负责中近程多传感器融合感知系统的全周期开发，涵盖算法设计、硬件选型、实测验证及适航适配，确保无人机在复杂环境（如城市楼宇、近距集群）下的目标识别、动态避障及安全决策能力。

• 主导设计激光雷达-双目视觉-毫米波雷达三源融合感知架构，基于ROS2 Humble框架开发异构数据对齐与时间同步模块，针对动态遮挡场景优化匈牙利算法与扩展卡尔曼滤波参数，将多目标跟踪准确率从82%提升至95%（测试集含500+组城市道路动态车辆数据）。
• 牵头构建基于YOLOv8+PointPillars的多模态障碍物检测模型，通过迁移学习适配无人机轻量计算场景，部署至Jetson AGX Orin平台后推理延迟从120ms压缩至65ms（满足50Hz实时性要求），在灌木丛、雨雾等低特征场景下漏检率降低18%。
• 搭建半物理仿真测试平台（Gazebo 11+AirSim插件），模拟10类典型障碍物（静态围栏、动态无人机、突然闯入行人）及5种极端气象（暴雨、沙尘、低光），输出200+小时测试日志，推动避障系统在复杂场景下的成功规避率从78%提升至91%。
• 对接民航局适航认证要求，编写《无人机感知系统环境适应性测试报告》，设计温循（-40℃~85℃）、振动（5g~20g）等可靠性测试方案，协助团队通过CTSO-P15b（感知与避障）部分条款认证，缩短认证周期2个月。

聚焦工业级多传感器集成方案开发，负责数据融合算法设计与嵌入式实现，支撑仓储AGV、巡检机器人等场景的高精度定位与环境感知需求。

• 主导研发多模态传感器（MEMS IMU+气压计+超声波）校准算法，基于MATLAB建立温度-误差模型，设计在线补偿机制，将三维定位精度从±0.3m提升至±0.1m（100㎡仓储场景实测），支撑AGV项目获某电商仓200台订单。
• 开发基于STM32H743的传感器数据预处理板卡，优化SPI+DMA传输协议替代传统UART，实现16路传感器数据并行采集，数据吞吐量从800kbps提升至3.2Mbps，端到端延迟降低至5ms，满足机械臂实时避障需求。
• 解决高温高湿（40℃/90%RH）环境下超声波传感器漂移问题，通过引入多项式拟合温度补偿模型与每5分钟自校准机制，产品MTBF（平均无故障时间）从800小时延长至4500小时，客户投诉率下降72%。
• 编写传感器驱动库（C语言）及Python调用API，配套《多传感器融合调试手册》，使团队上层应用开发效率提升30%，支撑3个客户定制项目快速落地。

负责4G/5G通信模块的嵌入式开发与调试，保障物联网设备在弱网环境下的稳定连接与低功耗运行。

• 基于STM32F4平台开发4G模块AT指令交互系统，优化TCP重传策略（将RTO初始值从1s调整为300ms）与QoS优先级配置，解决地下车库等弱信号区域丢包问题，通信稳定性从92%提升至98.5%（实测100+台设备30天运行数据）。
• 设计低功耗管理模块，结合RTC定时唤醒（精度±1s）与电源路径动态切换（空闲时关闭非必要外设），使设备待机时间从7天延长至15天，支撑某水利监测项目200台设备部署超1年无断联。
• 现场调试解决基站兼容性问题，通过分析RSSI（接收信号强度）与SINR（信干噪比）指标，调整设备频点（从Band 3切换至Band 5）及发射功率（从23dBm降至18dBm），项目验收通过率100%。
• 模块化开发通信驱动程序与测试用例（覆盖AT指令集、网络注册、数据透传），团队后续项目复用率达60%，单项目开发周期缩短2周。

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。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。