北斗卫星导航系统（BeiDou Satellite Navigation System，BDS）接收机具备定位、导航、授时（Positioning，Navigation and Timing，PNT）和报文通信功能，在各行业中得到广泛应用。以北斗二号（BDS-2）区域系统向北斗三号（BDS-3）全球系统平稳过渡为背景，研究其对导航接收机服务性能影响及应对措施。通过对比BDS-2与BDS-3系统在信号类型、信号体制、星座规模和服务性能等方面的差异，阐述BDS平稳过渡的具体表现形式和状态变化趋势。重点分析BDS平稳过渡对导航接收机报文通信、导航定位、抗压制干扰等服务性能产生的影响。仿真结果表明，BDS-2接收机（PRN01～37）在平稳过渡期间，RDSS报文通信服务仍可正常使用；随着BDS-2卫星的陆续退役，空间可用卫星数将逐渐由33颗减少到18颗，全球范围内平均可见卫星数由11.62颗减少至6.31颗，平均几何精度因子（Geometric Dilution Precision，GDOP）值由2.00增加至3.15，服务连续可用性由93%降低到46.46%，定位精度和服务范围均受到影响；BDS-3卫星实施功率增强时，导航接收机可获得7～15 dB的抗压制干扰能力提升。针对导航接收机不同应用场景分别给出减弱或消除影响的应对措施，使导航接收机在BDS平稳过渡期间能够持续为用户提供可靠服务。研究成果可为北斗导航接收机的设计、研制和应用提供参考。

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。

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。

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。

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。

随着人工智能等技术的发展，多智能体如无人机群等的实际应用领域逐渐广泛。多智能体深度确定性策略（Multi-Agent Deep Deterministic Policy Gradient，MADDPG）算法旨在解决多智能体在协作环境中的协同配合问题，凭借其独特的Actor-Critic架构已成为多智能体领域主流的应用算法之一。针对指挥决策中多智能体协同任务存在的角色分工模糊、信息过载导致的算法策略收敛较慢等问题，提出了一种引入动态角色注意力（Dynamic Role Attention，DRA）机制的改进MADDPG算法——DRA-MADDPG。该算法在Actor-Critic架构中嵌入了DRA模块，通过动态调整智能体对不同角色同伴的关注权重，来实现分工协作的精准优化。具体而言，定义了指挥任务的角色集合与阶段划分，进而构建角色协同矩阵和阶段调整系数；在Critic网络中设计DRA模块，依托角色相关性与任务阶段来计算权重并筛选关键信息；改进了Actor网络，结合角色职责生成针对性的动作。仿真实验表明，与MADDPG相比，DRA-MADDPG的训练累积回报曲线下面积（Area Under the Curve，AUC）提升了2.4%，任务完成耗时降低了19.3%，且通过训练回报曲线对比分析可知，DRA-MADDPG对于短期训练拥有更好的学习效率。证明了该方法适用于复杂指挥决策场景，为多智能体协同提供了一种相对高效的解决方案。

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。

为满足半/全双工通信系统需求，提出一种基于磁-电偶极子的双频全向双圆极化多输入多输出（Multiple Input Multiple Output，MIMO）天线。该天线由4个相同天线单元对称分布形成2×2 MIMO阵，每一天线单元由圆形平面波导腔、4个折叠偶极子、8个寄生偶极子组成。在圆形平面波导上蚀刻扇形缝和采用短路柱可在弧形开口侧形成磁偶极子，其辐射电场与电偶极子产生的电场正交。当磁偶极子与电偶极子产生90°空间距离相位时，能在水平360°方向辐射左旋或右旋圆极化波。结果表明，该天线在低频段（2.42～2.47 GHz）能产生全向的右旋圆极化波，而在高频段（5.76～5.85 GHz）能产生全向的左旋圆极化波，轴比（Axial Ratio，AR）低于3 dB，水平面增益波动分别低于2.1 dB和7.3 dB。此外，所提MIMO天线通过相互对称布阵，在低频段和高频段的隔离度分别低于-30 dB和-50 dB。

针对自动调制识别（Automatic Modulation Recognition，AMR）在实际应用中受限于小样本数据、时频多模态信息融合不充分，进而导致识别准确率较低的问题，对AMR领域现有技术的局限性进行了简要分析，提出了一种融合扩散模型与对比学习机制的跨模态自监督学习框架。该框架通过引入扩散模型，利用其生成能力实现通信信号高质量数据合成与增强，有效缓解小样本数据对模型训练的约束；同时结合跨模态对比学习机制，构建模态间关联学习模块，充分挖掘和利用时频不同模态表示之间的内在关联与互补信息，解决多模态信息融合不充分的痛点，最终基于上述设计构建了“扩散-对比混合网络（Diffusion-Contrastive Hybrid Network，DCHN）”模型。实验结果显示，该模型在RML2016.10a数据集上的识别准确率较其他网络模型有较大提升，具备较好的识别能力。