负责中大型物流无人机多传感器融合感知系统全生命周期设计，主导动态避障算法迭代与复杂场景适配，解决城市场景高楼遮挡、山区气流扰动下的感知延迟与误判问题，保障无人机在商用物流场景的安全飞行与精准避障。

• 主导设计基于激光雷达（16线Velodyne）-双目视觉（ZED2i）-毫米波雷达（TI IWR6843）的多模态感知系统，通过ROS2 Humble框架搭建低延迟数据链路，解决多传感器时间同步误差（原±150ms→±20ms），实现300米范围内障碍物（静态/动态）检测覆盖率从92%提升至98%。
• 针对城市楼宇间GPS信号遮挡导致的定位漂移问题，提出基于Transformer的多源特征融合模型（融合IMU、视觉里程计、激光点云），将定位误差从0.8m压缩至0.3m（CEP50），支撑无人机在深圳福田CBD区域完成100+架次无GPS依赖飞行测试。
• 优化动态避障决策算法，基于改进A*算法与深度强化学习（PPO策略网络）处理行人/电动车突然闯入场景，避障响应时间从120ms缩短至70ms，结合碰撞锥预测模型将误避率从8%降至2%，助力产品通过民航局UTMISS系统兼容性认证。
• 负责与飞控系统（Pixhawk 6X）的接口开发，制定标准化感知数据协议（含障碍物位置、速度、置信度等12项参数），开发数据校验与重传机制，使系统集成周期从8周缩短至4周，支撑3款物流无人机机型快速落地。

参与小型侦察无人机感知模块开发，聚焦视觉感知算法优化与环境适应性测试，解决低光照、雾天等恶劣条件下的目标检测与跟踪难题，支撑无人机在边境巡检、应急救援场景的实用化部署。

• 负责视觉感知子系统硬件选型与调试，选用索尼IMX582传感器（1/2英寸大底）搭配FPGA预处理芯片，设计自适应增益控制算法，实现暗光环境（≤5lux）下图像信噪比从35dB提升至42dB，目标检测可识别距离从50m延长至80m。
• 针对雾天图像模糊问题，构建基于暗通道先验的去雾算法（OpenCV优化实现），结合YOLOv4模型迁移学习（自定义雾天数据集5000张），将雾天场景下车辆/人员检测准确率从78%提升至92%，支撑产品在四川凉山森林火灾救援中完成20+次侦察任务。
• 搭建户外多场景测试平台（涵盖雨雾、沙尘、强逆光等12类工况），设计自动化测试脚本（Python+Selenium），累计完成1000+小时感知算法鲁棒性验证，输出《复杂环境感知性能报告》，支撑产品通过RTCA DO-178C DAL-B级认证。
• 协助飞控团队优化感知-控制闭环，设计卡尔曼滤波融合感知数据与飞控状态，将避障决策延迟从200ms降低至150ms，配合完成500小时飞行测试，未发生因感知延迟导致的安全事故。

负责无线传感器网络在无人机监测系统中的应用开发，解决传感器数据传输延迟、丢包及多节点协同冲突问题，保障感知数据的实时性与完整性，为无人机状态监控提供可靠数据支撑。

• 设计基于LoRa（SX1280芯片）的低功耗传感器数据传输方案，优化扩频因子（SF7→SF10）与信道编码（添加CRC校验），将1km范围内温度/湿度/振动数据传输丢包率从15%降至3%，支撑无人机机体健康监测系统落地。
• 开发传感器数据融合前端（STM32H7+FreeRTOS），应用扩展卡尔曼滤波算法对三轴加速度计（ADXL355）、陀螺仪（BMI088）数据进行融合，姿态解算精度从0.5°提升至0.1°，满足无人机稳定飞行控制需求。
• 参与无人机巡检系统需求分析，梳理感知模块核心指标（如检测距离、更新频率、抗干扰性），输出《传感器选型与性能指标规范》（含8类传感器对比表、20项测试用例），指导后续激光雷达、视觉相机选型。
• 解决多无人机协同作业时的传感器数据冲突问题，设计基于时间戳同步的仲裁机制（NTP授时+软件缓冲队列），数据一致性从97%提升至99.5%，支撑3架无人机集群完成10km电力线巡检任务。

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。