无人机（UAV）通过实时环境感知与规划，可实现在障碍场景中对移动目标的跟踪，但在密集障碍下跟踪急转大机动目标时，仍存在响应滞后、目标遮挡与障碍碰撞风险高的问题。对此，提出一种能见性增强的急转大机动目标跟踪分层轨迹规划方法。前端路径规划构建融合历史与实时目标轨迹的启发函数，以结合目标实时运动状态，提高UAV跟踪的响应速度。后端轨迹优化融入目标与障碍能见性约束以实现稳定跟踪，具体包括：基于椭球序列构建视场（FOV）模型以提升遮挡检测准确性；根据观测到的障碍密度自适应调整跟踪距离，以提高目标能见性；约束UAV视线与运动方向的夹角，提高障碍的持续能见性以降低碰撞风险。仿真试验表明，相比于vis-planner与fast-tracker，本文方法可提升目标跟踪成功率，在密集障碍环境下对急转大机动目标的跟踪成功率可达80%以上。

针对吸气式高超声速飞行器飞行过程中突然发生推力损失影响任务目标与飞行安全的问题，提出了一种在线容错轨迹规划方法。首先，建立了吸气式高超声速飞行器纵向动力学模型与爬升剖面策略模型，基于爬升剖面将轨迹优化转化为有限参数优化问题，并分析了在线轨迹规划的性能指标；随后，在离线阶段开展了吸气式高超声速飞行器飞行能力评估方法研究与燃料预测深度神经网络（DNN）建模，通过将状态约束与控制约束转化为飞行能力边界解决了轨迹优化问题中约束复杂的问题，基于动力学模型知识建立飞行状态变化率与燃料变化率的映射关系，提升了燃料消耗预测耗的效率；在线过程中通过扰动加速粒子群算法进行轨迹参数优化，兼顾优化算法的效率与稳定性。通过数学仿真验证可知，提出的方法能够在1 s以内实现轨迹参数的快速优化，与深度神经网络优化方法相比，燃料消耗节省1.3%，飞行时间缩短了3.4%，验证了本方法的有效性。

直升机因其独特的飞行能力在军事与民用领域得到广泛应用，但其复杂的飞行包线和固有的非线性、强耦合动力学特性，使得飞行安全面临严格的边界限制。飞行边界保护技术旨在通过预测潜在的越限风险并采取有效的避免措施，以降低飞行员工作负荷、提升飞行安全和最大化可用机动性能，是现代直升机飞行控制领域的核心研究方向。系统综述了直升机飞行边界保护的关键技术和研究进展。首先概述了直升机飞行边界的构成、分类及其典型限制参数。随后，按照“边界预测”与“边界规避”两大核心环节，详细阐述了多种边界保护方法。在边界预测方面，重点分析了动态配平法、峰值响应估计法和数据驱动方法的原理和适用性；在边界规避方面，评述了基于座舱告警的边界保护策略，以及基于指令限制和控制限制的自动干预架构、基于状态限制和保护量反馈的边界规避方法，以及边界约束与控制律的融合设计等方法。通过对不同边界保护方法的仿真对比，展现了各种方法在机动性、边界保护效果和鲁棒性等方面的特点。最后，总结了当前研究面临的主要挑战，包括先进构型直升机的边界保护策略设计、边界保护与飞行品质的权衡以及不确定性与故障下的鲁棒容错边界保护等，并对未来向智能化、自适应化和一体化发展的趋势进行了展望。旨在为直升机边界保护技术的研究与工程应用提供有价值的参考。

无人机（UAV）视觉定位是复杂环境下自主飞行的关键技术。在全球卫星导航系统（GNSS）受限或拒止条件下，传统惯性测量单元（IMU）/视觉里程计（VO）融合及人工特征匹配方法难以适应跨视角、大尺度和复杂光照场景。近年来，深度学习的发展显著提升了无人机视觉定位的精度与鲁棒性。围绕近年来基于深度学习的无人机视觉定位技术开展系统综述，梳理了相关研究的发展脉络并依据技术路线将现有方法归纳为基于模板相似度匹配、基于特征描述算子匹配和基于端到端位姿回归3大类；进一步对各类方法的关键技术进行了细化分类，系统分析了代表性方法的核心思想、技术特点、适用场景及性能表现，并比较了不同方法在定位精度、鲁棒性和实时性等方面的优势与不足。在此基础上总结了当前研究面临的地图不完备、跨视角变化、复杂环境适应性及定位可靠性等关键挑战，并对多传感器融合、运动连续性约束及智能自主定位等未来发展方向进行了展望，以期为无人机视觉定位技术研究提供参考。

在航母舰载机保障作业调度中，无模型强化学习（MFRL）在动态甲板场景下受到物理环境建模精度的制约，而基于模型的强化学习（MBRL）因环境模型与决策模型在迭代训练中存在相互依赖的协同优化问题，面临计算复杂度高与收敛困难的挑战。对此，提出了一种融合有模型与无模型（MB-MF）特性的混合强化学习框架。首先，利用历史调度数据训练基于深度神经网络的甲板环境模型，使其在最小容差范围内精确预测状态转移；然后，将收敛后的环境模型替代真实环境，内嵌入交互环境中，结合深度Q网络（DQN）算法训练调度智能体，实现环境模型学习与策略优化的解耦；最后，经实验验证表明，与使用物理环境的MFRL相比，该方法在无需精确建模的情况下性能差距仅为4%。而相较于MBRL基线方法，舰载机出动时间则缩短34%。同时在资源受限场景中，决策速度较启发式方法提高近300倍，而调度质量仅降低17%。

针对旋翼无人机（UAV）编队飞行过程中高速穿越狭窄通道并尽可能保持相近编队构型的问题，提出一种多阶段UAV编队队形安全变换方法。首先，将UAV编队中心看成虚拟领导者，根据UAV的运动学约束，通过混合整数线性规划规划出一条平滑、高速、距离障碍物最远的虚拟领导者轨迹以及编队整体的安全飞行空间；然后，根据编队安全飞行空间和虚拟领导者轨迹求解一个无外部和内部碰撞，且相较初始构型改变较少的编队构型；之后，基于生成的编队构型和虚拟领导者轨迹，分布式计算每个UAV的期望轨迹，并提出一种结合非线性优化与协同时间重分配的分布式算法，对各UAV轨迹进行优化，使其在满足运动学约束的前提下，实现高速飞行与编队保持。仿真结果表明：所提方法能使UAV编队在满足运动学约束的情况下，高速、安全穿越狭窄通道，同时尽可能保持相近的编队构型。

合成孔径雷达（SAR）凭借全天候成像优势广泛应用于对地观测，但其成像机制固有的斑点噪声、强背景杂波干扰以及缺乏直观几何纹理的特性，导致复杂散射场景下的高精度语义分割面临巨大挑战。现有深度学习方法多依赖各向同性卷积，难以有效解耦频域噪声与空间结构，基于光学先验引入的跨域辅助分割方案往往受限于对严格配准光学-SAR成对数据的依赖，限制了其适用性。为此，提出一种语义归纳双域各向重构GAN框架（SIDAR-GAN）。该方法突破了对严格配准数据的依赖，设计了基于生成对抗网络（GAN）的跨域一致性学习机制。通过构建语义归纳GAN（SI-GAN）与双域结构对齐（DDSA）模块，从生成器编码层提取隐含的光学几何与纹理先验，并通过跨域注意力机制将其自适应注入SAR特征空间，实现了非配准条件下的高鲁棒性语义归纳。进一步设计的频-空扰度解析模块（FSDP），通过频域扰度解析分支利用小波多尺度分解实现噪声的频域隔离与自适应抑制，同时利用空间各向解析分支引入形状偏置卷积核，强化目标（如舰船、建筑）在惯性方向上的特征表达，从频空双域联合建模结构与噪声特性。在SARBuD建筑数据集与HRSID舰船数据集上的实验表明，该方法Dice系数分别达到77.66%和92.28%，与18种主流模型相比，噪声抑制能力与边界提取精度显著提升，为弱纹理条件下的SAR精细化解译提供了新的跨模态语义驱动范式。

为提升数字阵列雷达在“宽发多收”模式对大范围防空区域的快速搜索能力，提出了一种基于动态波束赋形的搜索资源优化方法。首先针对波束在角度域的畸变问题，将波束搜索空间映射至方向余弦坐标系，对波束指向与扫描损耗实现协同表示，其次根据各波束的能量需求建立了赋形波束模型，基于波位网格推导了赋形波束的形状和方向增益表达式，然后以最小化搜索帧周期为目标函数构建了“波束‑驻留时间”联合优化模型，通过动态优化波束驻留时间与波束形状实现快速搜索，并针对性设计了预处理策略和求解方法，最后对所提优化方法的有效性进行仿真验证。实验结果表明：所提动态波束赋形方法能够利用少数波束实现对空域的有效覆盖，搜索帧周期可较常规逐波位扫描方法缩短32.35%以上，为数字阵列雷达的赋形波束运用提供了参考。

人造卫星通常需要携带一些挠性附件以满足其通信和能量的需求，这类附件与卫星中心刚体间的耦合效应会严重影响姿态控制的响应速度和控制精度。面向挠性卫星的快速高精度姿态控制问题，提出了一种连续非奇异的量化精度姿态跟踪控制方法。首先，设计了一个非奇异终端滑模面，如果该终端滑模面的值保持在零附近指定的邻域以内，姿态跟踪误差将在规定的时间内收敛到要求的精度并长期保持。然后，将性能函数方法与该终端滑模面结合，构造了一个连续非奇异姿态跟踪控制器。在该控制器作用下，终端滑模面将在指定的时刻之后保持在上述零附近的指定邻域内，由此实现了挠性卫星的量化精度姿态跟踪控制。考虑到现实中卫星会受到各种扰动的影响，并且挠性附件的振动情况难以通过传感器实时测量，分别设计了2个自适应律用于抑制上界未知的外部扰动力矩和挠性附件振动引起的刚柔耦合效应。最后，通过数值仿真对所提姿态控制方法的有效性进行了验证。

在多域协同与目标态势感知任务中，传统高精度波达方向（DOA）估计方法通常依赖已知且固定的信源数。然而在持续跟踪过程中，目标数量可能随时间发生变化，导致基于固定信源数的模型失效。同时，被动阵列观测中多目标信号往往以叠加形式出现，难以直接构建对单目标有效的似然函数，从而限制了随机有限集（RFS）滤波方法在DOA跟踪中的应用。为解决上述问题，提出一种基于泰勒展开的投影相消DOA连续跟踪方法。该方法通过将预测角度附近的导向矢量进行泰勒展开，构造扩展信号子空间，并利用逐源投影算子消除其它目标的干扰分量，从而获得与单信源等价的伪谱，实现多源叠加观测的分解与稳健的单目标似然构建。同时，基于投影相消谱的能量结构与粒子权重分布特征，提出了一种无需预先估计信源数的生灭检测机制，可在概率假设密度（PHD）滤波器滤波中自适应调整似然维度。实验结果表明：该方法在低信噪比及信源动态变化条件下相较于传统方法具有较好的DOA跟踪性能。

针对现有车辆-无人机（UAV）协同配送研究中忽略路网时变性、目标单一及约束整合不足的问题，聚焦多配送中心取送货场景，以“总路径长度最小化、惩罚成本最小化、总能耗最小化”为决策目标，整合时变速度、软时间窗及无人机续航和载重等多重约束，提出基于时段划分的时变速度模型与软时间窗惩罚机制，构建多目标多约束优化模型。在NSGA-Ⅱ基础上，设计“客户排序-配送中心分配-无人机服务标记”3层染色体编码结构，搭配混合交叉算子和交叉变异、单点变异、位翻转变异3类变异算子，以及锦标赛选择与精英保留的双层选择策略，建立改进NSGA-Ⅱ算法对模型求解。基于4个配送中心、36个客户的算例开展研究，结果显示NSGA-Ⅱ算法的总路径分布在100.35~291.21 km、惩罚成本分布在831.69~12 323.58元、总能耗分布在20.88~66.67 kW·h，生成的Pareto前沿分布均匀，综合考量HV、IGD和Spacing指标显著优于SPEA2、MOEA/D和NSGA-Ⅲ等多目标算法。进一步以天津市部分主城区真实路网为场景开展验证，结合高德地图API获取实际道路距离数据，构建真实城市下含多类型客户需求的配送网络，结果表明优化方案可适配城市复杂路网特性与异质需求，兼顾效率、成本与低碳目标。研究证实所构建的模型和算法可行有效，能为物流企业提供贴合实际场景的决策支持。

针对基于四元数描述的经典终端滑模（TSM）控制方法直接用于航天器姿态控制易引发姿态退绕的问题，考虑执行器输出受限、外部扰动幅值未知等控制综合要素，提出一种集成抗退绕与输入饱和抑制能力的终端滑模控制方法。首先，基于单位误差四元数构建刚体姿态跟踪动力学模型，提出一种新型终端滑模函数，并基于Lyapunov稳定性理论证明了姿态跟踪系统在相应滑模降阶系统上的有限时间稳定性与抗退绕性能。进一步运用含动态参数和辅助系统的控制律，确保系统状态在有限时间内收敛且保持全局抗退绕特性。通过引入非线性扰动观测器（DOB）对集总扰动进行动态补偿，有效提升了系统的鲁棒性能。最后，仿真结果表明，该方法能够在30 s内迅速完成高精度姿态指向，同时避免退绕现象的发生，其控制力矩满足0.1 \mathrm{N}\cdot \mathrm{m}的幅值约束，验证了所提方法的有效性。

针对高超声速再入滑翔导弹末制导段考虑探测视场角等约束的突防/打击一体化设计问题，提出一种基于约束马尔可夫决策过程（CMDP）的拉格朗日-近端策略优化智能突防决策算法和针对多场景的自适应训练方法。假设末制导段滑翔弹采用偏置比例导引律打击目标，以拦截弹-滑翔弹、滑翔弹-目标相对运动状态作为状态空间，以偏置加速度的变化率作为动作空间，综合考虑滑翔弹的突防/打击结果、控制能量消耗、约束满足情况以及拦截弹的速度矢量前置角设计奖励函数，构建关于视场角的约束成本函数，建立突防/打击问题约束马尔可夫模型。通过拉格朗日乘子将约束引入策略网络损失函数，并引入约束成本Critic网络构建突防网络，采用近端策略优化（PPO）算法对网络进行训练得到偏置加速度。建立作战场景复杂度分级规则，提出“前期渐进学习+后期难点多学”作战场景自适应采样训练方法，以提升突防策略的收敛速度以及对不同作战场景的泛化性。仿真结果表明：该智能突防/打击一体化策略能使滑翔弹在成功突防和以指定落角命中目标的同时全程满足视场角约束，且具有良好的泛化性。

低轨卫星网络的时变特性以及地面站分布不均衡等问题，对网络的鲁棒性优化及流量的高效管理提出了严峻挑战。为此，提出了一种融合多维时空特征的低轨卫星关键节点评估算法，旨在精准识别维持地面站间高效通信的关键节点。该算法基于星间与星地网络的双层交互关系构造时变拓扑图，依据局部结构属性和全局依赖关系设计了多维节点特征体系，融合多层图卷积网络与长短期记忆网络构建多维时空特征提取模型，捕捉网络时空演化规律并完成节点重要度评价。仿真结果表明所提算法在评估结果准确度与时序稳定性方面均具有明显优势，对基于该算法识别的关键节点实施分流策略能够有效缓解高负载下的网络拥塞情况，为卫星网络的负载优化策略提供了新的研究思路。

针对现有舰载机保障作业调度研究中存在的子任务耦合关系挖掘不足以及动态适应性受限等问题，研究具有多阶段依赖关系的舰载机保障作业调度问题。首先，通过将保障站位分配与舰载机保障顺序决策建模为多智能体马尔科夫决策过程，建立了舰载机保障作业调度子任务间序贯耦合关系的数学表征；然后，提出了基于独立深度Q网络（DQN）的多智能体协同决策框架，该框架采用了分布式训练-执行机制，具体包括保障站位分配模块、舰载机保障顺序决策模块和多智能体协同调度模块；进一步地，基于该框架提出了基于多阶段顺序决策机制的舰载机保障作业协同调度算法对模型进行求解；最后，仿真实验结果表明，所提算法收敛后的平均奖励值相较于Dueling DQN和N-step DQN方法分别提升27.08%、14.19%，奖励标准差相较于Dueling DQN和N-step DQN方法分别提升56.44%、45.43%，验证了多阶段协同决策机制在解决复杂调度问题中的有效性。

旋翼失效使四旋翼无人机呈现出强非线性、快时变与严重欠驱动等特性，传统控制方法难以维持其飞行稳定，极易导致无人机失稳坠毁。因此，提出了一种基于分层自适应思想的多模式容错控制方法。该方法创新性地构建了一个由动态权重非线性模型预测控制（DWNMPC）和自适应增量非线性动态逆控制（AINDI）组成的分层控制框架。上层DWNMPC控制器通过设计一种状态依赖的权重自适应机制，根据无人机姿态误差在线动态调整代价函数中各状态的权重，实现了在故障瞬间优先保障姿态稳定以抑制翻滚，待系统稳定后则平滑过渡至精确轨迹跟踪任务。为应对严重故障下的模型不确定性与强气动干扰，下层设计了AINDI控制器对DWNMPC指令进行在线鲁棒自适应修正，该控制器利用传感器测量实时补偿未建模力矩，并采用带遗忘因子的递推最小二乘法（RLS）在线辨识转动惯量等关键参数，显著增强了系统的鲁棒性。实验结果表明，所提出的分层自适应容错控制方法在无故障、单旋翼部分失效和完全失效工况下均展现出良好的轨迹跟踪能力，且控制过程仅依赖无人机自身机载传感器进行状态估计，体现了其在实际物理环境下的高普适性。在单旋翼完全失效并导致机体以约-10.5 rad/s高速自旋的极端情况下，轨迹跟踪均方根误差相较于无故障时在x、y、z轴上仅分别增加了0.047 6 m、0.054 5 m和0.083 m，显著提升了无人机的可靠性与安全性。

针对飞机编队对抗仿真场景中行为模型构建过程复杂、人工依赖程度高等问题，通过融合大语言模型技术，实现飞机编队协同对抗行为的智能化建模。构建一种融合大语言模型技术的复合分层行为建模框架，实现语义驱动的自动化建模流程。设计一种基于“系统-用户”分层架构的提示工程方法，实现概念语义到形式化状态机的转化。提出一种基于向量检索机制的“状态-行为”关联方法，实现决策状态与行为树节点的智能高效匹配。基于上述方法，构建典型飞机编队协同战术行为模型，并在典型对抗场景中开展仿真实验。仿真实验表明，该框架与方法可支撑编队协同对抗行为的智能化快速建模，验证了所提出框架的适用性以及建模方法的有效性。

为了满足飞翼无人机（UAVs）完成飞行任务完整剖面的使用需求，宽工况条件下的姿态自主可靠控制具有重要的决定性作用，但如何克服飞翼无人机自身的纵向操纵能力不足、航向稳定性弱以及宽工况条件下的强非线性特性、外界扰动等多因素的综合影响实现精确稳定控制，是一个重要的难点问题。围绕宽工况条件下的飞翼无人机姿态自主可靠控制问题进行研究：首先，为了克服飞行器强非线性特征以及模型偏差的影响，设计了基于增量非线性动态逆（INDI）的姿态控制方法，并结合飞行器协调转弯的动力学特性，实现了伪指令的合理计算。基于所提出的方法，开展了纵向、横航向通道以及侧风扰动等情况下的充分仿真测试，验证了所提出方法的有效性与不足；其次，针对INDI中的微分计算问题，设计了基于跟踪微分器（TD）的伪指令优化方法；最后，开展了INDI与TD相结合的姿态控制器的仿真实验与实际的飞行试验，验证了所设计方法的优势与可行性。

航空交通系统中，构建统一不同决策阶段的供需态势建模框架，对于实现多层级、多阶段的高效协同决策至关重要。为此，构建了基于异构Agent的航空交通网络供需态势统一推演模型（简称异构Agent模型）。首先，表征了网络节点完备性与延误预测误差的函数关系，从理论上证明空域网络结构完备性对延误表征精度具有决定性影响；随后，将Agent交互机制与流体排队理论结合，构建了覆盖航班、机场与空域的多元要素耦合的统一动态框架。通过定义航班、机场、扇区3类异构Agent，建立状态迁移与拥堵/延误传播机制，并基于历史广播式自动相关监视（ADS-B）航迹数据标定扇区服务时间，确定扇区流体排队系统的主要输入参数，实现系统运行状态在不同层级间的映射与并行推演。最后，以中国250个机场、287个扇区和航季级航班运行数据为样本，在航班时刻配置、次日飞行计划及突发容量下降3类场景中开展验证。结果表明，异构Agent模型在各场景中的延误预测精度均优于现有方法，能够在战略、预战术及战术决策阶段实现“航班-机场-空域”一体化的供需态势分析，并能够为航空交通系统的规划、评估与运行管控提供可靠、准确且高效的决策支撑。

以大语言模型、视觉语言模型与视觉基础模型为代表的大型基础模型（LFMs），正推动无人飞行器（UAVs）智能化的新一轮演进。围绕该趋势，首先对相关模型的关键特性与通用能力进行了归纳，总结其驱动的主流具身架构，并比较不同架构在无人飞行器高动态、强约束场景下的适配性。其次，阐明了各类大型基础模型如何通过开放环境理解、任务级语义规划、具身推理控制及多模态交互等方式，重塑无人飞行器感知、规划、控制与交互四大核心功能要素。进一步聚焦大型基础模型驱动的高阶认知功能，探讨了推理、记忆、反思与想象在应对无人飞行器复杂场景下的作用机制、实现途径、技术局限及评测范式。总结了大型基础模型在视觉-语言导航、主动目标搜索、语义物流配送及集群智能协同等4类典型决策任务中的赋能模式与前沿进展。最后，深入讨论了安全风险与防护机制、工程落地与端侧部署等核心挑战及应对策略，并从高效基础智能构建、感知-认知跨越及泛在智能产业融合等方面展望了未来发展方向。