以酰胺类化合物和偶氮化合物为配体制备了五种不同的含Cu/Zn配合物。通过单晶XRD、核磁氢谱等表征确定了配合物的具体结构, 结果发现改变合成条件使配合物的构型以及中心金属的价态发生变化。此外, 电喷雾质谱测试也证实了不同化合物中金属铜的不同价态。为了探究不同结构对配合物性质的影响, 选取硫醚氧化成砜的催化反应作为研究对象, 探索出了最优的催化反应条件, 同时发现中心金属为Zn的配合物催化效果最佳, 在60 ℃条件下反应1.75 h苯甲基硫醚可完全转化为砜, Cu2+配合物的催化效率高于Cu+的配合物。由此, 提出了一个可能的催化反应机理, 即氧化剂先与中心金属结合形成过氧配合物, 然后再氧化底物形成对应的亚砜或砜。

针对目前航空叶片接触式测量中存在的效率低、表面易损伤等问题，设计并搭建了集航空叶片检测与加工于一体的线激光在机测量实验平台。在进行激光非接触测量中，点云数据容易出现误差。为了提高激光在机测量的精度，对在测量过程中的主要影响因素进行了探讨和分析。分别建立了基于径向基函数神经网络和支持向量回归机的误差预测模型，并对两种预测模型的性能进行了比较。提出自由曲面检测的误差补偿策略完成了点云数据的补偿和校正。最后以某型号航空叶片为例进行实验，实验结果表明，所提方法能将点云数据的精度提高39.86%，验证了误差补偿模型和补偿策略的可行性。

为了识别植被场景中的叶片和相邻障碍物,提出了一种三维激光雷达的目标检测算法。以雷达点云中的相邻点构建邻域特征,提取新的特征参数作为判别依据,采用期望最大算法求得混合高斯模型以表征特征参数的分布情况;最后,利用马尔可夫随机场建立先验模型,在最大后验概率框架下采用图割法进行求解,得到最优目标函数。该算法已成功应用于无人驾驶平台。研究结果表明,该算法能有效地识别叶片及其邻接障碍物,可以清楚地分辨障碍物边界。与传统算法相比,该算法具有更高的稳健性和准确率,且其实时性满足实际应用的需求。

针对从三维激光雷达点云中准确实时地分割地面的问题，提出一种基于扫描线段特征的地面分割算法。算法首先对三维点云进行去噪和位姿修正，接着依据相邻点间的欧氏距离和绝对高度差分割扫描线，然后对扫描线段的相邻线段间距、倾斜度、绝对高度差等特征进行分析，采用最大似然估计法求解特征阈值函数，提高了阈值的自适应性；最后综合考虑起伏、倾斜等复杂地形，通过制定横、纵向分类策略将扫描线标记为平坦地面线段、坡面线段和障碍物线段。本算法已成功应用在地面无人平台上，使用情况和对比试验表明，在城市和野外场景中，本算法都能够稳定高效地分割地面。

环境感知是无人驾驶的核心技术之一,而利用三维激光雷达进行障碍物检测一直是国内外的研究热点。本文首先按照传感器的种类介绍了无人车障碍物检测方法的分类,然后介绍了基于三维激光雷达进行障碍物检测的基本原理,之后详细分析了基于三维激光雷达进行障碍物检测的传统方法。其中深度学习是二维图像目标检测及分类的重要方法,在介绍三维激光雷达点云特点的同时分析了点云深度学习的挑战,最后详细分析了三维点云深度学习在障碍物检测方面的研究现状以及发展趋势,并且介绍了自动驾驶领域的KITTI数据集和ApolloScape数据集。

针对车载三维激光雷达在工作前需要对安装外参数进行标定的问题, 综合考虑激光雷达的扫描光束不可见、多线式扫描等特点, 提出了一种激光雷达外参数的标定方法。首先对普通纸箱进行扫描, 以纸箱两个侧面和地面间的相互垂直关系作为约束, 采用随机抽样一致性算法(RANSAC)在获取的点云数据中拟合出三个平面的初始模型, 并通过旋转、平移步骤优化平面模型的拟合精度, 从最优模型中提取同名向量和同名点; 然后基于空间向量的三维坐标系转换模型, 对激光雷达的旋转和平移参数进行求解, 只需采集一次数据即可完成所有外参数的标定; 最后结合仿真和在标定后对室外环境三维重建的结果, 验证了算法的有效性。

通过在多模光子晶体光纤的两端分别连接一根单模光子晶体光纤，对其选择合适的参数，形成一种可以实现低弯曲损耗、大模场单模传输的光纤传输系统。运用数值仿真，分析了该传输系统在模场面积、弯曲损耗、连接损耗等方面的特性。研究结果表明，多模光子晶体光纤与单模光子晶体光纤所组成的系统可实现有效的单模传输；工作波长为1064 nm时，多模光子晶体光纤在直波导状态时的基模模场面积可达1593 μm2；在弯曲半径低至10 cm时，多模光子晶体光纤仍然可以保持低损耗传输。经过对多模光子晶体光纤结构参数的优化，其与单模光子晶体光纤的连接损耗降低至0.085 dB。