为了实现超冗余机械臂动力学模型的精确辨识，提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先，介绍了超冗余机械臂的动力学模型和最小参数集，建立了关节非线性摩擦模型，使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束，基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后，利用数据集训练BP神经网络，得到超冗余机械臂半参数动力学模型，并与多种算法进行了比较分析。实验结果表明：相较于传统的最小二乘算法和加权最小二乘算法，通过使用本文提出的辨识算法，关节辨识力矩残差均方根（Root Mean Square, RMS）之和分别提高了32.81%和23.76%，半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%，辨识结果验证了辨识方法的有效性和优越性。

本文将冗余机械臂的轨迹跟踪和避障规划统一为优化问题，提出了一种基于改进灰狼算法的避障跟踪优化器。首先，基于包围盒法对避障空间进行了建模，使用GJK算法计算机械臂与障碍物之间的最小距离。其次，设计了适应度函数，引入避障奖励项对优化器进行主动奖励，使机械臂在跟踪目标轨迹的同时避开障碍物。然后，使用随机分散策略对灰狼算法进行了改进，以增强算法的全局搜索能力，从而更好地求解优化问题。最后，使用九自由度冗余机械臂验证了所提出方法的有效性和优越性。实验结果表明：对于圆形目标轨迹，机械臂的末端跟踪误差为0.21 mm；跟踪过程中，机械臂与障碍物的距离不小于70 mm；相比于经典灰狼算法，改进灰狼算法使跟踪精度提高了13%。本文提出的避障跟踪优化器能以毫米级的精度同时满足冗余机械臂的轨迹跟踪和避障任务；改进的灰狼算法能有效提高经典灰狼算法的收敛精度。

冗余旋转惯导系统（Redundant Rotating Inertial Navigation System, RRINS）可以在传统旋转惯导系统的基础上，进一步提高系统的可靠性。针对该类系统高精度初始对准需求，以正四面体冗余旋转惯导系统为例，研究了两位置初始对准方法。首先以每3个陀螺仪和3个加速度计构成一种组合方式，建立每种组合下惯性器件的零偏与冗余配置相关的解析表达式，并设计RRINS两位置转停方案以估计对应惯性器件的零偏，但是在某些特殊的情况下需要增加观测位置；然后将每个惯性器件在不同组合下得到的结果取均值，并利用该均值对相应惯性器件的测量信息做补偿；最后基于补偿后的惯性器件输出进行RRINS的初始对准。数学仿真和实验验证结果表明，该方法在不同两位置方案下均可有效估计出惯性器件的零偏。仿真中陀螺仪的零偏估计误差在4%以内，加速度计的零偏估计误差基本在2%以内，且相比无零偏补偿的情况，初始对准精度提高10倍以上。实验中水平和方位向的初始对准精度都有提高，航向角对准误差最大减小100倍左右。同时，该方法还可以推广到其他配置方案的冗余旋转惯导系统中，对该类惯导系统初始对准精度的提高具有一定借鉴意义。

正四面体冗余惯导系统（RINS）具有高可靠性、高精度等特点，而误差标定是实现高精度导航解算的必要手段。当前正四面体RINS的误差标定均需要利用高精度转台实现，不仅标定成本高、标定时间长，而且在外场等硬件条件不足的情况下无法进行全误差参数的标定。针对这一问题，提出了一种无需高精度转台的正四面体RINS全误差参数现场快速标定方法。首先，建立了正四面体RINS的误差模型；然后，根据解析粗对准姿态误差矩阵与正四面体RINS零偏的关系提出了基于六位置的零偏标定方法；之后，设计三位置旋转方案进行陀螺仪的标度因数和安装误差标定；最后，利用零偏标定的六位置方案进行加速度计的标度因数和安装误差标定。仿真及试验结果表明，该方法能有效地标定出所有误差参数，在1 h静基座导航试验中，标定后北向定位精度从61.065 5 km提升至0.476 7 km，东向定位精度从161.202 7 km提升至4.842 2 km。

为了提高一种面向在轨装配的索并联机构的工作性能，提出了变刚度控制算法。建立了索并联机构的完整刚度模型，分析了绳索张力分布对不同方向刚度的影响。然后，考虑影响绳索张力分布的矢量λ的安全边界，建立了变刚度控制算法，该算法消除了刚度模型中对整体影响较小的耦合刚度，提高了计算效率，并且通过分配权重的方式对不同方向的刚度进行不同优先级的控制。最后，通过仿真与实验对变刚度控制算法的效果进行了验证。以旋拧操作为例，仿真结果表明：在对运动平台施加一定扰动力时，采用变刚度控制算法求解出的索力分布使薄弱方向的振动降低了35%。样机实验结果表明，在对索并联机构样机进行刚度控制后，刚度的测量值与理论值具有较强的拟合性，误差分别为16.3%和14.6%。变刚度控制算法可以提高索并联机构的工作性能，具有较强的实用性，并且可以用于不同类型的冗余索并联机构中。

如何从海量或高维数据中“提纯”出有用的信息, 这是当前数据分析面临的一个巨大的挑战, 也是当前研究的一个热点。 变量筛选技术能够从众多、 复杂的量测数据中提取出特征信息变量, 达到简化多元模型乃至提高模型预测性能等目的。 在光谱分析中, 来自噪声等诸多因素的影响, 量测数据会不可避免地包含干扰和无关信息变量, 以及变量间存在的多重共线性, 这些都会影响模型的稳健性和预测能力。 近年来变量(波长)筛选方法在光谱解析领域的研究与应用中取得了较大的进展。 结合国内外相关研究文献和作者的研究体会, 不仅仅综述了近红外光谱, 还综述了中红外光谱、 拉曼光谱等众多筛选变量的方法的提出、 特点、 发展、 类别、 比较和近五年来在不同领域的应用进展。 其中, 评价变量重要性的参数及其标准或阈值的选择、 搜索变量的策略和途径是变量筛选方法的关键。 而且每种方法都具有各自的优势和局限性, 实际使用中要根据方法自身特点结合目标体系的特征选择合适的方法。 重点内容: (1)对比了光谱数据分析中常用的波长筛选和波段筛选方法; (2)对比了基于PLS模型参数的不同变量筛选方法的原理和特点; (3)根据搜索和筛选变量策略的不同将变量筛选方法进行分类评述。 最后, 围绕在解析实际复杂体系中变量筛选方法出现的过拟合、 不稳定等问题进行了讨论并提出相应的解决措施, 同时对变量筛选方法的研究趋势、 发展前景和应用方向进行了展望。 其中, 新的评价变量重要性的判据和搜索变量的策略等工作仍需要展开深入地研究。 期望本综述能够对光谱变量筛选的后续研究及应用起到积极的推动作用。