针对复杂电磁环境下的无人系统信息稳定传输问题，提出了基于通信质量评估的无人系统信息弹性适配方法。选取通信链路层信号强度、误码率、信噪比作为通信质量评估特征参数；使用长短时记忆网络（Long Short-Term Memory，LSTM）模型作为信号预测模型，预测下一时刻信号参数；使用支持向量回归（Support Vector Regression，SVR）模型作为通信质量回归模型，得到当前时刻的通信质量；基于通信质量等级评估模型得到通信质量评估结果；根据通信质量等级传输对应层级内容。实采数据仿真及实飞试验表明，所提方法可以实现高实时、强对抗电磁环境下的无人系统信息稳定传输。

针对卫星任务需求决策中多模态数据融合不足、动态约束优化复杂等问题，设计了智能化决策模型，增强了自动化能力与决策精度。提出基于检索增强生成（Retrieval-Augmented Generation，RAG）的卫星任务需求决策优化模型：① 采用输入层接收用户需求文本及地理坐标等多模态数据；② 在处理层集成Transformer架构大语言模型（Large Language Model，LLM）与向量数据库，实现语义检索与知识增强；③ 约束验证模块生成可行方案；④ 基于反馈层动态更新知识库。实验验证表明，所提模型决策准确率达90%，较传统规则系统（Rule-Based Expert System，RBES）与机器学习模型（Machine Learning Model，MLM）绝对精度分别提升20%与9.8%。所提模型显著增强了卫星任务决策的适应性，有效解决了动态约束下的资源优化配置问题，具有工程应用潜力。

在交通监控领域，雷视一体机对目标协同感知与跟踪时，对目标定位和测速有较高的跟踪精度要求。因透视成像原理，距离越远的目标对应的图像区域越小，且视觉目标检测框抖动显著。当雷视标定存在适量误差、遮挡或视觉目标框抖动时，远处视觉目标位置信息从图像坐标系映射到雷达坐标系时会存在较大的偏差，从而影响远处多目标跟踪的准确率。特别是多个传感器协同感知和跟踪目标时，进一步增加了目标跟踪的难度。针对上述问题，提出一种基于二阶段匹配和自适应卡尔曼滤波的多传感器多目标协同感知与跟踪方法。该方法在鸟瞰图（Bird's-Eye View，BEV）平面关联前后帧数据之后，增加图像视角（Perspective View，PV）平面的匹配过程，通过提升关联准确率，有效解决跟踪（较远）目标跟踪精度低的问题。基于图像点与距离位置抖动关系模型，提出自适应多传感器多目标跟踪方法，利用图像点与距离关系模型更新卡尔曼滤波器参数，根据目标传感器数据源，自适应选择合适的观测矩阵和测量协方差矩阵，对目标位置速度参数进行估计，有效提高对目标空间位置和速度的实时预测精度，进而提高BEV平面的目标关联准确率。实验结果表明，所提方法相较于未添加二阶段匹配策略且仅使用普通卡尔曼滤波器时多目标跟踪准确率（Multiple Object Tracking Accuracy，MOTA）指标提升16.3%，显著提高了交通场景毫米波雷达和视觉一体机进行目标感知和跟踪的准确率。

提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO，旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络，增强背景区分能力；设计ASF-P2优化颈部网络，以提升对低分辨率图像和极小目标的检测能力；研究任务自适应对齐检测头（Task Adaptive Alignment Detection Head，TAADH）替换原有检测头，提升定位和分类性能；同时，融入AFGCAttention注意力机制，提高全局信息处理能力和模型的泛化能力。实验结果表明，与基准模型YOLO11n相比，AGT-YOLO的召回率提高了4.4%，平均精度均值@50（mean Average Precision at IoU=0.5，mAP@50）提高了3.1%，并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。

探究了脑机接口（Brain-Computer Interface，BCI）和人机融合技术在无人机操控及反制设备使用领域的应用价值，分析了该技术面临的问题，并提出了针对性的解决策略，以推动其在低空经济发展及安全保卫中的合理应用。通过分析BCI技术在提升无人机操控效率、增加反制设备使用精准度等方面的作用，结合其为低空经济发展型塑的新应用场景和创造的低空安全保卫新形态，梳理该技术面临的人机融合技术自身缺陷、信息安全风险及其对低空安全造成的影响等问题，进而提出应对策略。BCI技术在无人机操控和反制设备使用领域作用显著，能够提升无人机操控效率、增加反制设备使用的精准度，基于该技术与人机融合技术为低空经济发展型塑了新的应用场景，创造了低空安全保卫的新形态。

针对预警机等远程目标的跟踪定位问题，提出了一种无人机与被动雷达协同组网的高精度无源定位策略。通过分析多站无源雷达布站方式对定位精度的影响，设计了一种能够提升定位精度并降低布站成本的策略。利用时差定位法（Time Difference of Arrival，TDOA），并基于此对多机几何精度因子（Geometric Dilution of Precision，GDOP）进行分析，评估了布站形式对定位精度的影响。提出在目标初始方位不明时，先采用星型布站进行初定位，再切换至倒三角型布站进行高精度二次定位的协同策略，并通过“虚拟结构法”选取最优副站，结合改进粒子群（Particle Swarm Optimization，PSO）算法优化无人机飞行航迹，实现高精度布站。仿真结果表明，该策略能够显著提升定位精度，相较于传统无源雷达系统，定位误差明显减小，系统响应速度更快，研究成果在实践中具有一定的应用价值。

北斗三号全球卫星导航系统（Global Beidou Navigation Satellite System，BDS-3）目前可提供6个频率的数据，为多频相位模糊度固定（Multi-frequency Carrier Ambiguity Resolution，MCAR）提供了更多选择。针对BDS-3，深入研究了MCAR中无几何无电离层（Geometry and Ionosphere Free，GIF）模型基本方法，主要包括三频GIF模型在模糊度固定中的应用。从三频线性组合理论出发，给出了三频下的基本数学模型。系统探讨了在六频中任选3个频率的20种组合可能下，GIF模型固定模糊度的最优频率组合以及各自的最优线性组合。此外，还分析了利用GIF模型单历元模糊度固定的高质量线性组合。利用实测BDS-3六频观测数据进行了试验，通过理论分析和实际论证，结果表明，采用GIF模型固定模糊度时，最优频率组合为（B1C，B3I，B2a）；在该方法中，若2个已固定的超宽巷/宽巷（Extra Wide Lane /Wide Lane，EWL/WL）组合的系数之和为0，则第3个窄巷（Narrow Lane，NL）组合模糊度的标准差理论上仅与频率相关。然而，受非模型化误差等影响，实际结果与理论可能存在偏差。GIF模型能有效消除电离层延迟影响，且不受几何相关（Geometry Based，GB）误差影响，基于GIF模型的模糊度固定在电离层活跃和中长基线场景下具有良好的潜力。

针对复杂真实场景下甜菜田间杂草识别效率低、精确率低、小目标漏检等问题，提出一种基于YOLOv11模型改进的甜菜田间杂草识别算法。在主干网络引入PoolFormer模块和AKConv模块增强模型对全局语义信息的捕捉能力来提升检测精度，提高了在低分辨率图像和小物体中的检测效果。AKConv模块通过动态调整卷积核参数和形状，提升模型对生长形态不规则的甜菜与杂草的特征提取能力；PoolFormer模块可以很好地将相互遮盖的甜菜与杂草的边缘特征进行分割。在头部网络加入高级筛选-特征融合金字塔网络（High-level Screening Feature Pyramid Network，HS-FPN）模块增强多尺度融合效率，提升幼苗期甜菜与杂草的特征提取效率和速度。通过实验得出，改进YOLOv11模型的精确率、召回率、mAP@0.5、mAP@0.5：0.95相较于改进前分别提升了6.9%、7.8%、7.9%、7.8%。结果表明，在甜菜田间杂草识别上取得了显著的提升效果，为复杂场景中检测甜菜田间杂草提供了一个更可行的解决方案。

视觉-语言-行动（Vision-Language-Action，VLA）模型是实现通用具身人工智能的核心技术，旨在在统一的端到端框架内融合视觉感知、语言理解与动作决策。对VLA模型的研究现状与发展脉络进行了全面而系统的梳理。追溯了VLA模型的理论起源，阐明了其从分离式模块向统一架构演进的范式变迁。针对VLA的演进路线，以多模态融合与认知分层为重点阐述了SpatialVLA、TLA与GR00T N1等工作。构建了一个详尽的VLA模型分类体系，从宏观架构和系统分层2个核心维度，深入剖析了从RT-1等开创性工作到引入大规模知识迁移的RT-2、OpenVLA、ECOT等工作，再到双系统架构的Helix、OpenHelix、DexVLA、DexGraspVLA等前沿模型的关键技术与设计思想。系统性地整合与评述了支撑VLA研究的主流仿真环境、核心数据集与基准，并探讨了其在机器人操作、自主导航、工业自动化等领域的应用现状与前景。深入剖析了当前VLA研究在泛化性与数据效率、长时程任务规划、实时响应速度等方面面临的核心挑战，并对融合世界模型、提升数据效率等未来研究方向进行了展望。

自动驾驶场景下的目标检测面临复杂环境干扰、多尺度目标分布及目标遮挡等挑战，现有算法在特征融合能力、细节表征精度和定位回归性能方面仍存在不足。为此，提出了一种改进的YOLOv8检测算法DMP-YOLO。使用多分支辅助特征金字塔网络（Multi-Branch Auxiliary Feature Pyramid Network，MAFPN）优化原颈部结构，增强复杂交通场景中的多尺度特征融合能力；在骨干网络中提出C2f_DEConv模块，将标准卷积替换为细节增强卷积（Detail-Enhanced Convolution，DEConv），通过高频特征保持与局部纹理强化，显著提升对小尺度车辆及遮挡目标的细节捕捉能力；引入PIoUv2（Powerful Intersection over Union version 2）损失函数优化改进边界框损失，通过动态尺度敏感因子与几何约束优化，改善目标边界框的回归精度。在KITTI数据集上的实验表明，DMP-YOLO的各项性能指标都有显著提升，其中mAP@0.5达到89.0%，较基线YOLOv8提升了2.6个百分点，mAP@0.5：0.95提升了2.9个百分点，为自动驾驶场景下的高精度实时检测提供了有效解决方案。