负责公司全系列工业级无人机多模态感知与避障系统的架构设计、算法优化及工程落地，覆盖物流、巡检、应急场景下的动态/静态障碍物识别、碰撞风险评估与决策控制全链路。

• 主导某型中大型物流无人机（最大起飞重量1.2吨）的感知与避障系统迭代，基于多传感器融合框架（激光雷达+毫米波雷达+双目视觉）重构环境建模模块，引入改进型卡尔曼滤波与动态障碍物轨迹预测算法（LSTM网络），将复杂城市场景下的障碍物跟踪延迟从80ms压缩至45ms，支撑无人机在3m/s侧风环境下的贴楼配送任务（高度≤50m），实测避障成功率从97.3%提升至99.1%。
• 针对电力巡检场景中导线、杆塔等细窄障碍物漏检问题，设计基于点云语义分割的轻量级YOLOv5改进模型（添加注意力机制与边缘增强层），结合自研的多帧差分背景建模方法，将导线识别准确率从82%提升至95%，支撑无人机在±60°倾角下的安全巡检，年度减少因碰撞导致的设备损失约120万元。
• 牵头解决多传感器时间同步难题，搭建基于PTP协议（IEEE 1588）的硬件同步方案，配合FPGA预处理单元实现激光雷达（10Hz）、毫米波雷达（20Hz）、视觉（30Hz）数据的时间戳对齐误差≤5ms，系统端到端处理延迟稳定在60ms内，满足DO-178C标准的实时性要求。
• 主导编写《无人机感知系统测试规范V2.0》，设计包含200+典型场景（如鸟类群袭、突然横穿的行人、反光水面干扰）的自动化测试用例库，推动感知模块MTBF（平均无故障时间）从500小时提升至1200小时，助力公司通过民航局RTCA DO-254功能安全认证。

聚焦智能装备的环境感知领域，负责车载/无人机平台的多源传感器（雷达、视觉、IMU）数据融合算法开发，支撑自动跟车、障碍物检测等核心功能落地。

• 负责车载毫米波雷达与视觉的前向融合感知开发，基于扩展卡尔曼滤波（EKF）实现目标级融合，解决雨雾天气下视觉检测丢失问题，将前车碰撞预警（FCW）的漏报率从15%降至3%，支撑公司ADAS方案通过ISO 26262 ASIL-B功能安全认证。
• 针对无人机低空飞行中的地面杂波干扰问题，设计基于自适应门限的CFAR（恒虚警率）检测算法，优化毫米波雷达点云聚类逻辑（DBSCAN改进版，添加高度约束条件），将地面假目标抑制率从70%提升至92%，保障无人机在山区地形下的贴地飞行安全（高度≤20m）。
• 搭建多传感器标定平台（包含激光雷达、相机、IMU），采用基于棋盘格与运动激励的联合标定方法，将外参标定误差从±5cm（平移）/±2°（旋转）压缩至±1.5cm/±0.5°，为后续融合感知提供高精度时空基准，相关成果应用于公司首款消费级无人机产品，用户反馈避障误触发率下降40%。
• 参与某军工项目的多平台协同感知预研，提出基于时间触发以太网（TTE）的低延迟通信方案，实现3节点（无人机+地面站+无人车）间的感知数据同步传输，端到端延迟≤10ms，为后续跨平台协同避障奠定技术基础。

负责消费级/工业级传感器的硬件选型、电路设计及底层驱动开发，支撑智能设备的环境感知功能落地，覆盖毫米波雷达、超声波、惯性导航等模块。

• 主导公司首款车载毫米波雷达（77GHz）的硬件设计，完成射频前端（TI AWR1642）与MCU（STM32H7）的接口电路开发，优化PCB布局（阻抗匹配、屏蔽层设计），将雷达探测距离从150m提升至200m（10%反射率目标），满足车规级AEC-Q100 Grade 2标准。
• 针对无人机超声波传感器易受电机噪声干扰问题，设计数字滤波电路（二阶IIR陷波器，中心频率40kHz）配合软件自适应增益控制算法，将有效探测距离从8m延长至15m，支撑农业植保无人机的仿地飞行功能落地，年度销量提升25%。
• 开发传感器数据采集与预处理固件（基于FreeRTOS），实现毫米波雷达点云（100点/帧）、超声波距离（10Hz）、IMU（100Hz）的多通道同步采集，数据丢包率从3%降至0.1%，为上层感知算法提供稳定输入，相关代码被纳入公司传感器驱动SDK，复用率超80%。
• 建立传感器可靠性测试体系（温循测试-40℃~85℃、振动测试5g~20g），完成12款传感器的选型验证，筛选出3款高性价比器件，降低物料成本18%，同时保障量产产品的MTBF≥3000小时。

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。