二维激光雷达广泛应用于室内障碍物检测中,而障碍物的聚类分割是环境感知中的关键技术。环境特征的复杂性和数据密度分布的不均匀性,导致传统聚类方法无法同时对不同距离、不同类型的障碍物实现良好聚类,容易发生漏检和误检。针对室内障碍物的检测需求,分析了激光雷达的数据特点和室内环境的几何特征,提出了一种改进的基于距离和障碍物特征的自适应阈值聚类分割方法,将阈值调整为随目标距离和类内密度变化的自适应参数。在基于激光雷达的智能车感知系统上进行了复杂障碍物的聚类分割实验,结果表明,相比传统方法,本方法可以明显改善不同距离、不同类型障碍物的聚类分割效果,分割准确度可达到92.23%。

定位建图是智能车自动导航的关键问题之一。以未知环境为研究背景, 研究基于二维激光雷达的定位建图系统。激光雷达扫描周边环境建图, 里程计和IMU完成航位推算提供位姿, 通过滤波匹配不断更新地图构建全局地图。为实现精确实时的定位建图, 分析了飞行时间法激光雷达测距误差和基于IMU和里程计的航位推算误差, 通过线性最小二乘和加权移动平均滤波对激光雷达原始数据进行标定和滤波;通过互补滤波抑制陀螺仪低频噪声和磁力计高频噪声;在所搭建的基于激光雷达的定位建图系统上进行了实验。实验结果表明, 经过滤波校正后, 提高了系统定位建图精度和稳定性。

携带轨道角动量的涡旋光束具有螺旋相位波前,照射到旋转物体上可以产生与拓扑荷数、转速成正比的旋转多普勒频移。利用旋转多普勒效应测量目标旋转角速度。使用空间光调制器的计算全息法产生涡旋光束,利用MATLAB控制加载在空间光调制器上的计算全息图的角速度来模拟物体的旋转,用光学外差法搭建光路,采用拓扑荷数分别为6,10,20的涡旋光束对旋转目标进行测量,利用CCD探测较弱的差频信号光,基于光强积分方法并通过时间采样,对实验数据进行余弦函数拟合,得到目标旋转角速度,结果与预设的数值一致。

基于菲涅耳衍射理论,研究了涡旋光经正六边形排布的多孔阵列衍射后的光强分布,分析了正六边形多孔阵列的结构参数对蜂窝状光场的影响。研究结果表明,衍射光场会随着相位结构发生周期性变化,得到蜂窝状或花瓣状的光强分布;圆孔半径会影响衍射光场的范围,正六边形的边长对条纹的宽度和间距存在影响。

研究了阵列波导激光相控阵的光束偏转特性, 计算出光学相控阵的偏转角度与阵列波导相关参量之间的关系, 绘制出光束偏转角与相关参量间的关系曲线。分析了阵列波导激光相控阵的三个性能指标: 扫描范围、分辨率及能量效率, 研究各阵列波导参数对于此三项指标的影响, 据此分析出最优化的参数设计。根据阵列波导激光相控阵原理设计了仿真实验界面, 自定义参数模拟光束的偏转效果。

突触可塑性为神经网络的学习机制提供了基础。基于单个半导体光放大器(SOA)的非线性偏振旋转(NPR)和交叉增益调制(XGM)效应实现了反脉冲时间依赖可塑性(anti-STDP)学习机制。通过调整SOA驱动电流，可以实现长时程增强窗口(LTP)和长时程抑制窗口(LTD)的高度和宽度调整，能更好地模拟神经网络。实验测量得到的anti-STDP曲线与生物系统中测量得到的学习曲线相吻合。使用该anti-STDP光路得到的学习曲线的时间窗口约为几百皮秒，其速度是人类大脑STDP学习机制的108倍。由于该anti-STDP光路系统简单，且SOA易于与其他器件集成，该anti-STDP光路可以用于实现大规模超快神经拟态计算系统。

互连的光子脉冲神经元通过权重器件联系在一起, 为了实现神经网络的大规模计算, 权重器件的实现至关重要。利用微机电系统可调光衰减器(VOA), 研制了一种可以自动调节光子脉冲神经元的权重器件。该权重器件包括VOA、光电探测器、单片机、模数转换器、数模转换器和放大器等模块, 可以根据接收的光信号快速计算查表, 可对VOA的衰减值进行实时在线调整。该权重器件效率高, 且容易实现。该权重器件配合脉冲时间依赖的可塑性(STDP)光路使用, 可以实现光子脉冲神经元的STDP学习机制。当STDP曲线窗口高度为0.2时, 对权重器件进行了测量, 实现了4种STDP学习。实验测量结果与理论计算结果一致。

基于模式耦合理论，研究了一种3个模式的锥形光纤模式复用/解复用器，可以实现1根少模光纤与3根单模光纤之间的模式复用及解复用，有利于提升光纤传输系统的传输容量。当基模光场分别输入3根直径为10、8.4、7.2 μm的单模光纤时，会在锥形结构中发生耦合并转换为高阶模式场。利用重叠积分计算该复用器输出端口光场与标准模式场的相似度，检测出输入的基模在输出端分别转换为LP01和两个简并的LP11模式,即实现模式复用。当LP01和两个LP11模式分别输入到少模光纤时，从解复用器输出端相应端口输出的光功率最大,即实现模式解复用。最后改变复用器的结构参数来计算该器件的容差比，计算出该器件实现模式转换以及解复用效果最好的拉锥长度分别为3.88 cm和3.8931 cm。