负责工业级无人机多模态感知与避障系统的全周期开发，涵盖算法设计、硬件集成、仿真测试及场景适配，确保复杂环境（如电力巡检、森林消防）下无人机自主飞行的安全性与可靠性。

• 主导设计基于激光雷达-视觉-毫米波雷达的多源融合避障系统，针对电力巡检场景中导线、杆塔、鸟类等动态障碍物，采用改进扩展卡尔曼滤波实现传感器时空同步（时间误差<5ms，空间误差<3cm），结合YOLOv8实例分割与DBSCAN点云聚类算法完成障碍物识别与跟踪，将系统响应时间从80ms缩短至45ms，实飞测试中复杂环境避障成功率从92%提升至98.5%（累计测试500+架次）。
• 优化SLAM建图算法应对森林巡检场景的低纹理、光照变化问题，基于LIO-SAM框架融合IMU与视觉里程计，引入地面点云分割（RANSAC平面检测）剔除植被干扰，将建图精度从±15cm提升至±5cm，解决了传统单传感器SLAM在复杂植被环境下的累积误差（原误差随飞行距离线性增长，优化后误差稳定在±8cm内）。
• 负责避障系统硬件方案选型与调试，对比Velodyne VLP-16、Ouster OS-1等激光雷达参数，选定小楷自研16线固态激光雷达（垂直视场角70°，点频200kpts/s），配合Intel Realsense D455摄像头完成硬件集成，通过FPGA预处理（ROI区域提取）降低数据传输延迟，使系统功耗从12W降至8W，满足长航时任务（续航从35min延长至45min）需求。
• 搭建半物理仿真测试平台，基于Gazebo与ROS2集成多传感器模型（含雷达杂波、相机噪点、光照突变参数），模拟暴雨（能见度<50m）、强光（10万lux）、低能见度（雾天）等极端场景，累计完成200+小时仿真测试，提前发现并修复3类关键缺陷（如雷达旁瓣干扰导致误报、视觉镜头眩光误判），将实飞测试周期缩短40%。

参与消费级无人机避障系统的功能开发与性能优化，聚焦前向/下视多传感器协同，支撑产品落地与市场推广。

• 核心参与消费级无人机前向双目视觉避障模块开发，负责障碍物检测算法实现，基于SAD视差计算（窗口大小15x15）与轻量级深度学习模型（MobileNet-SSD剪枝版），将检测帧率从15fps提升至25fps，满足30km/h飞行速度下的实时避障需求（目标物最小识别尺寸5cm@5m距离）。
• 解决逆光场景下视觉传感器失效问题，通过直方图均衡化（CLAHE算法）与自适应阈值分割预处理，结合机腹红外补光灯（波长850nm，功率50mW）辅助，将逆光环境下障碍物识别率从65%提升至88%，支撑产品在沙漠、雪地等强反光场景的稳定运行（客户反馈故障率下降60%）。
• 参与制定避障系统测试标准，设计覆盖室内家具、室外移动目标（车速<20km/h）、低空电线（高度<10m）等12类典型场景的测试用例，推动产品通过CE-EMC、FCC Part15认证，助力该机型上市后6个月内销量突破10万台（占公司消费级无人机季度营收35%）。

负责车载/工业传感器信号处理与嵌入式开发，为后续转向无人机感知领域积累多传感器融合与硬件设计经验。

• 负责车载毫米波雷达信号处理板开发，基于TI TMS320C6748 DSP芯片，实现CA-CFAR检测算法（虚警概率<1e-6）与多目标跟踪（JPDA算法），将雷达对小目标（RCS<0.1㎡，如行人腿部）的检测距离从80m提升至120m，支撑ADAS系统前向碰撞预警功能（误报率<2次/千公里）。
• 优化多传感器数据传输协议，设计基于CAN总线（波特率500kbps）的多节点通信架构，解决毫米波雷达、摄像头、超声波雷达的数据同步延迟问题，通过时间戳对齐与优先级调度，将数据融合延迟从100ms降至60ms，满足实时控制需求（刹车响应时间<200ms）。
• 参与编写传感器校准手册，提出基于棋盘格（2m×2m）与角反射器（RCS=1㎡）的联合校准方法，结合最小二乘法优化外参求解，将毫米波雷达与摄像头的空间标定误差从±10cm降至±3cm，提升多传感器融合系统的定位精度（横向误差<0.5m）。

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。