随着信息技术、人工智能和机器人技术的飞速发展，无人自主系统在军事、航空航天、海洋探索、灾难救援以及智能交通等领域展现出巨大的应用潜力。分布式协同控制作为实现多无人自主系统高效、灵活协作的关键技术，已成为研究的热点。本文综述了无人自主系统分布式协同控制的研究进展。首先探讨了在一致性问题、编队控制和分布式优化三个方面的核心理论，然后结合当前多无人自主系统的实际应用，给出了无人机、无人车、无人水面舰艇、无人潜航器和多模态协同控制的最新研究成果介绍，最后探讨了该领域的未来挑战和发展方向。

压电致动器具有位移分辨率高、体积小、响应快、驱动负载能力强、可多自由度输出以及不受电磁干扰等优点，被广泛应用在微纳加工、微机电系统封装、生物医学以及航空航天等领域。然而，由于压电致动器自身存在的迟滞、蠕变等非线性特征，使得输出的稳定性以及精确度受到一定的影响，需采取恰当的控制策略解决上述问题。本文首先对压电致动器的非线性特征进行概述；其次，重点回顾了迟滞模型和蠕变模型的发展历程；然后，介绍了压电致动器的控制补偿策略及研究进展；最后对压电致动器控制技术的未来发展方向进行了讨论与展望。

以CAVs为领航车的混合编队有助于实现更顺畅和安全的道路交通，但当前研究较少关注于具有多车道分布特征的混合编队形成问题。对此，本文提出了一种面向混合编队领航CAVs的博弈换道决策模型。该模型建立数学优化与博弈论相结合的换道决策机制，建立以最小化CAVs换道次数为目标的领航CAVs目标车道初始化流程，并依据CAVs博弈换道收益，更新领航CAVs目标车道，实现混合编队多车道分布。同时，基于博弈论建立CAVs与HDVs非合作博弈矩阵，综合考虑换道效率和安全性，分别设计时间和安全收益函数，量化CAVs换道风险，并使用交通软件SUMO建立微观仿真。实验结果表明，与基准模型相比，本文提出的博弈换道策略在不同混合交通量下混合编队完成率维持在97%以上，每组领航CAVs换道时间平均缩短约40%，每组领航CAV换道次数保持较低水平。

现有高级辅助驾驶系统(Advanced Driver Assistance Systems, ADAS)功能不断增多且系统复杂性不断提高，不可避免带来了预期功能安全(Safety of the Intended Functionality, SOTIF)问题。触发条件的识别与生成是预期功能安全活动中重要的一环，然而现有对触发条件识别仅借助系统过程理论分析方法(System Theoretic Process Analysis, STPA)进行分析，未充分考虑系统功能状态转换中存在的问题。本文以知识驱动的方式构建触发条件识别机制，将STPA及有限状态机(Finite State Machine, FSM)理论融合构建拓展型系统控制结构，针对拓展型控制架构及功能状态转换进行安全分析，根据系统存在的功能局限及人为误用，完成触发条件的识别、生成、规范化描述、分类及标签化。最后将本文提出的触发条件生成机制应用于集成式巡航辅助系统(Integrated Cruise Assistance, ICA)，得到了该系统的触发条件及其分类，并将本文所提出的生成机制与现有相关触发条件生成方法进行对比分析，证明了本机制的实用性、可行性及有效性。

在切换拓扑的多智能体系统中，针对高低密度信息减弱一致性的问题，提出了一种基于分层邻域选择算法(Layered Neighbor Selection, LNS) ，该算法对智能体的邻域进行层次划分，从每层中选取具有代表性的邻居智能体进行通信、状态更新和状态演化，然后设计了层次调整策略和层次融合策略来加快收敛速度，最后设计了分层邻域选择一致性协议，且给出了层数对收敛的影响。现有的一致性协议，收敛效果受限于特定密度范围，受不同密度的影响较大，而本文提出的协议能适应不同密度范围，并在系统稳定的条件下提升收敛速度，且通过李雅普诺夫函数法证明了一致性协议的稳定性。最后通过仿真实验，并与几种一致性协议进行比较，验证了所设计的一致性协议能有效加快系统收敛速度。

考虑到多智能体系统在复杂环境中受到外部干扰和控制器受到恶意攻击等问题，本文旨在研究一类受扰非线性多智能体系统在事件触发机制和脉冲控制下的领导跟随拟一致性。不同于现有文献中需要事先指定最小事件触发间隔，本文所设计的动态事件触发机制通过其参数的选择加以保证，从而避免了芝诺行为的发生。基于此机制，进一步给出了系统实现拟一致性的一些充分条件以及相应误差上界的估量值。最后，通过数值仿真例子验证了结果的有效性。

为了解决无人机数字孪生边缘网络联邦学习性能优化问题，本文提出一种基于深度强化学习的无人机数字孪生边缘网络资源调度策略。考虑动态时变的无人机数字孪生边缘网络环境，构建包含地面基站(Base Station, BS)、地面智能终端、空中无人机以及无线传输信道的孪生网络模型，建立联合无人机飞行距离、飞行角度以及无线网络频谱资源分配的自适应资源优化模型，实现最小化联邦学习时延的目标。在无人机数字孪生边缘网络环境下，提出多智能体深度确定性策略梯度算法(Multi-Agent Deep Deterministic Policy Gradient，MA-DDPG)，求解自适应资源优化模型。算法训练过程采用中心化训练、去中心化执行的方式，每个无人机智能体在评估动作价值时会考虑其他智能体的状态和动作，而在执行时只根据自身的局部观察来决定动作。上述训练过程将在数字孪生环境中执行，算法收敛后再应用于真实世界，最大限度地减少物理实体的资源开销。仿真结果表明，所提算法可显著降低联邦学习服务时延，同时保证联邦学习训练损失和准确率的优越性。

无人机辅助移动边缘计算(Mobile Edge Computing, MEC) 系统利用无人机部署灵活和能与地面设备建立起高质量通信链路的优势，可以提高边缘计算的性能。已有的无人机辅助MEC系统研究通常假设计算任务卸载通信的数据包较长，其结果无法直接用于对计算时延具有严格要求的MEC应用场景。本文考虑了一个具有超可靠低时延通信(Ultra-Reliable and Low-Latency Communication, URLLC) 任务卸载的无人机辅助MEC系统，其中一架配备计算服务器的无人机为多个地面设备提供MEC服务，地面设备将部分计算任务通过URLLC的方式向无人机卸载。通过联合优化无人机的部署位置、卸载通信的带宽和无人机与地面设备的中央处理器(Central Processing Unit, CPU) 计算频率来最小化系统的计算时延。针对形成的非凸优化问题，采用块坐标下降方法将该问题分解为无人机部署位置优化子问题和任务卸载带宽与CPU频率优化子问题，并交替求解这两个子问题直到收敛。在求解两个子问题的过程中，使用对数函数非线性近似方法对URLLC卸载通信速率表达式进行化简，并通过连续凸逼近方法将每个子问题转换成易于求解的凸优化问题。仿真结果表明，与其他基准算法相比，所提算法能够有效平衡系统的通信能力和计算能力，从而降低系统时延。

停驻车辆辅助边缘计算(Parked Vehicle Assisted Edge Computing, PVEC) 可充分利用停驻车辆闲置资源，有效缓解车载边缘计算中的资源供需矛盾。然而，因停车行为具有不确定性，车主可突然中止车辆对外提供的计算服务。这将增大用户获取可靠计算服务的难度。为此，本文提出一个面向PVEC的服务可靠增强问题，并引入任务复制技术，将该问题转化为任务副本卸载问题，目标是最小化任务副本的平均服务时延。同时，证明了该问题的NP难解性。为求解问题，提出一种贪婪算法(Greedy Algorithm, GA)，优先为具有较大数据量的任务选取一组服务时延最小且满足其服务可靠需求的停驻车辆。此外，还提出一种增强遗传算法(Enhanced Genetic Algorithm, EGA)，以进一步优化算法GA的解。实验结果表明，针对用户服务可靠需求变化的情形，与现有的冗余最小化算法及非任务复制算法相比，算法EGA和GA有效降低了任务副本的平均服务时延。

针对目前基于共识学习的图文匹配算法无法有效匹配图像–文本样本对中难分的负样本,模型的泛化能力较弱,在大规模数据集上效果不佳等不足，本文提出了一种基于样本对语义主动挖掘的图文匹配模型。首先，提出的自适应分层强化损失具有多样化的学习模式，在传统的三元组损失基础上，增加具有预测性的候选实例(难以分辨的样本对)进行辅助训练。其主动学习模式通过一种惩罚机制来关注难分的负样本，以提高判别能力。此外，提出的模型还能自适应地从非真实标签样本中挖掘出更多隐藏的相关语义表征，从而提高了模型的性能和泛化能力。最后，在Flickr30K和MSCOCO公共数据集上的实验结果证明了该算法的有效性，其性能达到了目前先进水平。本方法有效地结合了图像文本两种模态，能有效提高自然语言搜索和视觉问题回答等应用的性能。

多视角学习因其能融合各视角信息而受到广泛关注。针对多视角数据融合问题，本文提出了一种双共识多视角谱聚类方法，在谱聚类模型中添加两种共识约束，利用不同视角谱嵌入矩阵的特征关系和相似关系，增强多视角之间的一致性。同时，该方法在优化过程中能够获得相应共识变量的闭式解，进一步提升了聚类性能。实验在3个真实世界数据集中测试了该方法的收敛性及对参数的敏感性和聚类效果。实验结果表明，与现有的方法相比，本文的方法在多个性能指标上都有更好的表现，在聚类精度上最高提升超过10%。使用双共识方法可以有效提高多视角谱聚类的性能。

在传统密文属性基加密方案中，单个解密私钥与用户往往处于一对多的从属关系，导致恶意用户或半可信属性授权机构可能为了攫取利益而向非授权第三方泄露解密私钥。此外，用户解密阶段中需要进行大量的配对计算，为资源受限的终端用户带来了巨大的计算开销负担。为此，文中提出了一种支持追责和可验证外包解密的属性基加密方案，利用可验证外包解密技术，将大部分加密开销转移至解密代理，以节省终端用户计算开销。同时，通过在用户私钥中嵌入用户身份信息以及对属性授权机构不可见的秘密信息，实现了对用户和属性授权机构的公开追责。安全性分析证明了本方案在标准模型下具有选择性安全、可追责性和外包解密的可验证性；性能分析结果也表明本方案的解密开销主要在解密代理一方，适用于资源受限的移动设备用户。

深度学习技术在压缩感知重构中的应用显著提高了重构的速度和精度。然而现有的深度压缩感知算法通常采用相同的采样率来处理不同的块，忽视了不同图像块具有不同重构难度的事实。本文提出了一种自适应采样与记忆增强的压缩感知算法。首先，本文基于测量域的重构误差估计不同块的重构难度，然后设计规则来自适应分配采样率，采样矩阵则通过掩码实现在特定采样率下的图像块采样。进一步地，在重构网络中增加双支路融合模块来增强上下文记忆的交互，通过调整不同记忆支路的通道权重，提高了网络的重构能力。实验结果表明：与其他方法相比，所提出的算法在几个常用数据集上的平均结构相似性(Structural Similarity, SSIM) 提高了0.0269，平均峰值信噪比(Peak Signal-to-Noise Ratio, PSNR) 提高了1.66 dB。

在可拓创新设计研究中，很多创新设计要素都可以用多维复合元进行形式化表达，且很多都属于异类多维复合元(Heterogeneous Multi-dimensional Compound-elements, HMdCes)，它们之间存在着各种复杂的关系，目前还缺乏对这些HMdCes间的传导规则的研究。本文基于基元变换的传导规则，建立了内部不含基元运算的HMdCes间的传导规则和内部含多个基元或基元运算的HMdCes间的传导规则，可以为可拓创新设计创意的生成提供更多推理依据。以ZDY系列一级减速器的功能与结构设计为例，利用文中所建立的HMdCes间的传导规则，验证了规则的普适性和有效性。

在新时代弘扬文化自信自强的背景下，为保护民族图案，使传统民族图案在新时代焕发活力，提高民族图案再设计效率，将可拓创新方法应用于民族图案的再设计中。提出一种民族图案可拓设计方法，其通过基元理论和可拓分析方法将图案基元的形态特征等显性信息和语义描述等隐性信息进行表征，并建立图案基元库进行图案信息的储存，运用可拓变换方法在设计实践阶段一次性生成足量的创意图案设计方案。最后本文以壮族织锦图案为例，实现了具有民族特色和美好寓意的创意图案在现代服饰上的应用，验证了该方法可以为民族图案的保护和传承提供一种思路，助力于推进传统文化现代创意设计实践的发展。