为电感0.8mH，电阻0.05Ω，极对数2，额定转速50000rpm，载波频率10kHz，载波比为6。在实验中逐步提高转速，记录不同转速下的角度估算误差。动态实验中，电机从10000rpm加速至500

训练时额外标注遮挡类型（无遮挡、左上右下等8种），网络输出检测框同时输出采摘方式类别：直接采摘、上侧迂回、下侧迂回、左侧迂回、右侧迂回、不可采摘。在自建数据集AppleHarvest-2024（含12000幅图像，标注可采摘/不可采摘）上训练，采用Mosaic和MixUp数据增强，初始学习率0.01，使用余弦退火。为实现边采摘边分级，构建一个融合深度信息的最大横径估测模型。✨ 长期致力于苹果、采摘

决策变量包括冷冻水出水温度（7~12℃）、冷却塔逼近度（2~8℃）、冷冻水流量（0.6~1.2 m³/h）和冷却水流量（0.8~1.5 m³/h）。粒子群种群规模30，迭代50次。在Modelica搭建的双热回收DOAS仿真平台上测试，全局优化控制相比常规PID控制节省20.3%的总能耗，同时室内温度稳定在25.4~26.1℃，相对湿度57%~65%。✨ 长期致力于独立新风空调系统、模型预测控制、

在一次体积约12.5立方米的垮塌事件中，SDCN计算体积为11.9立方米，误差-4.8%，而仅用SGBM稀疏点云的方法误差为-21%。网络采用生成对抗结构，生成器为改进的DeepLabV3+，以RGB图像输入，输出二值掩膜（植被为1，岩土为0）。采用多尺度训练，输入尺寸512x512，批次大小4，生成器学习率0.0001，判别器0.0004，交替训练200个epoch。在Perarolo滑坡半年期

针对稀疏点云，设计迭代中心回归模块，将候选中心坐标作为偏移量输入到下一级回归，共迭代三次，每次感受野扩大。对于Cyclist类别，由于点云更稀疏，采用额外的点云补全分支，将检测AP从72.3%提升到79.8%。然后设计点云到像素聚集模块:每个像素聚合其邻域内的点云特征，得到稠密特征图。在SemanticKITTI点云分割任务上，mIoU达到68.3%，超越之前最好方法2.1%。对于速度估计，设计降

该LSTM的状态存储了前5帧检测结果中的目标位置、类别和置信度。当前帧的候选框通过RPN得到初始评分后，LSTM根据历史轨迹预测当前帧中每个目标应该出现的大致区域，如果某个候选框落在预测区域的IoU超过0.5，则其置信度评分增加一个增量（0.15）。设计一种双分支记忆增强网络称为MemKernelNet，其中空间分支采用深度卷积网络DCNN（预训练的ResNet50，去掉顶层）提取单帧图像的空间纹