针对传统RRT*算法在路径探索过程中存在的效率低、随机采样点质量差和路径质量不佳等问题，提出一种结合改进人工势场与自适应步长双向扩展机制的方法。通过自适应引力系数和双重斥力，优化路径引导与避障；采用动态步长调整策略和双向树协同搜索机制，减少冗余节点并加速收敛；利用贪婪算法去除冗余点，保证路径的平滑性和连续性；引入基于环境密度的自适应目标偏置策略，增强目标导向性和探索效率。试验结果表明：在复杂环境中，相较于传统RRT*及其他改进算法，ABF-RRT*平均路径长度缩短17.7%，平均节点数减少90.6%，运行时长缩短95.5%，具有稳定性与优越性。

针对RT-DETR（Real-Time Detection Transformer）网络在复杂场景与小目标检测中存在的精度不足与速度受限问题，提出了一种面向车辆图像的改进检测算法。该算法通过引入空间位置关系建模，增强对车辆、行人等小尺度目标的特征捕获能力，并采用门控机制提升网络的非线性建模性能。同时，通过分离高频与低频细节信息，结合特征图的分割与拼接操作，实现了无信息丢失的特征采样。通过将卷积单元Conv和批量归一化单元BN融合处理来减少中间处理环节和内存消耗，提高计算效率和优化模型性能。试验结果表明，相较于原始RT-DETR网络，改进算法在mAP50、mAP50∶95、精度及召回率上分别提升了6%、4.5%、4.2%与4%。因此，优化主干网络结构并强化多尺度特征融合，聚焦细粒度信息与空频域特征，是提升复杂环境下车辆检测性能的有效策略。

为探究真实交通环境中自动驾驶汽车（AV）的违规行为特征、现有交规适配性及其与人工驾驶汽车（HV）的差异，基于SinD人工驾驶数据集、highD人工驾驶数据集和Argoverse2自动驾驶数据集，提取AV与HV的限速、安全车距、变道、信号灯闯行、左转妨碍直行、连续变道6类违规案例数据展开分析。利用皮尔逊相关系数与线性回归模型剖析限速违规，以车头时距评估安全车距与变道的安全性，通过数据占比分析信号灯闯行与左转妨碍直行违规，并结合变道频率、变道频率稳定性及速度波动性指标分析连续变道特征。结果表明：在高速状态下，AV易形成持续性限速违规，但速度更稳定；AV的安全车距违规风险高于HV，变道违规风险则低于HV；AV的信号灯闯行行为受天气影响更显著，左转妨碍直行违规一旦发生则风险更严重；短距离、低速场景下AV变道更频繁且稳定性较差。研究证实，AV尚未实现对交规的完全合规遵循，其限速与安全车距违规发生率较高，且AV与HV在6类违规行为上均存在显著差异；现有交规对AV的适用性存在局限。同时提出可从AV违规专项数据集构建、专属交规完善、自动驾驶算法升级及合规评价准入机制建立4方面深化研究，为AV合规融入现有交通体系提供理论支撑与实践参考。

针对极寒降雪环境下激光雷达同步定位与建图（SLAM）中，雪花散射、积雪遮挡导致的环境特征模糊对激光雷达点云的影响，基于LIO-SAM算法框架，在点云预处理部分采用动态半径异常值去除（DROR）滤波器消除因雪引起的噪声，同时保留环境特征的细节，为LIO-SAM算法后续的点云处理提供高质量点云数据。在CADC数据集上的验证结果表明：相较于LIO-SAM自带的滤波器，试验在雪天条件下采集的点云数据，在保持较高精度的同时，召回率超过91%，有效去除雪点噪声并保留了更多的环境特征。

针对纯电动汽车用户续航里程焦虑与能耗预测精度不足的关键问题，提出了一种考虑驾驶风格的两阶段能耗预测方法。首先提取并计算速度、加速踏板深度、制动踏板深度等与驾驶风格强相关的特征参数，并使用反向传播（Back Propagation，BP）神经网络构建驾驶风格识别模型；其次，针对不同的驾驶风格，分别使用决策树模型进行能耗预测。经实车测试数据验证，本文提出的能耗预测模型的平均绝对百分比误差为5.84%；相较于平均能耗法、不考虑驾驶风格的深度神经网络（Deep Neural Network，DNN）和决策树能耗预测方法，误差分别降低了16.74%、9.77%和1.44%。研究结果表明，考虑用户驾驶风格的能耗预测方法可有效缓解用户里程焦虑，并显著提升能耗预测的精准度。

针对实车工况下动力电池健康状态（SOH）预测精度不足的问题，提出一种融合时序卷积网络（TCN）与Trans‑former的预测方法。以实车运行监测数据为研究对象，经异常值剔除与充电工况筛选后，使用安时积分法计算电池当前容量；采用鲸鱼优化算法（WOA）优化变分模态分解（VMD）参数，实现容量序列的分解与降噪；结合电流、温度等参数提取特征，筛选出6项强相关特征并构建数据集，完成SOH预测。试验结果显示：所提出的方法在4辆实车电池数据集中预测误差显著降低，决定系数［R²>0.8］，可为动力电池全生命周期健康管理提供技术支撑。

针对电动矿卡驱动电机运行状态复杂、故障类型多样的问题，提出一种融合虫草优化算法（CFO）与支持向量机（SVM）的故障诊断方法。通过构建参数寻优模型，对支持向量机中的松弛变量、惩罚因子与核函数参数进行联合优化，以提升故障识别的准确性和模型的稳定性。在典型运行工况下采集故障样本数据，进行识别试验，并引入不同幅度的均匀随机扰动进行鲁棒性测试。结合多种常见优化方法对比分析模型的性能表现，结果显示该方法在故障分类准确率、抗干扰能力和模型训练稳定性方面具有较强适应性，平均识别准确率达98.67%，在扰动条件下准确率保持在94.7%以上。