地理实体边界的估计精度是高精度三维建模领域比较关注的问题之一。基于三维激光扫描传感器的移动测量系统可作为高精度物体外观测量的技术支撑平台，其中平面拟合算法的精度直接决定了从点云数据中提取被测物体表面特征位置的可靠性，从而影响对测量物体边界的确定。针对该问题，以点到拟合面的最短距离为拟合约束条件，通过推导平面方程系数和点位置偏差矢量的内在关系，建立新的平面方程拟合方法，利用牛顿迭代法和最小二乘原理计算平面的位置和姿态，并建立评定平面方程的精度指标，包括平面姿态误差和位置误差等。仿真和实测数据表明平面拟合方法的精度较高、较为可靠。

随着可再生能源的大规模开发和海量终端的高比例并网，下一代智能电网中的网络负载将进一步加剧，这给电力传感网络进行实时数据收集和处理、全域信息监测等带来了前所未有的巨大挑战。同时，传感器节点存在着能源补充困难和计算资源有限的问题，传统的网络结构难以满足新一代电网的需求，因此，研究如何提高电力传感网络的能量效率具有现实意义。本文提出一种移动边缘计算（MEC）辅助的电力传感网络计算卸载方案，在计算资源受限的情况下，对节点的任务处理时延和能耗进行优化，通过将优化问题建模为马尔可夫决策过程（MDP），并使用双重Q网络（DDQN）算法对问题进行求解，以最小化系统总开销。仿真结果表明所提出的方案在时延、能耗和收敛性能等方面均优于基准方案。

由于黑灯工厂中光照条件差且部分区域结构特征相似，为提高移动机器人在黑灯工厂的同步定位与建图算法精度，提出TSR-LIO-SAM算法，将激光雷达与惯性测量单元（IMU）紧耦合，使用预积分因子补偿IMU的动态误差，并利用IMU的高频输出消除激光雷达点云畸变，同时提出基于时空间阈值的关键帧选取与局部建图策略，结合线面特征与点云概率分布来改进迭代最近点（ICP）算法，并配置动态权重优化点云配准。实验结果表明，TSR-LIO-SAM算法相较于LEGO-LOAM和LIO-SAM算法，平均误差分别减少了77.96%、9.77%，均方根误差分别减少了78.64%、8.49%，证明了TSR-LIO-SAM算法在室内环境下的有效性。

如何提高测量范围与多位姿测量数据融合精度是实现大构件高精度测量的关键。文章设计了一种基于摄影测量的机器人移动跟踪测量系统，实现了大范高精度多位姿测量数据融合，完成了高速列车车体的测量。具体地，针对高速列车车体尺寸达25m×4m×4m，单测量设备范围有限的问题，系统通过机器人抓取结构光设备与导轨对机器人的移动实现了系统大范围的测量。为了实现多位姿下高精度测量数据融合，系统通过多个单目相机跟踪测量相机的移动，实现多个位姿下的测量数据快速，并利用跟踪数据准确地对齐至同一坐标系。将系统与激光跟踪仪T-Scan测量系统分别对车门尺寸进行测量实验，实验验证了所设计的测量系统和激光仪T-Scan测量系统的测量精度相当。

为适应未来超5G/6G对超高密度天线与带宽密集型应用的需求，构建低成本、大容量且高保真度的移动前传系统是重要的解决方案之一。利用低成本的直调直检（IM-DD）前传系统方案，基于数模光载无线（DA-RoF）调制技术和空分复用（SDM）技术，开展太比特级通用公共无线电接口（CPRI）等效数据速率的通信系统研究。基于1024阶正交幅度调制（QAM）信号，通过联合优化调制因子，实验分别实现符号率为40 GBaud下CPRI等效数据速率为313 Gbit/s的10 km标准单模光纤传输、30 GBaud下1.64 Tbit/s的10 km七芯光纤传输，以及60 GBaud下3.28 Tbit/s的1 km七芯光纤传输，其恢复信噪比（RSNR）分别为32.4 dB、33.54 dB、32.44 dB。实验结果证明了基于IM-DD的太比特数模光载无线通信技术在未来高性能中短距离移动前传系统中的应用潜力。

为解决白光干涉测量系统中由机械振动和环境扰动等因素引入的相位噪声影响，提出一种多周期移动差分的相位噪声预处理方法。首先，基于数学解析法，从白光干涉信号相位分布中分离出由相位噪声引起的强度误差项，并对干涉信号进行最小二乘正弦拟合，推导出给定拟合区间下的多周期信号差分方程；然后，通过移动拟合区间，即可根据相位噪声的正态分布特性消除每个区间内与相位噪声相关的误差项；最后，利用快速傅里叶变换法对消除相位噪声的干涉信号进行包络线提取，再结合改进的七步移相法提高零光程差位置的计算精度。实验结果表明：在仪器扫描误差的振幅约为15 nm时，利用所提方法得到样品阶跃高度［标称值为（11.97±0.05） μm］的测量相对误差为0.05%，重复性测试的标准差为6 nm，相位噪声抑制率达到92.8%。这在很大程度上验证了所提方法的有效性。

随着工业自动化的不断发展，工业机器人的应用迅速增加。自主移动机器人在未知的环境中实现同步定位和地图构建（SLAM）成为了研究领域的热点。目前激光SLAM技术取得了巨大进展，很多开源的激光SLAM方法也已经成熟，但它们在真实环境中的性能得不到证实。本文旨在室内环境下，对履带式移动机器人系统应用三种主流的激光SLAM算法来评估算法在真实环境中的定位性能。实验结果表明，在小型场景中Gmapping算法的定位性能更优，而Karto和Cartographer算法的差异较小，需要根据实际场景的复杂性进行选择。

为解决经典距离向量跳段（DV-Hop）定位算法存在较大误差问题，提出一种基于多通信半径修正跳数计算未知节点位置的DV-Hop改进扩展算法。通过对无线传感器网络（WSN）中多通信半径与信邻/信标节点间跳数分级细化，精确移动物联感知传感定位跳数，修正网络拓扑结构不规则多级通信半径。研究结果表明：不同通信半径下，该算法定位误差较传统DV-Hop算法、基于改进的樽海鞘群算法的DV-Hop（ISSA_DV-Hop）算法、基于差分进化的DV-Hop（DE_DV-Hop）算法分别降低约36.78%、10.63%、21.15%；不同信标节点数下，该算法定位误差比上述3种算法定位误差平均减小约33.17%、15.36%、21.07%。由此说明，基于DV-Hop修正算法可提高移动物联感知传感定位精确度，在无需添加硬件情况下能够减少数据误差，并确保WSN中未知节点平均跳距更符合DV-Hop定位算法实际和网络传感要求。

针对Informed-RRT^*算法初始路径形成缓慢、失败率高及路径质量差的问题，提出基于人工势场法的选点策略。首先，筛选出优质采样点,同时,引入双向直连的贪心策略和动态步长策略，快速获得初始路径并尽快进入遍历寻优阶段；其次，通过新的采样策略及评价函数，保证规划路径更优；最后，对路径优化处理，所得路径更适合移动机器人的行驶。仿真实验结果表明，改进算法相比于Informed-RRT^*算法性能更优，其中，改进算法在不同环境中的成功率均为100%，同时也证明了在限定采样次数下改进算法的收敛速度、路径质量均优于原算法。