非结构化道路通常没有清晰的边界及车道线，环境较为复杂，传统的基于道路纹理、颜色特征的分割方法无法满足实时性和准确性的要求。针对非结构化道路场景，提出了基于改进BiSeNet的轻量化语义分割模型，采用轻量化主干提取网络和引入深度可分离卷积，优化速度控制；在最后的特征融合阶段引入通道注意力，自适应地选择重要特征，抑制冗余信息，提高非结构化道路分割的准确性。改进后模型参数量仅有1.11×10⁶，检测速度提升18.83%，F1-score达到了96.74%。对比其他主流语义分割模型，该算法具有参数量小、速度快、准确率高等优势，可为非结构化道路场景下无人驾驶车辆的安全运行提供参考。

当前对选区激光熔化产生的残余应力预测方法主要为数值模拟，但由于设备、环境、粉末等因素差异性较大，且具有较大不确定性，很难建立符合实际情况的数值模拟模型。利用神经网络在预测多变量、复杂线性信息处理方面能力强的特点，建立适用于预测316L不锈钢粉末选区激光熔化残余应力的模型。使用选区激光熔化技术打印相当数量的不同工艺参数的试样，采用超声波检测其内部残余应力作为神经网络的训练样本，并使用这些样本对神经网络模型进行训练，获得具有预测功能的神经网络，将验证样本的工艺参数输入神经网络，计算出预测的残余应力值，与实际检测值进行对比。实验结果表明，预测值与实际测量值偏差较小，验证了所提方法的有效性。采用神经网络预测残余应力的方法，可以快速确定不同选区激光熔化工艺参数对应的残余应力，避免设置残余应力较高的工艺参数，有效缩短制备高质量工件试样的周期，降低成本。