研究方向
团队以无人系统为研究对象，以提升无人系统自主智能水平为目标，通过开展无人系统的智能感知（目标检测、识别和跟踪）、智能定位与环境重构、路径规划、集群协同导航、集群网络资源调度、智能信息融合理论等多方向研究，形成了自主智能无人系统的综合体系。智能感知，智能定位与环境重构提供了无人系统对周围环境的理解和定位能力，路径规划则确保其能有效地在环境中导航。集群协同导航和集群网络资源调度实现了多无人系统间的协同工作，而智能信息融合理论则优化了信息的综合处理和决策能力，从而提升整个无人系统的协同效能和智能水平。

1.png

研究方向一：智能感知与深度学习
背景及意义：
面向复杂环境中自主智能感知的任务需求，实现无人系统异源异构多传感器的准确、完备自主感知，快速解析任务场景，显著提升无人系统对环境的理解和感知能力，以及智能化水平具有重要意义。目标检测与识别任务是指利用计算机视觉和音频处理方法，从图像和声音数据中自动检测并识别出感兴趣的目标。通过增强复杂环境中目标检测与识别的准确性和实时性，从而为环境理解和智能决策提供强大的技术支撑。目标跟踪任务旨在传感器（如相机或雷达）数据的时间序列中，连续追踪单个或多个目标的位置。然而，跟踪中存在的数据关联不确定、噪声、虚警、目标数目时变、目标遮挡等问题给目标跟踪造成了极大的挑战。因此，研究新型跟踪算法为复杂环境下无人系统自主感知提供强大的支持。

知识与技术体系：
模式识别、特征提取与选择、数据生成与增强、声呐信号处理、深度学习、嵌入式人工智能等。
能力培养：
理论分析及算法设计能力：熟练掌握语音/图像/视频处理、深度学习的基本理论，深入理解视觉任务及数据特性，设计算法模型。
软件编程及实践能力：熟练掌握Python、C或C++等编程语言、以及TensorFlow、PyTorch等机器学习框架进行算法设计，并实现嵌入式设备上的智能算法部署。
就业去向：
互联网或科技公司（算法工程师、软件开发/嵌入式软件开发或测试、产品/项目经理等）
科研院所或高校（从事人工智能或智能感知算法的基础研究、教学或应用研究等）


研究方向二：智能定位与环境重构

背景与意义：
智能定位与环境重构是指一种结合视觉、激光、惯性等传感器数据进行同时定位和环境建图（simultaneous localization and mapping，SLAM）的技术。该技术在无人驾驶、机器人导航、增强现实和虚拟现实等领域具有广泛的应用前景。其意义在于能够在动态场景、GNSS拒止场景等复杂环境中实现高精度、自主性和实时性的定位与地图构建，为智能系统提供可靠的环境感知与导航能力。

知识与技术体系：
线性代数、计算机视觉、激光雷达、惯性导航、优化算法、深度学习、系统集成。
能力培养：
1.理论基础：掌握计算机视觉、激光雷达技术、惯性导航及相关概率图模型与优化算法的基本理论。
2.实践能力：具备实际系统开发与调试能力，能够将理论知识应用于实际问题的解决。
3.编程技能：熟练掌握C++、Python等编程语言，能够使用ROS（Robot Operating System）等框架进行机器人系统开发。
就业去向：
1.无人驾驶汽车：在无人驾驶技术公司从事感知与导航系统的开发与研究。
2.机器人技术：在服务机器人、工业机器人等领域从事自主导航与环境感知技术的开发。
3.增强现实/虚拟现实：在AR/VR公司从事环境建模与用户交互技术的开发。
4.研究机构与高校：在科研机构或高校从事视觉激光惯性SLAM相关领域的研究与教学工作。

研究方向三：路径规划与自主控制
背景与意义：
路径规划技术在智能系统中起着至关重要的作用，广泛应用于无人驾驶、机器人导航、物流调度、智能交通等领域。路径规划分为单体规划（Single-agent Planning）和集群规划（Multi-agent Planning），分别针对单个智能体和多个智能体在复杂环境中的路径优化问题。研究路径规划的背景在于提升智能体的自主决策能力和协作效率，以应对现实中的多样化和复杂化的应用场景。
知识与技术体系：
算法设计与分析、图论与优化、多智能体系统、机器学习与强化学习、传感与感知、系统集成。
能力培养：
1、理论基础: 掌握路径规划的基本理论和方法，包括算法设计与优化技术。
2、实践能力：具备实际系统开发与应用能力，能够将理论知识应用于具体问题解决。
3、编程技能：熟练掌握C++、Python等编程语言，能够使用相关仿真平台（如Gazebo、MATLAB）进行路径规划算法的验证与优化。
就业去向：
1、无人驾驶汽车：在无人驾驶技术公司从事路径规划与决策系统的开发与研究。
2、机器人技术：在服务机器人、工业机器人等领域从事自主导航与路径规划技术的开发。
3、智能物流与仓储：在智能物流、仓储自动化公司从事机器人调度与路径优化的研究与应用。
4、智能交通系统：在智能交通领域从事交通优化与多智能体调度系统的研究与开发。
5、研究机构与高校：在科研机构或高校从事路径规划相关领域的研究与教学工作。


研究方向四：资源调度与集群导航
背景与意义：
资源调度用于优化和管理多个智能体在复杂环境中的协同行为，以提高系统的效率、可靠性和安全性。在集群导航中，资源调度技术起到关键作用，可以有效地分配计算、通信和能源资源，以支持集群智能体在动态和挑战性环境中的导航任务。集群导航涉及多个智能体协同行动，如编队航行、协同侦察和协同打击等，这些任务对精确可靠的相对导航信息（如相对位置、速度、姿态和时钟信息）有着严格的要求。传统的导航方法如卫星导航系统和地面导航台在某些复杂环境中可能面临挑战，如室内、水下或拒止环境下的导航困难。因此，集群导航技术通过数据链、超宽带等相对测量传感器和通信设备，能够实现集群内部的相对测量、信息共享和信息融合，从而建立精确可靠的局部时空基准，确保集群智能体能够安全自主地完成任务。

知识与技术体系：
优化理论、一致性理论、图论、多智能体系统、惯性导航、组合导航、分布式信息融合、无线/水声通信、传感器调度、Matlab仿真程序设计、C++程序设计等。
能力培养：
理论分析能力、算法设计能力、软件编程能力。该方向学术成果可冲击IEEE Transactions on Aerospace and Electronic Systems、IEEE Transactions on Automatic Control等控制领域国际顶尖期刊论文。
就业方向：
高校（从事资源调度与协同导航相关领域的理论研究与教学工作）；军工研究所（从事无人机群、监视系统等智能化调度和控制系统开发，推进协同导航理论在具体型号设备上的应用转化）；公司（从事协同导航系统的开发与研究，集群网络资源调度算法设计）。


研究方向五：状态估计与信息融合
背景与意义：
状态估计研究如何利用来自多传感器、多信息源的测量数据，基于一定的信息融合方法，获得随机系统状态的最优估计，是组合导航、姿态估计、协同导航、SLAM、目标跟踪等多个工程应用中的基本问题。信息融合是国际上长久以来重要的学术研究方向，亦是提升上述工程领域状态估计性能的关键。如今，随着应用场景的日趋复杂，大量状态估计工程应用中伴随测量数据异常干扰、参数不确定、应用对象集群化等特征与挑战，要求信息融合方法具备抗干扰、自适应、分布式等智能特征，需要针对工程特征与需求设计新型信息融合方法，改善状态估计精度与稳定性。状态估计与信息融合理论研究将为信息领域的多个行业注入原创血液。

知识与技术体系：
线性代数、概率论、优化理论；最优状态估计；深度学习、强化学习。
能力培养：
理论分析能力、算法设计能力、软件编程能力。该方向学术成果可冲击IEEE Transactions on Automatic Control、Automatica等控制领域国际顶尖期刊论文。
就业去向：
高等院校（从事智能信息融合相关领域科研或教学工作）、研究所/公司（从事导航、感知、目标跟踪等智能信息融合相关工程应用的研究或成果转化工作）。