随着工程中系统复杂性的不断提高，系统的可靠性和安全性面临新的挑战，与此同时，系统的可靠性、安全性等概念进一步发展成为一种新的综合性指标，即“健康”。于是，复杂系统的预测和健康管理逐步成为系统工程领域一个新的研究热点，并在航空航天、机械、电力电子等领域得到应用实践。本文介绍了复杂系统健康评估的研究现状，并在此基础上提出了一种面向复杂系统的健康评估框架，其包含数据获取、数据处理、健康评估和健康预测等4个部分。最后，对复杂系统的健康评估进行了总结和展望，并建议开展面向健康评估开源项目的研究工作，即OpenHA。

以群体智能在无人机领域的应用场景为脉络，对群体智能方法在无人机领域的应用进行综述。首先，回顾近年来无人机的应用状况，介绍了群体智能算法原理及无人机应用示例。其次，将群体智能在无人机的应用场景分为基于群体智能的无人机无线通信、基于群体智能的无人机自组网、基于群体智能的无人机轨迹规划和基于群体智能的无人机智能决策4个部分，并分别介绍了各自相关研究工作的进展。最后，对无人机群体智能的发展趋势进行简要探讨。

为解决复杂道路环境（大曲率、低附着）下满足安全性和高效性约束的车速规划问题，提出了一种基于车辆动力学解析的微分方程规划方法。首先，推导了在稳态转向时满足侧向轮胎力约束的极限速度结构参数表达式。其次，将前轮和后轮的轮胎力执行空间组合为F-F图，得到考虑载荷转移和驱动方式因素的隐式微分方程，并求解该微分方程得到沿路径的极限速度，同时给出了面向离散路径信息的极限速度计算方法。最后，设计了横、纵向协同模型预测控制器，搭建了CarSim和Simulink联合仿真平台，在连续和离散两种信息路径上以规划的极限速度进行轨迹跟踪仿真实验。结果表明，本文提出的极限速度规划方法能够在尽快完成复杂路面环境下轨迹跟踪任务的同时，将轮胎力控制在稳定摩擦圆范围内。

针对利用轮式里程计定位时会产生难以预测和多变误差的问题，提出了使用Transformer神经网络建立轮式里程计误差预测模型，以准确预测变化的里程误差，提高了轮式里程计的定位精度。首先，建立不考虑工况特征和考虑工况特征两种模型。然后，在多种工况下与LSTM模型进行对比实验，结果表明：在常规和挑战性工况下，本文模型相比LSTM模型具有更高的精度、稳定性和可靠性。同时，相比于不考虑工况特征，考虑工况特征能有效提高模型的整体性能。

针对传统利用摄像头识别的车道线侧向定位技术中，因车道或者其左右边界点匹配错误导致换道等工况下行驶易造成较大定位误差的问题，本文结合换道识别方法，首先提出了多指标加权评价地图匹配算法，设计了车道左右边界点确定方法；然后，在准确匹配到车道和其边界点的基础上，提出了一种基于摄像头的双边界线侧向定位方法，提高了车辆相对车道的侧向定位精度；最后，将摄像头与全球定位系统（GPS）、惯性测量单元（IMU）、轮式里程计和轻量化车道级地图融合形成一个完整的定位系统。实验结果表明，与传统利用摄像头与车道线融合定位方法相比，本文设计的定位系统精度和稳定性有了明显提升，为自动驾驶定位提供了一种低成本、高精度的解决方案。

针对驾驶员期望轨迹预测问题，设计了一种考虑周车信息的自车期望轨迹预测模型。建立了单独的自车和周车历史轨迹信息编码器，将编码后的自车历史轨迹信息送往意图识别模块用于识别驾驶员意图；通过注意力机制对自车和周车编码信息进行处理，并与意图识别的结果共同作为解码器模块的输入，最终输出车辆未来位置。最后，采用数据集对模型进行训练，验证了模型的有效性。

针对状态机决策模型不能有效处理冰雪环境下丰富的上下文信息和不确定因素影响等问题，构建了一种基于深度Q网络算法（DQN）的深度强化学习智能体。使用运动规划器对该智能体进行增广，将基于规则的决策规划模块和深度强化学习模型整合在一起，建立了DQN-planner模型，从而提高了强化学习智能体的收敛速度和驾驶能力。最后，基于CARLA模拟仿真平台对DQN模型和DQN-planner模型在低附着系数冰雪路面上的驾驶能力进行了对比实验，分别就训练过程和验证结果进行了分析。

针对智能车在复杂场景下的行车环境理解和行为决策问题，提出了一种智能车辆车道与速度一体化滚动优化决策方法。在复杂场景下建立了车路空间重构模型，得到以不同车道中心线为参考的车辆位置。建立了以非整数的纵向车速和整数的车道序号为控制量的车道与车速一体化模型。对本车与多方向来车的未来轨迹进行安全性分析，将复杂场景下智能车辆车道与速度一体化决策描述为混合整数非线性规划问题。为了验证本文决策方法的有效性，在无保护路口场景下进行汽车动力学仿真软件veDYNA和Simulink的联合仿真，结果表明：本文决策方法面对行驶缓慢、突然切入的周车，能及时做出换道决策；当智能车和周车同时行驶至路口区域时，能够做出减速让行决策，以实现安全行驶。

针对现有基于危险场景强化生成的自动驾驶系统加速测试方法探索初期算力浪费、测试过程存在重复等问题，提出了一种基于危险边界搜索的自动驾驶系统加速测试方法。首先，定义场景危害度、场景暴露频次、场景敏感度三类场景固有属性，采用场景测试优先度作为参数空间划分和场景搜索的基础。其次，根据场景测试优先度进行具体场景提取；根据场景实际危害度进行场景测试优先度更新实现实验流程迭代。然后，利用支持向量回归对实验结果进行危险边界拟合。最后，搭建了Matlab/PreScan/CarSim联合仿真平台，选取前车切入典型场景对某黑盒自动驾驶系统进行仿真测试以验证加速测试方法的有效性。结果表明，本文方法可有效搜索被测算法的危险场景边界并提升测试效率。

针对冰雪天气车辆更容易失稳的情况，研究了低附着、不对称路面情况下车辆对参考路径的稳定跟踪问题，同时考虑了驾驶员与智能控制器的协同共享，讨论了共享方式和驾驶权分配，以提高车辆在冰雪路面复杂路况下的跟踪精度和转向稳定性，保证驾驶员的驾驶体验。此外，建立了左右轮不对称的适用于冰雪路面的车辆模型，并确定了将冰雪路面下车辆转向稳定性约束作为后续模型预测控制求解的一部分，在人车共享结构下，基于模糊推理权重分配策略设计了共享转向模型预测控制器。Simulink/CarSim联合仿真验证了本文控制系统能有效提高车辆跟踪精度和行驶稳定性。

针对前后跟随式通信拓扑的约束车辆队列弦稳定协同控制问题，提出一种分布式参数化模型预测队列控制算法。首先，建立车辆队列的纵向动力学模型，通过反馈线性化将其转化为线性状态空间模型。然后，利用邻域内车辆的预测轨迹信息构造局部优化问题，建立车辆队列局部控制器。为降低求解该局部最优控制问题的计算量，将预测时域内的控制输入增量参数化为阶梯式结构。在此基础上，设计模型预测队列控制器迭代计算算法，满足系统输入输出约束和弦稳定约束条件。进一步，应用Lyapunov稳定性定理和Moore-Penrose广义逆矩阵，获得车辆队列渐近稳定性充分条件，并分析系统跟踪性能。最后，通过与常规队列控制算法的仿真对比实验，验证所提出控制策略的高效性。

针对智能汽车纵横向耦合非线性导致的控制系统模型复杂度高以及轮胎侧偏刚度不确定性影响控制效果的问题，提出了一种基于轮胎侧偏刚度估计的纵横向整体反馈线性化控制方法。首先，建立智能汽车纵横向耦合动力学模型和轨迹跟踪偏差模型；其次，对车辆模型的线性化条件进行了判定，利用李雅普诺夫稳定性分析方法设计了可以保证系统稳定和跟踪误差渐近收敛的虚拟控制律；然后，对轮胎侧偏刚度进行了实时估计；最后，通过基于CarSim/Simulink的高速紧急双移线仿真实验，验证了本文提出的方法可使智能汽车在纵横向耦合工况行驶时具有良好的轨迹跟踪性能和稳定性。

行为决策和轨迹规划是智驾车完成驾驶任务的关键环节，着眼于二者之间的参数传递关系和新型混合交通流的动态特征，建立了智驾车换道模型。采用主从博弈思想描述智驾车换道决策过程，采用负指数函数量化博弈代价函数。将博弈决策结果作为轨迹规划模型输入之一，采用多项式分别描述车辆的横向及纵向运动，利用模拟退火算法寻找最优轨迹。设置了不同驾驶特性的环境车辆，并对决策规划过程进行了仿真验证，结果表明，决策规划模型能够快速生成安全、舒适的可行轨迹。

为识别自动驾驶环境下驾驶人的接管行为及意图，面向18.95 km双向六车道高速公路场景，借助驾驶模拟器和眼动仪，实施驾驶人10次面对5种紧急情境之一接管自动驾驶车辆的模拟试验。利用所得车辆运行和视觉注意力数据，根据因子分析提取得到3个公因子，采用K-means聚类分析定性识别驾驶人接管行为及意图。将因子分析分别与支持向量机和长短期记忆神经网络进行结合，获得两个定量识别驾驶人接管行为及意图的模型。研究结果表明，驾驶人接管行为受其纵向反应、横向反应和视觉注意力影响；聚类分析可定性描述不同类型驾驶人的接管行为及意图，并揭示潜在的驾驶安全隐患；相比支持向量机、长短期记忆神经网络和因子支持向量机模型，因子长短期记忆模型能更有效地识别驾驶人接管意图，其精确率、召回率、F₁分数和准确率4项性能指标均最优；利用因子分析进行数据降维和有效信息浓缩所得公因子有助于提高驾驶接管意图识别模型的分类性能。本研究有助于识别出接管风险较高的驾驶人，进而设计有针对性的驾驶辅助策略。

集成全球定位系统(GPS）和车载传感器信息，提出了一种多模交互滤波算法，使车辆可以适应多种驾驶工况。搭建了纵、侧向运动模型对车辆预期行驶位置进行全覆盖预测性描述；通过数据驱动的神经网络和车辆运动模型实现对GPS信号的可信性评价；利用车辆运动模型之间的交互滤波、概率更新等方式实现对过程误差和测量误差的精准估计。最后，在实车测试环境下进行定位融合算法的验证，结果表明，本文算法能够提升多传感器定位系统的定位精度，并在信号不稳定的情况下持续提供较为准确的位置估计结果。

针对传统快速扩展随机树（RRT）算法规划的路径随机性强、收敛速度慢、不具备连续性、无法满足大多数机器人的动力学约束以及Kinodynamic RRT^*算法规划路径符合动力学约束但搜索速度较慢的问题，本文基于Kinodynamic RRT^*算法，提出了一种DKRRT^*-APF算法。将Kinodynamic RRT^*节点扩展由单向扩展改进为双向扩展，以提高路径搜索效率。在采样阶段引入了人工势场（APF）算法地图势场的思想，设计了特殊的引力函数和斥力函数，使地图中目标点和障碍物为采样节点提供一定的目标导向和避障功能，缩短轨迹规划时间。为验证算法的可行性，使用双积分动力学无人车模型和四旋翼动力学无人机模型对DKRRT^*-APF算法进行了仿真测试。仿真结果表明，DKRRT^*-APF算法规划轨迹符合无人系统的动力学约束。在轨迹平均损耗相同的情况下，DKRRT^*-APF算法的平均生成节点数和平均轨迹规划时间相比于Kinodynamic RRT^*算法得到了有效改善。

为了准确、合理地预测车辆未来轨迹并且理解周围交通流的变化，提出了一种图注意力模式下融合高精地图的轨迹预测方法。设计了基于长短期记忆（LSTM）网络的编码-解码框架，建立了以车辆历史状态和高精地图信息为输入的模型结构，提出了结合车辆局部特征和全局特征的图查询机制输出车辆预测轨迹。在公开数据集nuScenes上的实验结果表明，该模型的综合预测性能优于Traj++、CoverNet等其他先进方法，且具有良好的抗干扰性。

将高精度地图信息融入主干检测网络中提出了基于高精度地图增强的三维目标检测算法（HME3D）。结合传统卷积和Transformer构建了新颖的地图特征提取模块（HFE）以实现地图特征的高效提取。此外，利用基于地图边缘增强的辅助监督网络（MEES）提升三维目标检测主任务的性能。最后，在具有挑战性的nuScenes数据集上验证了本文模型的优势，它相对纯点云基线模型精度提升了2.81 mAP。

针对四旋翼飞行器“规划-跟踪”避障方法中存在执行器跟踪误差的问题，采用控制-抗扰-避障一体化的设计方案，提出了一种带障碍约束的避障位置控制器。将Barrier李亚普诺夫函数用于约束障碍物边界，通过引入飞行器与目标位置的距离信息使目标点成为平衡点，从而解决传统势场方法中目标不可到达的问题。对于四旋翼控制系统状态强耦合、模型建立不精确的问题，提出了一种基于观测器的模型补偿控制策略并应用于姿态控制。采用补偿函数观测器估计模型偏差及外界扰动，并实时将估计值反馈补偿给控制器以达到自适应抗扰的控制跟踪效果。最后，对上述算法仿真验证，结果表明，基于观测器的模型补偿控制相较于其他控制算法在暂态性能、跟踪期望响应和抗干扰方面有更优的控制效果；避障位置控制器无需考虑跟踪误差问题，在仿真时间角度上，一体化避障方法较传统的“规划-跟踪”避障方法大幅度缩短，通过给定起始、目标位置后可以实现对静态障碍的躲避。

针对多旋翼无人机编队故障检测研究的不足，提出了一种在复杂风场飞行环境下多旋翼无人机编队的故障检测方法。结合多旋翼动态行为和风扰动建模，基于卡尔曼滤波算法对编队中各多旋翼的状态变量进行实时估计，并通过概率统计的方法提取故障特征，进而建立辨识器模型进行故障检测，最终得到编队中的故障机辨识结果。在仿真验证环节，搭建了基于RflySim飞行仿真平台的湍流风与有色阵风叠加的复杂风场模型，分别对多旋翼的螺旋桨、加速度计、GPS、电池进行故障注入和编队飞行模拟，通过多组仿真验证了本文方法的有效性。

为了提高多无人机搜寻的效率，降低实际搜寻过程中操作和通信延时带来的误差影响，提高定位精度，提出了多无人机地面移动目标搜寻和定位方法。首先，通过地面站为单一无人机手动搜寻框选目标并提取目标共享信息。然后，他机根据共享信息，利用YOLOv3自动检测并定位目标。最后，设计了基于判别相关滤波器的延时误差补偿算法，对选定过程中的坐标误差进行估计和补偿。实验结果表明，本文方法有效提高了多机目标搜寻和定位的效率和精度。

针对四旋翼无人机运行过程中执行器退化引起的剩余寿命缩短问题，提出一种基于风险评价函数的模型预测控制自主维护策略。首先，通过深入分析无人机控制机理构建了自主维护体系架构。其次，基于系统失效阈值的定义，得到悬停状态下无人机剩余寿命分布的解析解，并依据风险评价结果自适应修正模型预测权值矩阵 Q 和 R 中元素值实现自主维护，从而在无人机性能与寿命之间达到更好的折中平衡。最后，仿真实验结果表明，本文提出的自主维护策略，可使执行器隐含退化的无人机剩余寿命延长616 min，并保持较好的机体性能。

由于四旋翼无人机的飞行环境及自身执行机构等原因限制，为了保证姿态始终在约束范围内变化，引入障碍Lyapunov函数（BLF）保证系统能够达到预设性能。提出了一种基于补偿函数观测器（CFO）的反步姿态受限控制（CFO-BLF）方案。通过Simulink仿真对比了CFO-BLF反步控制、ESO-BLF反步控制和PID控制下四旋翼无人机的姿态跟踪性能，验证了\mathrm{本文}CFO-BLF控制方法的有效性及优越性。

针对高速无人飞行器上升段在线轨迹规划需要实现多约束下在线快速求解的问题，首先搭建了飞行器的运动和动力学模型，给出了轨迹规划所面临的约束条件；并根据约束条件和飞行特性，基于近端策略优化（PPO）策略梯度优化设计了满足任务要求的动作状态空间和奖励评价函数。其次，基于飞行器上升段轨迹规划具有很强时间记忆性的特性，在传统PPO算法基础上引入长短期记忆网络（LSTM）网络结构，利用PPO-LSTM算法解决了高速飞行器上升段在线轨迹规划问题，训练出能够根据飞行器状态实时规划最优攻角策略的模型。最后，根据蒙特卡洛仿真对算法性能进行验证，结果表明，相比于传统PPO和粒子群算法，本文算法终端状态的均方根误差减小了约50%，充分证明了本文算法的优越性和有效性。

针对有向切换通信网络下多四旋翼无人机系统存在的部分信息不可测问题，基于神经网络状态观测器方法，提出了分布式自适应滑模时变编队控制方案。首先，通过设计分布式时变编队控制协议，使无人机仅需邻居状态信息便可实现通信，摆脱了对全局信息的依赖。其次，由于欠驱动特性的存在，设计了位置辅助控制器，解算出姿态目标信息和控制推力。同时，通过设计神经网络状态观测器，对系统不可测信息进行观测，并将观测值反馈到自适应滑模控制器中，提高了无人机系统的鲁棒性。最后，通过Lyapunov定理对四旋翼无人机编队系统进行分析，证明了多无人机编队追踪误差有界且可收敛到零点邻域内。仿真结果表明，本文控制方法可以使多无人机系统实现时变编队控制，验证了理论结果的有效性。

针对受外界干扰的共轴倾转旋翼无人机姿态控制问题，设计了一种有限时间滑模控制器（FTSMC），以提高姿态控制的跟踪能力和在不确定干扰下的鲁棒性。采用牛顿-欧拉法建立了无人机姿态动力学模型，调整动力分配以克服无人机控制通道的过驱动。应用李雅普诺夫理论验证了有限时间滑模控制器的稳定性。最后，在Matlab/SimMechanics平台中进行仿真测试，以验证本文所设计控制器的性能。

针对在公园、游乐场、体育场等具有复杂飞行背景的公共安全区域对无人机进行实时检测困难的问题，提出了一种基于注意力机制和尺度自适应特征融合的YOLOv5-UAV反无人机系统目标检测算法。首先，运用自拍图片和公共数据集DUT-Anti-UAV融合，构建了无人机数据集；其次，使用k-means方法重新设计先验框；再次，设计了尺度自适应特征融合模块；然后，采用CIoU损失函数作为算法的定位损失函数；最后，在主干网络引入协调注意力机制。在无人机航拍数据集VisDrone2019上进行对比实验，改进算法YOLOv5-UAV对所有类别的平均准确率（mAP@0.5）均高于原始算法YOLOv5s，且对复杂背景下的小目标检测效果较好，表明了改进算法的普适性。将改进的算法YOLOv5-UAV与基线算法YOLOv5s在建立的数据集上进行对比实验，实验结果表明，YOLOv5-UAV与YOLOv5s相比，在准确率、召回率、平均准确率（mAP@0.5）上分别提高了6.1%、5.8%、5.2%，检测速度为39 帧/s；在建立的数据集上，与YOLOv5m、YOLOv5l、YOLOX目标检测算法进行对比实验，改进算法的平均准确率（mAP@0.5）分别高于对比算法4.4%、3.6%、1.3%，表明了改进算法的有效性。

为使四足机器人在不配备地形感知设备的情况下，依然能够根据地形崎岖度变化自主调整自身步态规划参数，以提高其在复杂未知地形中的稳定性和适应性，提出了基于门控循环单元（GRU）模型的静步态规划方法。首先，给出了一种连续矩形迈步轨迹生成方法，能够保证机器人的摆动足在未知地形上顺利摆动至目标落足点且整个迈步过程连续。然后，提出了可通过调整参数改变躯干运动轨迹的规划方法。最后，利用GRU模型及各摆动足迈步时间实现对躯干运动轨迹规划中可调整参数的预测，以使四足机器人生成与地形崎岖度变化相适应的运动，且运动过程中能够兼顾能量消耗和自身稳定性。实验结果表明了本文方法的正确性和有效性。

针对无人机在无线通信网络场景中的保密通信和飞行过程中保证安全节能问题，提出了一种多目标优化设计方案。基于无人机通信模型、无人机能耗模型和环境限制模型构建了无人机调度和航迹规划问题（USPOP）的多目标优化模型，以无人机无线通信的平均保密率、无人机悬停能耗和无人机飞行能耗3个目标为优化目标进行优化，并通过改进的第三代非支配排序遗传算法对问题进行求解。仿真结果表明，本文改进算法能有效解决构建的优化问题，并且相对于其他对比算法有更好的收敛效果。

针对多无人机系统对多静态目标的环航控制问题，提出了一种基于方位测量的目标定位和环航控制算法，以确保系统能在固定时间内实现对目标的定位和环航包围。首先，为领航者无人机设计了基于方位测量的目标定位算法以计算目标位置，并为跟随者无人机设计了状态观测器以估计目标中心和领航者位置。然后，对多无人机系统设计了分布式环航控制算法，使多无人机系统实现对多目标物的均匀分布环航。最后，数值仿真实验验证了本文控制算法的有效性。

针对点云数据中的地面点会影响环境感知的精度与速度的问题，提出了一种基于平面拟合的地面点云精确分割方法。首先，根据投影距离将场景点云分为多个区域；其次，根据区域内的平均高度、分割地面点和地平面法向量的方向，确定地面平面拟合点并对地面平面进行拟合；最后，根据点到地面平面的距离，实现地面分割。本文基于KITTI数据集和实采数据将本文算法与RANSAC、GPF、R-GPF和PatchWork四种算法进行了对比，验证了区域划分、拟合点筛选以及地面平面法向量方向筛选对地面分割的有效性。实验结果表明，进行区域划分后，可以分割远距离稀疏地面；进行拟合点筛选后，在低迭代的条件下地面分割准确率达到0.9417；进行地平面法向量方向筛选后，能够避免将墙面拟合成地面；本文方法在F₁分数、召回率和准确率上优于所对比的4种算法，速度可以达到42.78 Hz，能够精确、快速地对地面进行分割。