国自然申报书模板.docxVIP

面向高动态环境的多模态感知数据融合与边缘智能决策关键技术研究

摘要

针对当前高动态复杂场景下（如自动驾驶、工业机器人协作及极端气候下的无人机巡检）多源异构数据感知融合精度不足、边缘端实时推理延迟高及模型自适应能力弱等关键科学问题，本项目提出一种基于轻量化神经网络与在线迁移学习相结合的多模态感知数据融合与边缘智能决策框架。研究内容涵盖多模态传感器数据时空对齐机制、基于注意力机制的特征级动态融合算法、以及面向低功耗边缘计算平台的模型剪枝与量化部署策略。通过在新能源汽车电池热失控预警系统及六自由度机械臂协作控制两个典型场景中的实证研究，本项目预期实现数据融合精度较现有基准提升15%以上，边缘端推理延迟降低至50毫秒以内，并形成一套可推广的边缘智能决策系统原型。研究成果将为我国智能制造与智能网联汽车领域提供重要的理论支撑与技术储备，助力解决“卡脖子”技术难题。

一、立项依据

（一）研究意义

随着人工智能、5G通信及物联网技术的深度融合，智能制造与智能网联汽车已成为国家战略性新兴产业的核心驱动力。然而，在实际应用场景中，环境的高动态性、传感器的噪声干扰以及计算资源的有限性，给多模态感知数据的准确获取与实时决策带来了严峻挑战。

以智能网联汽车为例，根据《智能汽车创新发展战略》（2025年修订版）的要求，车辆需在毫秒级时间内完成对周围环境的感知与决策。当前主流的融合算法多依赖于云端处理，受限于网