负责公司全系列工业级无人机多传感器融合感知系统设计、避障算法迭代及复杂场景验证，主导解决城市楼宇、山区等动态环境下的感知延迟与误判问题，支撑物流/巡检场景的自主飞行安全。

• 主导设计基于激光雷达+双目视觉+毫米波雷达的多源异构感知系统，采用时间同步触发电路（精度±0.5ms）与ROS2 DDS中间件实现数据帧对齐，针对城市高楼群导致的点云畸变问题，提出基于法向量聚类的动态点云滤波算法，将感知建图误差从0.3m降至0.12m，支撑某电网巡检项目在30层楼宇间的稳定绕飞。
• 核心优化避障决策逻辑，针对传统A*算法在密集障碍物场景下的路径震荡问题，引入强化学习（PPO算法）训练局部路径规划器，结合IMU预积分补偿无人机姿态扰动，在模拟测试中使紧急制动响应时间从180ms缩短至110ms，实测复杂仓库环境中碰撞率下降57%。
• 牵头解决电磁干扰场景下的传感器失效问题，通过搭建暗室测试平台复现2.4GHz/5.8GHz频段干扰，提出基于自适应陷波滤波的雷达信号处理方案，配合视觉特征点跟踪（ORB-SLAM3）的重定位冗余设计，将电磁干扰下的感知失效概率从12%降至2%，保障某应急物资运输项目在高压变电站周边的可靠运行。
• 建立感知系统全生命周期测试标准，开发自动化测试脚本（Python+Gazebo仿真），覆盖雨雾（能见度50m）、强光（10万lux）、沙尘（PM10>500μg/m³）等6类极端环境，推动感知模块MTBF（平均无故障时间）从800小时提升至1500小时，支撑产品通过民航局RTCA DO-365A适航认证。

聚焦消费级无人机视觉避障功能开发，负责单目/双目视觉感知算法优化及多场景适配，解决低光照、动态遮挡等场景下的障碍物检测延迟与识别准确率问题。

• 基于OpenCV与深度学习框架（PyTorch）重构视觉感知 pipeline，针对夜间弱光场景（照度<10lux），设计自适应直方图均衡化（CLAHE）预处理模块与轻量级YOLOv5s目标检测头，将障碍物检测帧率从15fps提升至28fps，识别准确率从79%提高至91%，支撑某运动相机品牌联名款无人机夜景跟拍功能落地。
• 解决动态遮挡场景下的目标丢失问题，提出基于光流法（Lucas-Kanade）与卡尔曼滤波的目标跟踪融合方案，在行人穿梭的公园场景测试中，目标连续跟踪时长从2.3秒延长至5.8秒，避障决策稳定性显著提升，该方案获公司年度技术创新奖。
• 参与首款量产机型避障功能调优，搭建半物理仿真平台（结合Vicon动作捕捉与真实场景投影），完成12类典型障碍物（树木/电线杆/人群）的数据库标注（累计50万帧），推动视觉避障模块量产良率从85%提升至96%，助力机型首月销量突破10万台。

负责无人机传感器模组（摄像头/IMU/气压计）的硬件设计与调试，保障感知数据采集的稳定性与时序一致性，为上层算法提供高质量输入。

• 主导设计双目视觉模组硬件方案，选型1/2.5英寸500万像素全局快门CMOS（SONY IMX298），配合FPGA（Xilinx Artix-7）实现硬件同步触发，解决高速运动下图像模糊与视差计算误差问题，模组输出图像信噪比（SNR）达到42dB，满足算法对特征点提取的需求。
• 优化IMU与视觉数据的时间同步电路，采用SPI接口+硬件中断触发机制，将同步误差从±15ms压缩至±3ms，配合后端卡尔曼滤波补偿，使视觉-惯性里程计（VIO）的定位漂移率从0.5%/s降至0.15%/s，支撑早期消费级无人机的室内悬停稳定性。
• 解决传感器模组在高温（60℃）下的热漂移问题，通过热仿真（ANSYS Icepak）优化PCB布局，增加温度传感器（DS18B20）与补偿算法，将IMU零偏稳定性从0.8°/h提升至0.3°/h，保障无人机在夏季户外作业时的感知可靠性。

高分辨率多光谱-激光雷达融合载荷研发及农业产业化应用

• 农业植保领域亟需解决作物病虫害早期精准检测痛点，但现有无人机载荷普遍存在多光谱分辨率不足（≤10nm带宽）、激光雷达点云密度低（≤100点/㎡）的问题，无法实现光谱特征与三维结构的有效关联。项目目标是研发集成高分辨率多光谱相机、中距激光雷达及AI融合算法的载荷，支撑作物叶片微光谱提取与病虫害预警，满足精准农业作业需求。我作为系统研发负责人，统筹硬件架构设计、算法开发及量产落地全流程。
• 项目面临两大核心挑战：一是多源数据时空同步——多光谱相机（10Hz）与激光雷达（20Hz）采样频率不匹配，导致数据错位误差达50ms，严重影响融合精度；二是复杂环境泛化——不同作物生长期（苗期vs花期）光谱反射率差异超30%，传统CNN模型在跨阶段数据上准确率下降15%。针对前者，我提出FPGA实时时间戳对齐方案，通过硬件级同步机制将误差压缩至5ms内；针对后者，设计Transformer-based多模态融合模型，用自注意力机制关联光谱与点云特征，结合迁移学习预训练苗期数据，适配花期场景。
• 我主导了载荷硬件架构设计，选用索尼IMX585多光谱传感器（带宽5nm）与大疆Livox Avia激光雷达（点云密度240000点/秒），完成PCB Layout与EMC电磁兼容测试，解决了多传感器信号干扰问题；算法端搭建PyTorch训练框架，采集10个省份、5种作物的20万组样本，通过数据增强（如模拟不同光照、遮挡）优化模型泛化性，将推理时间从80ms/帧降至30ms/帧；推动量产落地，引入自动化校准流程（基于机器视觉的光轴标定），将出厂校准时间从4小时缩短至1小时。
• 项目成果显著：载荷实现多光谱分辨率3nm、点云密度2000点/㎡，病虫害早期检测准确率达92%（较行业平均高8%），已量产120台，交付黑龙江、河南等5省农业植保服务商，累计完成100万亩农田作业，为公司带来3000万营收。我的核心贡献是攻克了多源数据融合的核心瓶颈，推动产品从实验室原型到规模化量产的转化，奠定了公司在农业无人机载荷领域的技术壁垒。

城市安防光电吊舱智能目标跟踪系统优化

• 城市安防场景中，无人机光电吊舱的目标跟踪易受遮挡（人群/树木）、高楼反光等干扰，传统相关滤波算法跟踪准确率仅85%，且帧率低（15fps）无法满足实时布控需求。项目目标是优化跟踪算法，提升复杂场景下的鲁棒性与嵌入式平台实时性。我作为算法核心工程师，负责算法设计与迭代落地。
• 项目难点在于两点：一是遮挡下的目标漂移——传统相关滤波依赖历史模板更新，遮挡时易导致跟踪框偏离；二是实时性不足——深度学习模型参数量大，难以在Jetson TX2嵌入式平台（算力4TOPS）上运行。针对前者，我改进Siamese网络，加入空间注意力机制（SAM），通过特征图掩码抑制遮挡区域响应，保留目标核心特征；针对后者，采用TensorRT对模型进行剪枝（去除冗余卷积核）与INT8量化，压缩模型大小至30MB。
• 我收集了5万组城市安防跟踪样本（包含遮挡、反光、快速移动等场景），标注目标边界与状态；搭建TensorFlow Lite训练框架，迭代优化注意力机制模块，将遮挡场景下准确率从70%提升至88%；在Jetson TX2平台上部署优化后的模型，通过TensorRT加速，将推理帧率从15fps提升至35fps，满足实时布控需求。
• 项目成果：跟踪准确率提升至95%，响应时间降低40%，算法成功应用于深圳、广州等3个城市安防无人机项目，帮助客户减少目标丢失率60%，提升了出警效率。我的贡献是突破了遮挡场景下的跟踪技术瓶颈，实现了深度学习算法在嵌入式平台的实时运行，为公司在安防领域的市场拓展提供了关键技术支撑。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。