摘要:针对居民场景下大规模电动汽车接入导致的负荷波动加剧、峰谷差扩大及容量边界受压问题，研究容量约束下的电动汽车聚合有序充电优化。建立兼顾充电成本、总负荷波动和充电行为偏离的群组化多目标优化模型，并考虑群组能量守恒、功率边界、容量约束和场景可行性判据。在基于分解的多目标进化算法与成功历史自适应差分进化机制基础上，提出结构增强拥塞引导型求解方法，通过保能量成对扰动、拥塞引导评价和局部精修提升复杂约束下的搜索能力。构建轻度、中度和高容量紧张3类居民场景进行验证。结果表明，所提方法在5组正式实验场景中均取得最优综合表现；在高容量紧张场景下，相比主要基准方法，解集逼近误差降低约26.1%，解集覆盖质量明显提升。综合排序中，所提方法平均排名为第1，并在全部5组场景中保持占优；平均运行时间为47.8 s。消融实验表明，保能量成对扰动是提升解集质量的关键机制，拥塞引导和局部精修可进一步改善容量紧张场景下的求解效果。研究结果验证了所提模型与方法在居民容量约束场景下实现充电负荷安全转移、负荷平滑和行为保持的有效性。

摘要:数据中心制冷系统能耗占比高且受负载波动与热惯性影响显著，温控过程面临多源扰动与严格物理约束。传统控制方法难以兼顾安全性与能效，而现有强化学习方法在探索阶段易产生物理违规行为，限制了其工程应用。针对上述问题，在开源仿真环境基础上，提出一种融合物理机理的安全强化学习温控方法。通过将温控问题建模为马尔可夫决策过程，在既有状态与动作空间定义下，重点构建耦合露点温度、系统稳定性及空气焓值的动态安全边界模型，并设计可微投影机制，将安全约束以内嵌方式融入策略网络，实现动作在连续空间内的可微安全映射。在基于EnergyPlus的全年仿真中，所提方法将温度越界次数降低至10次，冷通道温度推荐区间占比提升至99.2%，超限严重度控制在0.03℃以内，同时显著降低控制波动并提升系统运行稳定性。在保证安全性的前提下，系统能耗进一步优化。研究表明，所提方法在不改变系统结构的情况下，实现了强化学习策略对复杂物理约束的有效刻画与稳定利用，在安全性、稳定性与能效之间取得良好平衡，为强化学习在数据中心温控中的工程落地提供了可行路径。

摘要:配电网源网荷储调度中，气象与负荷的双重不确定性存在时序相依的复杂特征，若忽略二者间的鞅差序列关联，易导致调度决策面临保守性失配和边界面失稳风险，引发电压越限。为此，本研究提出考虑气象-负荷双重不确定性的源网荷储鲁棒优化调度方法。首先，构建气象预报误差的一阶自回归时序关联模型与负荷波动的盒式区间模型，并建立考虑双重不确定性的净负荷耦合机理，形成更逼近实际极端场景的联合不确定性模型；然后，采用可调保守度的多维盒式不确定集合刻画净负荷波动域，并以系统购电、储能老化及可中断负荷补偿总成本最小为目标，计及功率平衡、电压安全、储能荷电状态与可中断负荷等约束，构建鲁棒优化调度模型，通过列与约束生成算法分解为主问题与子问题迭代求解。最后，设计储能自适应充放电与可中断负荷柔性调节的实时协同响应框架，应对实际运行中的残余偏差。仿真结果表明，该方法在最恶劣不确定性场景下所有节点电压始终维持于0.94~1.06标幺值（p.u.）的安全区间，安全裕度保持为正，验证了该方法在提升配电网安全性方面的优越性。

摘要:随着社会经济对电力依赖程度的不断加深，极端天气灾害对电力系统稳定性的威胁日益凸显，开展电力系统弹性评估研究具有重要的现实意义。本研究旨在构建一种考虑极端天气时空特性的电力系统弹性评估体系，以应对极端天气灾害对电力系统带来的挑战。首先对极端天气进行融入时空特性的模型构建，考虑历史台风数据与所处经纬度位置实时对台风模型进行修正；其次，考虑电力系统结构、运行状态及灾害应对能力等因素，从灾前预测、灾中承受能力、灾后恢复这3个方面提出3个指标数据综合评估电力系统的弹性水平；通过过去15年实测台风数据进行随机化建模，并利用IEEE RTS-79节点系统进行算例仿真得到弹性基准值，从工程实际出发，提出了增加备用、负荷转移和提升检修效率这3种弹性提升策略并进行验证。本研究评估体系不仅揭示了电力系统在灾害应对中的薄弱环节，还为提升电力系统弹性提供了理论依据与实践指导，对保障国家能源安全及维持社会经济秩序具有重要意义。

摘要:低温环境下，变电站巡检机器人电池存在开路电压迟滞环畸变，导致荷电状态估计值存在严重的低温漂移累积、运动能耗预测结果出现显著的非平稳偏差。故本研究提出一种融合低温放电建模、运动能耗预测与分层补偿的续航能力提升策略。首先，建立半经验电化学模型，采用扩展卡尔曼滤波在线估计电池荷电状态，抑制低温非线性极化引起的累积漂移；然后，结合实时荷电状态与路径规划信息，闭式输出剩余续航时间预测结果；最后，设计双层补偿架构，上层依据续航紧张因子动态重排序巡检任务点并调整充电触发阈值，下层基于端口受控哈密顿理论设计能量控制器，通过注入阻尼与能量成形优化关节力矩分配，实现续航补偿。实验表明，在-18~-8℃低温环境下，该策略能够单机完成全部8个巡检点位，荷电状态利用率达76.2%，较现有方法提升43.1%~70.5%，作业时间延长64.8%，且瞬时功率变异系数低至0.11，电流样本熵降至0.52，验证了该测量可以实现对低温恶劣工况下续航能力的精准预测与高效补偿。

摘要:针对噪声协方差未知和非均匀采样条件下的目标跟踪问题，提出了一种自适应滤波器。该滤波器在量测建模阶段引入扩维修正策略，以重构非均匀采样下的量测模型，从而有效避免量测信息的遗漏和时序失配问题。为实现对动态目标的精确估计，将目标状态建模为高斯逆威夏特分布，其中目标的运动学状态建模为高斯分布，噪声协方差则建模为逆威夏特分布。通过引入变分推断机制，推导出在噪声协方差未知且采样非均匀条件下的贝叶斯递归过程，从而实现目标状态的最优估计。仿真实验结果验证了所提算法在复杂观测环境下的鲁棒性和估计精度，相较于现有卡尔曼滤波，在应对噪声协方差未知与非均匀采样方面具有显著优势，表现出更强的适应能力与跟踪性能。

摘要:针对传统单参考信号解调方法中因相位失配导致的测量精度受限问题，提出一种双路同步解调方法以提升精密印刷电路板(printed-circuit board,PCB）型电磁感应式角位移传感器精度。该方法通过为传感器的正弦、余弦输出信号分别提供独立的方波参考信号，通过相位匹配实现无衰减解调，从根本上消除了相位失配引起的增益不一致问题。实验结果表明，相比传统方法，该方法使原始整周测量误差从±0.032 35°降低至±0.007 6°，补偿后的整周误差从±0.006°降至±0.003 4°，传感器输出信号动态范围从［-16 001，9 338］提升至约［-30 000,30 000］，角度稳定性提高至0.000 1°。本研究为高精度PCB型电磁感应式角位移传感器的性能提升提供了有效技术方案，具有广泛的工程应用前景。

摘要:针对输电线路航拍图像中缺陷目标尺度差异大、背景干扰强、小目标与遮挡目标易漏检等问题，提出一种基于YOLOv11n的多特征融合检测器(polyfeature-fusion detecor-YOLO,PFD-YOLO)。首先，通过融入多核Inception网络（poly kernel Inception network，PKINet）中的多核Inception块（poly kernel Inception block，PKIBlock）改进C3K2，有效降低了模型复杂度，增强了特征提取能力；其次，设计特征聚焦扩散金字塔网络（feature focusing diffusion pyramidnetwork,FFDPN）对Neck侧特征融合结构进行重构，通过特征聚焦模块（feature focusing module,FF）实现不同尺度特征间的高效交互与上下文信息传播，缓解多尺度特征不一致带来的特征遗忘问题；再次，引入轻量化共享卷积检测头（lightweight shared convolution detection head,LSCD），采用跨尺度参数共享与组归一化策略，在提升小目标检测精度的同时显著降低检测头的计算开销；最后，在自建输电线路多目标缺陷数据集上对所提方法进行验证。实验结果表明，PFD-YOLO在保持较高推理速度的前提下，mAP50和mAP50.95分别提升至86.6%和53.9%，相较原始YOLOv11n模型分别提高3.9%和3.3%，有效提升了输电线路缺陷与异物的检测精度与鲁棒性，具有良好的工程应用价值。

摘要:针对现有钢材表面缺陷检测中精度不足、小尺寸缺陷漏检率高、边界框定位偏差等关键问题，提出一种基于YOLOv8改进的钢材表面缺陷检测算法YOLOv8-CEW（closed eyes in the wild）。该模型通过引入CFBlock模块（ConvFormer block）、高效上卷积块(efficiency up convolution block，EUCB)和WIoU损失函数三大核心改进，分别从特征提取、特征融合与边界框回归维度实现性能突破。其中，引入的CFBlock模块与原有的Backbone中的C2f模块融合并替代里面bottleneck，针对钢材缺陷 “细长蜿蜒、密集离散” 的特有形态优化特征捕捉机制，强化了多尺度缺陷特征的分辨力；EUCB模块替代传统上采样优化了缺陷特征重建效果以提升检测完整性；WIoU损失函数结合缺陷尺度动态调整定位惩罚策略，增强了边界框定位精度。实验结果表明，改进模型在NEU-DET（Northeastern University defect detection dataset）数据集上，精确率、召回率、mAP@0.5、mAP@0.5:0.95分别较YOLOv8基准模型提升3.2%、1.4%、1.1%、0.4%，且检测速度满足工业应用要求，具有良好的实际应用前景。

摘要:热压焊（脉冲回流焊）广泛应用于微型电子元件的自动化焊接，其焊接过程对温升速度与温控精度有较高要求。传统控制方法基于时域假设或等效分析建立热压焊过程模型，模型偏差容易造成温度超调且会降低系统稳定性。本研究基于非线性最小二乘估计完成参数辨识并以此构建热压焊过程的扩展状态空间温控模型；设计模型预测控制（model predictive control,MPC）器并完成热压焊温控系统的闭环仿真建模。仿真结果表明，与传统比例-积分-微分(proportional-integral-derivative,PID)和Smith-PID相比，MPC在模型失配条件下具有更强的鲁棒性，且在外部扰动作用下表现出更优的扰动抑制能力。微型线缆焊接试验表明，MPC控制器具有较好的温控性能，温升速率可达240℃/s，同时能够显著抑制温度超调，焊接过程温度控制精度达到±2℃。在更换不同结构尺寸焊头后，控制器的温控性能未受到明显影响，实现了精密温控的热压焊过程。

摘要:应急状态水下潜器作业时易受母船铁磁干扰而导致定位精度下降，为解决这一问题，提出一种基于逆向姿态更新的水下子潜器定位误差修正方法。该方法在初始存在磁干扰时首先进行惯性导航并存储数据，当脱离母船且磁信号正常后基于惯性阶段原始数据和逆向姿态更新算法重新递推修正原初始姿态角，再基于新初始姿态角重新进行惯性导航和组合导航，以修正原初始姿态角导致的系统误差。该方法能利用后期组合导航结果对初始误差和过程误差进行估计补偿。实验结果表明，相比传统组合导航方法，在对潜器的初始航向和水平姿态误差补偿之后，在航行阶段的平均位置误差降低了87.8%，平均速度误差降低了91.3%，显著提升了应急状态下水下潜器组合导航系统的定位性能。

摘要:信号参数估计与调制方式识别作为非合作通信场景中的核心支撑技术，对电磁信号解析与情报生成至关重要。针对实际应用中信号参数未知、智能模型通用性差以及部署后更新困难、成本高昂的核心瓶颈，提出并实现了一种基于深度学习的数字调制信号盲识别方法。该方法创新性地设计前馈式信号处理框架，将符号速率估计、采样率自适应调整与调制方式智能识别3个环节深度融合，突破了传统流程中各环节简单并行处理的局限，形成了一个高效且普适的信号处理解决方案。实验与应用验证表明，所提方法在降低训练成本的同时，还显著增强了模型对未知参数的泛化能力和鲁棒性，具有较强的工程应用价值。

摘要:针对传统可视图法在城市复杂障碍物环境下存在碰撞检测规模大、碰撞检测效率低，导致求解速度慢的问题，提出层次凸包可视图法。利用主凸包对环境中的多边形进行预筛选，缩小参与可视性检测的障碍物范围，降低检测耗时；同时，提出局部凸包可视性检测方法，进行多边形对遍历并构建局部凸包，并结合桥点进行区域划分，规避传统全局点对遍历中的无效检测，有效提升检测效率。基于真实城市数据构建不同规模的城市环境，分别与路径规划的基线算法、相关改进算法和文献中的可视图法进行仿真比较。结果表明，层次凸包可视图法能够快速规划出高质量路径，规划时间较传统可视图法、双向快速搜索随机树（bidirectional rapidly-exploring random trees,Bi-RRT*）和Informed-RRT*分别减少99.66%、94.38%和94.06%，有效解决无人机在复杂城市环境中路径规划的计算效率问题。

摘要:针对射击训练中胸环靶弹孔检测技术精度低、推理时间长的难点，提出了一种基于YOLOv8的轻量化算法。首先设计卷积块注意力模块（convolutional block attention module，CBAM）-MobileNetV4主干网络，在提升精度的同时降低模型的计算复杂度和参数量；其次提出C2fGhost-AFPN-P2(asymptotic feature pyramid network)特征聚合网络，通过结合C2fGhost模块、AFPN和P2输出层的方式增加网络对小目标的感知力；最后将算法的损失函数设为WIoU，以减弱正负样本数量不均衡产生的影响，提高预测框的回归精度。在自制数据集的实验结果显示，mAP50为0.973，相较于原算法提升16.0%；参数量为2.43×106，相较于原算法降低19.3%；GFLOPs为8.0，相较于原算法降低2.4%。实验结果证明M-A-YOLO在弹孔的检测方面具有更好的性能。

摘要:针对电力信息物理系统（cyber physical power system，CPPS）网络层容易遭受拒绝服务（denial of service,DoS）攻击的问题，提出融合状态估计和模型预测控制（model predictive control,MPC）的DoS攻击检测与防御方法。在传感器侧，采用多渐消因子自适应卡尔曼滤波进行状态估计，该算法克服了传统卡尔曼滤波易发散和单渐消因子自适应卡尔曼滤波估计精度低的缺陷，并基于估计结果设计残差检测算法实现攻击检测。在控制器侧，引入MPC，利用最新接收到状态估计信号计算未来时段的控制信号，补偿DoS攻击导致的数据丢失，同时基于Lyapunov稳定性理论和线性矩阵不等式（dlinear matrix inequalities，LMI）设计预测控制序列，解决了数据丢失导致系统不稳定的问题。最后，在IEEE 9节点和IEEE 30节点中展开仿真验证，结果表明所提检测方法能及时检测DoS攻击，防御方法可有效维持攻击下CPPS的稳定运行。

摘要:陶瓷纤维防热瓦作为可重复的使用航天飞行器热防护系统核心构件，其表面硼硅玻璃涂层的完整性直接决定飞行器气动特性与服役安全。但是在实际检测过程中，由于防热瓦涂层表面复杂工艺纹理与真实缺陷形貌高度相似，导致传统三维点云自动检测方法虚警率高、测量精度低且漏检问题突出。因此针对防热瓦涂层缺陷定位及测量难点，提出一种双阶段测量方案。首先开展二维缺陷定位，在深度图上利用宽松阈值初筛候选区，进而提出相对坡度特征，对候选区进行精筛，排除纹理干扰，实现缺陷精准定位；继而开展三维局部测量，仅将定位后的缺陷区域映射回三维点云，执行局部RANSAC(RANdom SAmple consensus)与DBSCAN(density-based spatial clustering of applications with noise)算法，实现缺陷三维尺寸的精准、高效测量。研究结果表明，与边缘检测法相比，所提方法将缺陷检出率从50%提升至83.3%，误检率从66.67%降至33.33%；与RANSAC、DBSCAN全局法相比，所提方法将缺陷检出率从50%提升至83.3%，误检率从50%降至33.33%，验证了所提框架在复杂纹理干扰下卓越的定位测量能力。

摘要:针对当前复合材料损伤识别研究中存在的特征维度高、冗余信息多、多损伤模式耦合难以区分等问题，提出了一种基于主成分分析与希尔伯特边际谱能量特征的声发射损伤识别方法。通过拉伸实验获取环氧树脂、碳纤维束及其复合材料的声发射信号，利用主成分分析对6类特征参数降维，提取高能量断裂与频域特征主成分；采用希尔伯特-黄变换获取边际谱，建立基于频带能量集中性的量化判据。结果表明，3类试件前3个主成分累计贡献率分别为84.7%、88.25%和86.6%，有效提取了高能量断裂（PC1）与频域特征（PC2）两类主损伤模式。进一步采用希尔伯特-黄变换分析波形能量，发现纯树脂损伤能量集中于100~150 kHz频带（占比约60%），纤维束损伤呈现F4~F6中频段三阶段演化，复合材料能量分布则高度分散（分散模式占比71%）。该方法能有效区分基体开裂、纤维断裂与界面脱粘，为复合材料损伤监测提供了量化识别依据。

摘要:为了在无需干净标签或重复采集的前提下，有效抑制体素内不相干运动(intravoxel incoherent motion,IVIM)图像噪声并保留结构信息，提出了一种基于相似性约束掩码的自监督去噪模型。首先，该模型以盲点去噪为基础，结合图像邻域相似性与自适应掩蔽策略，从单幅含噪图像中进行学习。在模拟实验中，当信噪比（signal-to-noise ratio，SNR）=30时，该方法使信号均方误差（mean square error，MSE）降低36.92%，参数F、D、D_star的均方根误差（root mean square error,RMSE）分别降低4.39%、11.43%和3.29%，结构相似性（structural similarity index measure，SSIM）分别提升2.73%、0.21%和3.37%。在真实实验中，灰质（gray matter，GM）与白质（white matter，WM）区域的SNR提升比分别提升0.40%和3.85%。此外，临床病例分析显示，参数D值与D_star值的对比度噪声比分别从0.064、0.005提升至0.271、0.026。实验结果表明，该方法在各参数上均能获得最高且最稳定的对比度噪声比水平。本文提出的模型在保留组织结构与参数信息的同时有效降噪，为高质量IVIM成像及临床应用提供了一种有效的自监督方案。

摘要:为了提高遥感图像海上小目标的识别精度，在YOLO11n目标检测算法基础上，提出了一种融合双核亚像素增强和上下文注意力的YOLO算法。该方法并行使用3×3和9×9卷积核，提取不同感受野特征，采用超分辨率重构思路，设计亚像素增强模块，捕获更多的细节信息，提高骨干网络的特征提取能力；在原始的C3K2结构基础上设计C3K2_上下文融合注意力 (context aggregation attention,C3K2_CAA），捕获更加丰富的上下文信息，辅助模型更准确地识别目标，提高复杂场景中的目标识别精度。利用公开的SeaShips数据集验证网络的目标检测效果。结果表明双核亚像素增强模块（double-core sub-pixel enhancement module,DSPE-YOLO）算法的AP、mAP50、mAP50-95达到97.2%、99.5%、71.6%，相较于基础的YOLO11n网络，识别精度分别提高4.3%、9.4%、4.4%；相较于（PaddlePaddle-you only look once evolve-small，PPYOLOE-s）、YOLOV6、YOLOV8-n、YOLOV10-n的AP分别提高0.4%、7.7%、4.7%、8.7%，取得了良好的目标检测效果。

摘要:近年来，无人机在遥感图像采集领域得到了广泛应用。然而，在遥感图像目标检测任务中，单模态可见光图像存在一定局限性，其检测性能在黑暗环境或雾霾等恶劣天气条件下会显著下降。为解决这一问题，提出了一种基于YOLO的双通道遥感图像目标检测网络（YOLO with dual-channel fusion and Mamba，YOLO-DFM）。该网络将Mamba架构与YOLO模型相结合，并引入去雾模块基于动态范围直方图自注意力的 C2f 模块（C2f with dynamic-range histogram self-attention,C2f_DHSA），以增强可见光图像的检测能力。此外，引入了可见光-红外深层语义融合模块(profound semantic fusion module,PSFM)，有效融合可见光与红外图像，充分利用两种模态的互补优势，从而提升遥感图像目标检测的鲁棒性与准确性。在特征提取与融合方面，提出了一种双卷积特征多尺度复合卷积（feature multi-scale composite convolution，FMCConv）模块，该模块结合了空间到深度卷积（space-to-depth convolution，SPDConv）与深层鲁棒特征下采样（deep robust feature downsampling，DRFD）的优势，并通过创新的特征融合策略与计算优化方法，在复杂多尺度背景下提升了目标检测的精度，并将其集成到YOLO-DFM网络中。本文在航空影像中的车辆检测（vehicle detection in aerial imagery，VEDAI）、面向低照度视觉的可见光-红外配对数据集（low-light visible-infrared paired，LLVIP）和DroneVehicle数据集上对所提出的方法进行了验证。实验结果表明，与原始YOLOv8相比，YOLO-DFM在mAP指标上分别提升了6.8%、1.2%和1.6%，显著增强了检测性能，验证了模型的有效性。综上所述，本文提出的YOLO-DFM网络为多模态遥感图像目标检测提供了一种高效且可靠的解决方案。

摘要:水利大坝的水下混凝土结构易产生病害，传统人工检测效率低且风险系数较高，现有水下三维重建因图像质量差，水体环境复杂，导致难以实现高精度效果。由此，针对水下结构病害检测，提出了一种基于多尺度融合图像增强算法与水下折射模型结合的三维重建方案，该方案将自适应颜色校正、改进Retinex算法通过基于多尺度融合算法 (non-subsampled shearlet transform,NSST）算法进行多尺度融合，优化图像质量，再结合水下折射模型完成三维重建。实验显示，方法在信息熵（information entropy,IE）、图像对比度质量评价指标（patch-based contrast quality index,PCQI）、水下彩色图像质量评价指标（underwater color image quality evaluation,UCIQE）指标下都优于传统的水下图像增强模型，且处理后图像的IE值达到最优（7.803 6），在实际重建效果中细节纹理和边缘轮廓也显示出最优效果。该方案能有效提升水下结构病害的重建精度，为水下检测提供可靠支撑。

摘要:医学图像分割是医学影像分析中核心任务之一，对临床诊断、手术规划和疗效评估具有重要作用。针对现有方法在全局建模、局部细节保持及计算效率上的不足，提出了一种基于多尺度视觉状态空间U-Net的新型医学图像分割方法。该方法集成了状态空间建模机制、多尺度并行小波卷积模块以及改进的大核分组注意力门控模块，旨在增强跨层特征融合与细节表达。此外，引入分层级联预测策略，在解码器多个语义层级逐步生成并融合预测图，从而进一步提升了模型的鲁棒性与多尺度目标的适应性。在Synapse和自动心脏诊断挑战赛（automated cardiac diagnosis challenge，ACDC）两个公开数据集上的实验结果表明，所提方法的整体性能均优于现有主流方法，验证了其有效性与优越性。

摘要:针对交通道路动态巡检中无人机在高速飞行和姿态抖动下拍摄的图像存在复杂非均匀模糊，从而严重降低图像质量并影响后续目标检测问题，提出一种基于惯性传感器引导的改进第二代去模糊生成对抗网络（deblur generative adversarial network version 2，DeblurGAN-V2）图像去模糊算法。该算法将相机的惯性测量单元(inertial measurement unit,IMU)数据作为物理约束，设计梯度方向一致性损失函数强制恢复运动轨迹，并采用双路径感知损失融合平衡纹理与结构，同时设计自适应加权判别器在不同尺度上对生成图像的真实性进行判别，增强图像质量。在自建的无人机道路巡检数据集上实验表明，与基线模型DeblurGAN-v2相比峰值信噪比（peak signal-to-noise ratio，PSNR）与结构相似性（structural similar ityindex measure，SSIM）分别提升1.52 dB和0.056，在下游的车辆目标检测任务中误检率、漏检率分别降低9.2%与18.1%。

摘要:针对无人机视觉语言导航（unmanned aerial vehicle vision-and-language navigation,UAV-VLN）中多模态特征融合不足、全局环境感知能力有限以及长视距规划性能欠佳的问题，开展了基于历史增强的双尺度混合专家网络方法研究。该方法构建由全局混合专家网络与局部混合专家网络组成的双尺度结构，全局网络融合语言描述与导航地图特征以实现全局语义推理，局部网络结合视觉观测与语言特征以完成细粒度语义感知，从而在不同尺度上增强跨模态信息理解能力。为提升时序建模与长期依赖捕获能力，引入基于矩阵长短期记忆网络（matrix long short-term memory,mLSTM）的历史记忆编码器，实现历史观测与当前状态的动态融合。进一步设计导航目标-进度协同预测模块，通过目标预测头与任务进度预测头联合估计智能体的空间位置与任务阶段，提升导航决策的连续性与可解释性。在城市级UAV-VLN数据集CityNav上进行实验验证，结果显示该方法在导航成功率（success rate,SR）和路径加权导航成功（success weighted by path length,SPL）上分别达到16.42%和18.26%，较基线模型提升10.04%和12.18%，显著增强了智能体在复杂城市场景下的跨模态理解、时序决策与长视距导航推理能力。

摘要:车辆重识别(re-identification,Re-ID)是指通过在不同摄像头下准确识别并关联同一辆车，实现跨区域、不间断的车辆追踪和轨迹分析。现有车辆Re-ID方法在复杂场景下因摄像头视角变化、遮挡以及车辆外观相似性会出现特征表达不充分和鲁棒性不足等问题，为解决上述难题，提出了一种融合区域特征与动态侧信息的双分支车辆Re-ID网络。设计了区域上下文关系(regional contextual association module,RCAM)模块，通过利用多头注意力机制和特征以自适应地提炼和增强车辆的关键局部特征；引入了动态辅助信息（侧信息）嵌入（dynamic side information,D-SIE）机制，以更灵活地利用相机和视角信息；在训练阶段，引入了CutMix混合样本增强策略，显著提升了模型的鲁棒性和泛化能力。本文方法在VeRi-776数据集上mAP达到83.6%，Rank-1达到97.5%，在VehicleID数据集800子数据集上Rank-1达到85.4%，Rank-5达到了97.8%，跨域实验也证明了模型良好的泛化性能。实验结果表明，提出的模型在车辆Re-ID任务中显著提升了模型的鲁棒性和细粒度特征识别能力。