传统的光束偏转技术由机械装置实现，然而机械装置具有机械惯性，会导致光束抖动。基于液晶空间光调制器（LCSLM）的新型光束偏转技术不仅能够克服机械惯性的缺陷，而且能够实现单光束输入、多光束输出，无需使用多个装置即可同时控制多光束偏转。为了实现多目标的光束跟瞄，本团队提出了一种基于多光束生成方法的多目标同步跟踪和瞄准方案，该方案将相机作为位置探测器，并使用LCSLM偏转光束对目标进行跟瞄。此外，本团队设计并搭建了双目标的同步光束跟踪和瞄准实验系统，当目标分别以2、3、4、5 mm/s的速度移动时，光束跟瞄的测量均方根误差分别为2.7045、5.6014、8.3823、11.9011 μrad。此双目标跟瞄系统有望应用于激光通信网络的双光束跟踪中。

为了解决视觉-惯性里程计（VIO）在室外复杂环境中图像特征信息不足和累计误差的问题，设计提出了一种基于点线特征的单目VIO和全球卫星导航系统（VIO-GNSS）定位算法。首先，提出了一种基于几何约束的最小化策略对提取的线特征进行前后帧间约束匹配，改进了基于点线特征的单目VIO算法；在此基础上，建立了改进的VIO-GNSS松耦合定位模型，利用GNSS全局观测值对VIO位姿估计的累计误差进行校正和抑制。在KIITI数据集和实测数据集中进行了实验验证，结果表明，与几种同类算法相比，提出算法在GNSS信号良好/间断/拒止的大型室外复杂环境中均可保持良好的精度和鲁棒性，且满足驾驶定位的实时性要求。

实际自适应光学控制系统中存在的时间延迟，导致校正器生成的校正面形与实际的波前畸变不匹配，产生校正滞后误差。基于大气冻结湍流假设，提出了一种基于运动估计的波前畸变预测方法，来补偿时间延迟带来的影响。方法具体采用模板匹配算法，根据参考帧和当前帧的波前复原图像进行大气湍流运动方向估计，然后对当前帧进行移动处理来实现对下一帧图像的预测。通过采用不同采样频率、不同横向风速度的仿真数据对比，评估预测方法的适用范围，讨论回溯帧数对预测效果的影响。也与采用最小递归二乘(RLS)模式预测方法的预测效果进行比较。仿真结果显示，在波前复原图像变化趋势较为明显的情况下，即横向风对大气湍流变化影响占主导地位时，方法表现更好，使得在天气较为恶劣的情况下仍能保持更佳的预测效果。最后使用实际天狼星观测数据对预测方法进行验证，整体仍保持预测效果。

空间激光通信系统中, 波前校正系统时间延迟引起校正器生成的校正面形与实际的畸变不匹配, 最终导致校正滞后误差。针对这一问题, 分析大气扰动产生的时序像差模型, 提出一种基于运动估计的波前预测补偿技术。在大气冻结模型假设下, 采用自适应根模式搜索(ARPS)运动估计算法, 根据参考帧与当前帧的畸变光斑图像对下一帧的大气扰动进行估计。仿真结果表明: 在50 Hz采样频率下, 波长为1550 nm、口径为0.1 m的望远镜系统在10 m/s等效风速时归一化光强图像校正残差从1.24 rad降低到1.17 rad。

为提升用户体验, 近眼显示设备应轻量化且具备高分辨率和高刷新率, 传统视频压缩方案难以满足需求。针对这一问题, 本文将运动估计应用于位平面压缩, 将恰可察失真映射至位平面以指导运动估计的匹配准则。同时, 从虚拟现实领域中数字驱动微显示器的应用场景出发, 使运动估计的搜索范围根据刷新率自适应。最后, 结合人眼临界频率与位平面的关系, 设定匹配阈值进一步消除冗余。本文提出了一种基于位平面运动估计的视频压缩方案, 以此设计数字驱动微显示器控制器并搭建系统验证设计。实验结果表明, 该方案平均压缩比为9.328 8, 压缩效率较高。解码后的图片平均峰值信噪比为22.810 3 dB,结构相似度为0.946 6, 恰可察失真到位平面的映射有效, 图片质量和渲染效果良好, 符合人眼的直观感受。

针对目前单目同步定位与建图(SLAM)初始化方法鲁棒性差、精度低的问题,提出了一种基于点线特征的单目SLAM初始化方法。首先,在两帧图像之间提取线特征,并进行特征匹配。然后,通过最大化投影线特征的重叠长度优化两帧图像之间的初始旋转和平移矩阵。最后,用滑动窗口增加初始化的图像帧数,利用多帧图像的信息和约束关系以及全局光束平差法优化初始地图和估计的相机关键帧位姿。在TUM和OpenLORIS数据集上的测试结果表明,相比传统初始化方法,本方法的鲁棒性更好、精度更高,能在具有挑战性的场景中快速完成高精度初始化。

针对传统视觉同时定位与地图构建(vSLAM)相机跟踪模块在动态环境中无法精确定位的问题,提出一种基于语义的视觉里程计。首先,在利用金字塔Lucas-Kanade 光流追踪匹配帧间特征点的同时,对图像进行像素级的语义分割。然后,将语义信息与几何特征紧密结合用以准确地剔除图像中的外点,使得位姿估计和建图仅依靠图像中值得信赖的静态特征点。最后,提出了一种多尺度的随机抽样一致(RANSAC)方案,对匹配点进行步进采样,每步使用不同的尺度因子,在降低外点检测时间的同时,提高了外点检测的鲁棒性。在TUM数据集上的实验结果表明,在高动态序列中,相比于ORB-SLAM2,本文方案的绝对轨迹误差和相对位姿误差改善了90%以上,而相比于同类型的DS-SLAM,本文方案在降低外点检测时间30%~40%的情况下,提升了位姿估计的鲁棒性。