针对现有无监督深度图像拼接方法在大视差场景下易产生非刚性形变问题，提出一种流场置信度引导与各向异性结构约束的无监督图像拼接方法，旨在缓解深度图像拼接中对齐精度与结构完整性之间的冲突，实现大视差场景下的图像拼接。首先，设计流场置信度估计模块(FCEM)，对上下文相关层输出的密集对应流场进行置信度加权，引导网络优先拟合纹理丰富区域的可靠位移信号，同时主动抑制低置信度区域的误匹配干扰，提升网格变形的可靠性。其次，提出各向异性几何结构约束(AGSC)，利用索贝尔边缘响应构建自适应权重，将传统的各向同性平滑约束解耦为网格平滑项与垂直曲率项，在垂直方向施加曲率惩罚来保持直线度，同时释放水平方向的变形自由度，在对齐精度与结构约束之间取得平衡。UDIS-D数据集上的实验结果表明，在维持主流深度拼接方法同等对齐能力的同时，全测试集直线拟合误差(LRMSE)降低28.1%，共线性误差下降低33.4%，有效改善了拼接图像垂直结构弯曲形变。147对多场景图像拼接数据集上的实验结果表明，LRMSE较基线模型降低了5.8%，共线性误差降低了27.0%。客观指标与可视化拼接结果均表现出垂直结构保持优势，证实了方法的几何结构保持能力与跨场景泛化能力。

随着混合现实与自动驾驶等空间智能应用的发展，对大规模场景下高精度三维重建技术的需求日益增长。在大规模场景中，传统的运动恢复结构方法计算效率低，误差累积严重。针对现有的分块重建方法无法规避累积误差带来的精度损失的问题，提出一种基于共视引导的大规模场景运动恢复结构方法。在全局层级，利用贪心策略筛选关键帧，通过共视图自适应加权融合GPS与视觉信息，快速生成全局一致的稀疏场景骨架。在局部层级，利用共视关系将场景自适应划分为若干视觉高内聚的图像社区从而进行局部重建。在模型融合阶段，设计基于双向一致性检验的模型融合策略，剔除错误相对变换，并通过多源变换联合优化将所有局部模型在全局骨架约束下对齐。实验结果表明，该方法能够显著提升大场景重建的效率和鲁棒性，有效抑制累计误差。

三维高斯溅射(3DGS)技术是神经辐射场(NeRF)理论提出之后，三维重建和新视图合成领域的又一重大突破。3DGS通过将多视角图像转换为数以百万计的高斯基元建模显示的场景表示以及可微分渲染技术实现了近乎实时的视图渲染，但仅依靠外观颜色优化高斯基元往往需要不同视角的大量视图提供全局几何线索提升场景重建质量，否则在稀疏视图输入下由于高斯核函数自身的局部支持以及缺少全局几何约束容易过拟合训练视图，导致重建场景出现空洞、浮动伪影等问题。为此，提出了一种在稀疏视图输入情况下的三维高斯重建算法以进一步拓展3DGS应用场景。针对稀疏输入场景设置，首先利用单目深度模糊感知技术，通过条件隐式极大似然估计学习深度估计的多模态分布，以提取多模态深度稠密点云用于初始化高斯基元，为场景重建引入全局几何线索。然后，设计了一种空间雕刻损失解决高斯基元空间位置在初始化阶段保留的不确定性和模糊性，捕获单目深度分布中全局立体一致的模式子集，获取全局场景几何结构，进而缓解稀疏视图下的场景过拟合现象并有效提升场景重建质量。实验结果表明，该算法在各个数据集下的PSNR性能均值较同期算法提升了11%~ 54%不等，同时训练时长较基于NeRF的算法大幅缩短，实现了良好的场景重建效果与新视图合成质量的提升。

针对现有静态三维高斯泼溅(3DGS)技术缺乏物理动态真实性，重建的数字资产无法以符合物理规律的方式进行动态交互的问题，提出一种基于语义感知与混合物质点法(MPM)的高斯动态重建方法PhysGaussian-M2。该方法包含3个核心思路：首先，联合利用分割一切模型(SAM)与多模态大模型(LMM)，从视觉特征中自动推断物理本构参数，实现参数标定的自动化；其次，将三维高斯核同时作为可微渲染图元和MPM拉格朗日质点，构建物理与视觉统一的表征框架，避免传统流程中的数据格式失配；最后，在混合MPM框架下为不同语义区域分配独立本构模型，实现固体、液体等多相物质间的复杂物理交互。实验结果表明，语义驱动的参数估计模块能准确捕捉不同材质的物理规律，推断参数与标准值的对数误差控制在一个数量级以内；多相仿真实验成功模拟了刚体-流体耦合、弹性碰撞及颗粒坍塌等物理现象，生成场景具有高视觉保真度与物理可信度。该框架为创建逼真且可交互的物理数字孪生场景提供了端到端的技术路径。

超声作为无辐射、便携的影像工具，其三维重建通过整合二维切面提供了更丰富的空间上下文信息，极大地扩展了传统二维超声用途。然而，现有的无传感器自由式三维超声重建研究，或受限于传统外部定位的操作妨碍，或基于深度学习方法存在缺乏对长程空间依赖的显式建模、低纹理区鲁棒性欠缺等问题。为此，提出物理增强-深度协同的自由式三维超声重建方法(PD²BNet)。该方法有机地实现了“内部物理可解释、外部深度泛化”的互补融合。输入端设计三路并行特征解耦编码器，对灰度纹理、Canny几何边缘与光流运动矢量进行独立建模，规避异质物理先验在底层卷积中的语义冲突。时空融合阶段嵌入CNN-ConvLSTM架构，递归关联局部拓扑与时序演化以抑制瞬时跳变。构建复合物理正则损失，联合速度平滑与物理先验正则损失，显著抑制帧间抖动与累积漂移，实现低纹理超声回扫场景的鲁棒性。通过显式物理约束与深度网络建模的互补融合，实现高精度无传感器6-DoF自定位，突破传统方法在物理可解释性与泛化能力上的双重局限。实验结果表明，PD²BNet在Freehand_US_data与TUS-REC-Challenge数据集上将最终漂移率分别降至16.97%和18.24%，平均角误差仅3.01°和3.27°，均优于现有最佳结果，在前臂扫查等典型临床扫描协议下实现了毫米级定位精度。量化与可视化结果证实，物理增强与深度建模的协同作用是性能跃升的关键，PD²BNet为临床无传感器自由式三维超声重建提供了高精度、高鲁棒性的算法框架支撑。

高效建立具有真实颗粒几何与形状特征的随机颗粒模型数据集是开展3D颗粒识别及颗粒仿真等应用的关键问题，针对传统随机建模方法存在的颗粒形态真实性不足以及生成效率较低等问题，提出了一种融合频率扰动的KL (Karhunen-Loeve)展开3D颗粒随机建模方法。首先，对真实矿物颗粒表面进行三维重建与频谱分析，提取颗粒表面频谱特征，构建颗粒表面扰动函数。然后，引入KL展开对离散化的颗粒表面采样数据进行特征分解与相关性分析，通过保留主要特征模态实现主结构形态的随机生成，并将真实颗粒的频率扰动信息融入主结构，生成兼具主结构与局部扰动的3D随机颗粒模型，有效提高颗粒随机建模的真实性与多样性。最后，为验证所提方法的有效性，与2种改进的球谐分析方法进行对比，从几何特征参数(长、宽、高)、形状特征参数(长宽比、球形度、法向扰动角)，以及包含Wasserstein距离和模型生成效率在内的综合指标进行评估。结果表明，所生成颗粒模型的几何及形状特征参数都与真实颗粒最为接近，同时，与真实颗粒间的Wasserstein距离仅为0.397 3，低于基于分形特性的改进球谐分析方法的0.569 4与基于基因变异的改进球谐分析方法的1.066 7，生成相同数量颗粒模型的耗时较低(15.3 s)，在精度与效率之间取得了良好平衡。为3D颗粒识别及仿真等相关应用场景提供了一种新的高效生成具有真实颗粒特征的3D颗粒随机建模方法。

针对3DGS中对象级表达不自然、显式语义难以覆盖真实复杂场景对象以及伪实例掩膜跨帧一致性难以保证等问题，提出一种基于弱提示的三维高斯条件查询对象响应场构建方法QC-ORF。3DG中像素通常由多个高斯沿视线方向连续叠加生成，高斯单元与真实对象边界并不天然一一对应，直接赋予高斯级离散标签易受到支撑面、接触区域和伪掩膜噪声影响。QC-ORF不依赖显式类别语义，也不将伪掩膜视为稳定的跨视角实例真值，而是将对象建模为由查询触发的高斯连续隶属度，从而构建连续对象响应场，在统一的三维高斯场中建立对象级中间表示。通过在3DGS中引入连续特征与前景分支，并结合教师特征蒸馏、前景并集监督、单帧实例内紧致约束和深度一致性门控，在弱提示条件下学习稳定的对象相关响应。推理阶段通过正样本吸引、负样本抑制和前景偏置共同构造查询响应，形成目标相关的连续对象响应，并可进一步解码为单视角分割、多视角聚合分割和层级式分组结果。实验结果表明，QC-ORF在以AUROC、AUPRC和响应差值为代表的对象响应主指标上均取得较好结果，并在下游分割任务中表现出较强的细节恢复能力。公开数据集和真实室外采集场景的结果表明，在训练掩膜不完整、局部结构复杂和支撑面干扰明显的场景中，仍能恢复较纯净且更完整的目标细节；在无显式语义、仅有伪掩膜弱提示的条件下，仍可学习到稳定的连续对象场。

语音驱动的三维人脸动画生成是计算机视觉与计算机图形学中的重要研究方向，在虚拟数字人、实时交互系统以及沉浸式媒体等应用场景中具有广泛需求。该任务旨在根据输入语音信号生成与语音内容、节奏和发音特征高度一致的三维人脸运动，但现有方法往往依赖复杂的生成过程或多步采样机制，导致推理延迟较高，难以满足实时流式应用的性能要求。为解决上述问题，提出了一种面向实时生成的语音驱动三维人脸动画方法，将人脸运动建模为基于离散表示的自回归序列生成过程。首先利用VQ-VAE将连续的人脸运动参数映射到紧凑的离散token空间，从而降低序列建模难度，并在此基础上采用类语言模型的自回归Transformer，在语音条件约束下对离散人脸运动序列进行逐帧预测，实现低延迟、可流式的人脸动画生成。在人脸表示方面，统一采用FLAME2023参数化模型，并基于VHAP tracker对音视频数据进行重新拟合，以获得高质量且时间一致的人脸运动参数序列。实验结果表明，该方法在唇部同步、面部表情动态以及头部运动一致性等方面均取得了具有竞争力的表现，同时在推理效率和实时性能上显著优于现有生成方法，验证了其在实时交互场景中的实用性。相关研究为构建高效、可实时交互的三维虚拟人系统提供了一种可行且可扩展的技术路径，并为后续在离散自回归框架下进一步引入风格、情绪状态等高层语义控制因素奠定了基础。

眼控交互作为一种基于视线行为的自然交互方式，凭借快捷、直观和解放双手等特性，在虚拟现实(VR)场景下的目标选择任务中展现出明显的交互效率与沉浸体验提升潜力。已有研究大多采用凝视、平滑追踪和眼势等输入方式，利用预设的输入参数和界面布局来完成实现目标触发，但在目标选择过程中普遍采用固定的停留时间和激活区域设置，忽略了个体差异和状态变化对眼动模式的影响，易造成误触率增加、触发效率降低。因此，本研究从用户交互意图角度出发，在VR环境中设计了5种典型眼控任务场景，采集任务绩效、眼动行为及主观意图标注数据，并构建多源眼动特征空间。基于该数据集，分别构建并评估了五类基于静态特征的传统机器学习模型（SVM，LR，RF，LightGBM，MLP）和三类时序深度模型（Bi-LSTM，1D CNN，CNN-LSTM），通过被试独立的五折交叉验证与独立测试集进行性能比较，并结合在线推理时延与模型体积等部署指标综合筛选出基于 LightGBM 的用户选择意图识别模型。结果表明，该模型在识别精度、推理效率与实际部署可行性之间取得了较优平衡，可为VR眼控界面中的实时意图识别、自适应触发机制及个性化交互设计提供方法支撑。

面向脑卒中下肢康复中动态行走能力评估、训练难度调节和安全过程监测需求，构建具身沉浸式虚拟现实康复训练与评估系统，验证其在健康受试者概念验证阶段对动态稳定性、身体表征和认知负荷的测量可行性。系统以全向跑步机为行走载体，采用全身惯性动作捕捉驱动第一人称全身虚拟化身，结合头显位姿、事件日志与眼动追踪，实现行走运动学、视觉注意和任务行为数据的同步采集。围绕直行、转向、避障和双任务行走构建任务库，设计基于质心加速度均方根、加速度急变均方根、本体感觉定位误差、瞳孔变化量、注视/扫视特征及双任务成本的指标体系，并引入基线归一化阈值与迟滞判定机制，形成“状态采集-规则判定-任务调节-事件记录”的原型级闭环。在下肢可见性实验中(N=27)，虚拟化身下肢透明度对本体感觉定位误差和具身体验评分产生显著影响，完全不可见条件的定位误差较高、具身体验较低，而晕动症评分差异不显著；半透明条件在保留身体轮廓线索与减轻环境遮挡之间表现出较好平衡。在双任务行走实验中(N=29)，随着认知负荷由低至高提升，瞳孔统计量、瞳孔变化量、注视次数和扫视次数总体升高，平均注视时长缩短，说明眼动特征能够反映动态行走中的负荷分级；高步态难度还引起质心加速度均方根升高及躯干侧向摆动收敛，验证了步态难度操控的有效性。该系统能够在沉浸式动态行走场景下整合运动控制、身体视觉线索和认知负荷证据，为脑卒中康复训练系统的任务设计、参数调节和临床前评估提供方法基础；相关阈值和设计策略仍需在脑卒中患者中进一步验证。

过渡曲面的构造是CAD曲面造型技术研究的热点和难点之一。随着实际工程应用对于曲面连续性要求的不断提高，传统滚球法在若干典型场景下已难以满足高阶光顺性的实际需求。现有过渡方法构造的过渡曲面通常为样条拟合形式，难以获取精确的位置与导数信息，且样条表示往往伴随较大的数据存储开销。因此，提出了一种满足G²连续(曲率连续)的过渡曲面插值方法，可实现曲面上点位信息的精确计算。着重分析了过渡曲面的边界约束表达与处理，通过构建合适的边界条件，结合相应的插值策略，保证了过渡曲面在边界处的G²连续性，并给出了过渡曲面的表达形式。该方法基于曲面上曲线进行插值，既能以简洁高效的方式完成过渡曲面建模，又可通过对边界曲线的合理调整以适配不同工程场景的需求。最后给出了曲面上各点导数的精确差分求解方法以及应用该方法生成G²连续过渡曲面的实例，同时通过计算法向量、法曲率以及生成斑马线对所得曲面的连续性进行了验证，结果表明该方法能够有效满足曲率连续性要求，证明了其合理性。

约束Delaunay三角剖分(CDT)在地理信息系统、三维建模及工程仿真等领域具有重要应用价值，但在大规模数据场景下，其构建过程仍面临并行效率不足、拓扑更新开销高以及平台依赖性强等问题。为此，提出了一种基于计算着色器的并行约束Delaunay三角剖分算法。以计算着色器执行模型为核心，利用GPU的细粒度线程并行性与高吞吐存储架构，实现CDT构网流程的全流程并行化。在算法实现上，首先通过点集离散化与并行Voronoi图构建生成初始Delaunay三角网；随后，围绕约束边插入过程中的相交检测与局部重构需求，提出一种基于双阶段前缀和的动态数据布局策略，实现相交信息的紧凑存储与高效索引。在此基础上，设计了动态相交边存储表与动态约束影响域索引表两类核心数据结构，分别用于快速定位约束边相交的候选边及受影响三角形区域，从而将传统全局搜索过程转化为局部索引访问，显著降低访存开销。针对并行拓扑更新中的线程冲突与一致性维护问题，提出一种基于局部一致性的自适应并行边翻转机制，以约束边为驱动单元，将边翻转过程限定在独立线程域内，通过原子操作与轻量级锁实现安全的拓扑更新，并结合双缓冲队列实现非法边的动态传播与收敛，有效避免了重复翻转、写冲突及邻接关系失序等并发问题。实验结果表明，在百万级点集及约束条件下，相较于传统串行方法及现有GPU并行实现，该算法在计算效率方面具有显著提升，且在真实地理空间数据上表现出良好的稳定性与适应性。研究结果验证了基于计算着色器的并行CDT构网方法在跨平台几何计算与高性能图形处理中的应用潜力。

针对管路产品在制造过程中上游设计数据格式不统一，无法高效获取关键几何特征完成精准加工与装配的问题，提出一种将不同格式管路数模转换为点云数据后统一自动提取关键几何特征的方法。首先，将不同格式的管路设计模型点云化，与实物扫描模型完成数据统一；其次，设计基于边界提取与点云分割的方法获得模型中的边界圆特征，并优化中心点坐标与半径参数；最后根据边界圆尺寸自适应调整后续点云处理算法中的阈值参数，通过区域生长与局部中值迭代提取出管路模型骨架，并结合圆柱分割完成优化，输出轴线特征参数。实验结果表明，相较于普通的骨架生成与几何分割算法，该设计的特征提取方法具有更广泛地应用范围与相对较高的精度，针对具有多个分支的管路设计模型与质量较差的点云模型均能提取出完整的关键几何特征，满足航空管路的焊前装配中工装控制命令解算的精度需求。

针对汽车电子电气架构演进带来的线束系统设计复杂度提升及验证效率瓶颈，以及传统图遍历算法在处理大规模线束寻径和频繁局部变更时面临计算开销大、难以实时反馈的挑战，提出了一种基于保留图文法(RGG)的高效计算框架。本框架利用RGG的双层节点结构建立线束拓扑模型，并提出“全局拓扑塌缩”策略，通过定义的并行归约规则将物理图高效转换为逻辑连接图，将算法复杂度从O(N²)降低至O(N)。实验结果表明，在静态寻径场景下，该算法在32线程环境下实现了30.89倍的加速比，并行效率达96.5%。与CH静态加速算法相比，RGG内存占用降低约50%且具有增量更新能力。针对动态设计变更，引入上下文敏感的增量更新机制，在属性更新与拓扑修改场景下，增量更新的性能优势随线束规模增大而愈发显著：当节点数从100增至5 000时，属性更新加速比从543倍提升至4.1×10⁴倍，拓扑更新加速比从3.8倍提升至2.2×10²倍。与Ramalingam动态最短路径算法相比，RGG更新时间更稳定且支持拓扑修改。此外，正确性验证显示该算法与传统Dijkstra算法结果完全一致(MAE=0，R²=1.0)，确保了物理属性的完整保留。本研究为超大规模线束分析提供了兼具高保真度与实时响应能力的底层引擎。

路径规划是机器人领域的重要研究内容。在实际应用中，机器人常需要遍历访问多个目标点，而获取最优遍历次序的关键，在于高效计算目标点之间的路径代价并构建邻接矩阵，从而构造旅行商问题进行求解。概率路线图因具备多次查询优势，适用于邻接矩阵的计算，但存在精度与效率难以兼顾的矛盾：高采样率的概率路线图可获取精准路径代价，却伴随极大的计算耗时；低采样率计算高效，却无法保证路径质量。针对这个问题，提出了一种层次概率路线图，以不同的精度计算各目标点对间的路径代价。该方法主要分为2个阶段：初计算阶段，在低采样率的概率路线图上初步规划出所有点对之间的路径，得到初始邻接矩阵；重计算阶段，选取对遍历次序求解敏感的部分点对，在高采样率的概率路线图上精确地规划其路径并更新邻接矩阵。最后构造出相应的旅行商问题并求解出最优遍历次序，依次将目标点用路径连接起来得到全局遍历路径。为合理地选取重计算点对，提出了自适应选取策略，融合依路径代价和依目标点聚类2种子策略。以目标点的最佳聚类数为判别依据，使用阈值判定目标点集的空间分布情况，并自动选取相应的子策略。在多种仿真环境下进行对比试验，验证了自适应策略的有效性。与已有方法相比，该算法生成的路径代价减小0.5%~1.0%，计算耗时减少20%~40%，具备更高的计算效率。

基于草图的三维模型检索，由于其直观的人机交互方式，已成为三维模型检索领域中一个重要研究方向。然而，在实际应用中三维模型类别数量庞大且持续增长，训练数据难以覆盖所有潜在类别，使得传统基于类别标签的监督学习检索方法难以适应开放环境下的新类别检索需求。因此，基于草图的三维模型零样本检索成为提升模型开放场景适应能力的重要研究内容。该任务不仅需要解决草图和三维模型之间的模态差异，还需要在缺乏未知类别样本的条件下，实现从已见类别向未见类别的有效知识迁移。为解决上述问题，设计了层次化对齐方法，通过输入层与特征层的渐进式对齐策略缓解跨模态差异的同时实现知识迁移。在输入层，通过对抗学习方法生成伪视图，将草图转化为更接近三维模型多视图的伪视图表示，从源头缓解模态差异；在特征层，先建立共享的语义嵌入空间，结合多粒度度量学习方法，引入语义一致性约束、语义增强机制和类级代理约束，提升特征表达能力。在SHREC 2013和SHREC 2014数据集上的实验结果表明层次化对齐框架在多项性能指标上取得了具有竞争力的结果。消融实验进一步证明伪视图生成机制和多粒度度量学习策略的有效性，说明输入层的模态对齐以及特征层的语义对齐能够协同优化跨模态特征表示，提升零样本检索性能。

辊压成形是航空结构件规模化生产的典型连续成形工艺，其运行涉及辊压速度、成形温度、辊轮压力等多类耦合性强的关键参数，且故障演化隐蔽、早期征兆不明显，传统故障预测方法存在适应性差、可解释性不足及工程落地性弱等问题，难以满足设备预测性维护需求。为此，提出一种多参数阈值融合的故障预测方法并集成于辊压成形设备数字孪生系统，构建由单参数异常评分、多参数耦合效应评分及分数融合决策组成的三模块智能评估体系，建立分级阈值预警机制以实现设备运行状态精准感知与故障风险量化。其中，单参数异常评分模块为核心参数划分三级区间，通过分段函数量化参数偏离程度；多参数耦合效应模块引入压速比监控、低温-高压、低速-高压等具有物理意义的耦合规则，识别单参数视角下的复合异常；分数融合决策模块经可调权重线性融合各异常评分生成综合故障概率，结合双重条件触发决策逻辑，实现设备的分级预警。该模型依托数字孪生系统分层架构，实现参数实时采集、全流程在线计算与结果可视化，形成闭环运维流程。实验验证表明，该方法在多工况测试集中预测精度高、工程适应性好，性能显著优于传统单参数阈值方法，能有效降低误报与漏报，为辊压成形设备预测性维护提供了可靠技术支撑。

针对复杂系统建模面临的模型构建复杂、SysML2.0语法学习成本高等问题，提出一种基于语法-语义双层提示策略的SysML2.0模型智能生成方法。在语义层，构建结构化语义提示模板，对系统组成、行为及关系进行规范化表达。在语法层，设计零样本、指令式和少样本三类提示策略，引导大模型生成符合SysML2.0语法规范的组成图与活动图模型代码。同时，建立模型复杂度与生成准确率评价指标，对不同提示策略、模型复杂度及大模型条件下的生成效果进行系统验证。结果表明少样本提示策略在不同复杂度和不同大模型条件下均表现出接近100%的生成准确率，显著优于零样本与指令式提示策略。虽然随着模型复杂度增加，各方法生成性能均有所下降，但少样本提示策略表现出更好的适应性与稳定性。可见基于少样本驱动的语法-语义分层提示机制能够缓解大模型在SysML2.0模型生成中的语义幻觉与结构错误问题，在无需大规模标注数据的条件下提升模型生成质量，为基于模型的系统工程从人工建模向智能建模转变提供了可行路径。

导管架外挂井槽技术因其可充分利用现有平台以较低成本开发在役油气田新增储量而得到广泛应用。然而，现有外挂井槽研究大多集中于水深30 m级以内的浅海区域，对于超深水环境，带有外挂井槽的导管架连体结构传力机制更为复杂。为弥补超深水在役导管架平台外挂井槽抗震性能机理认识不足的问题，选取某在役超深水导管架平台外挂井槽设计方案为对象，利用传统海工分析软件SACS建立精细化有限元模型，基于200年一遇地震加速度反应谱开展动力响应仿真分析，并对水平输入方向进行离散工况计算，从而着重分析连接体刚度对外挂井槽导管架结构抗震性能的影响规律。连接体刚度通过调整连接体材料弹性模量进行参数化，模拟分析0.50，0.75，1.00，1.50和2.00倍原始刚度下的结构响应；借助SACS软件图学功能生成应力云图及结构前5阶模态振型图，用于直观识别应力集中区域与动力特性差异。进一步以连接区敏感杆件为研究对象，引入混合效应模型量化连接体刚度与最大UC值及其应力分量之间的相关关系，以削弱杆件尺寸与位置差异带来的随机影响。结果表明，连接处杆件应力水平显著高于周边部位，且在连接体刚度增大时连接区敏感杆件最大UC值整体呈上升趋势，个别杆件在2倍刚度下UC值可超过1.0；混合效应模型显示连接体刚度与最大UC值呈极显著正相关，且最大UC值的升高主要由剪应力与弯曲正应力随刚度增大所驱动，轴向应力影响不显著。结合方向离散结果可知，由于导管架与外挂井槽动力特性差异引起的不同步位移效应，垂直于连接方向的地震作用更易导致不利结构响应，过高刚度可能加剧连接部位应力集中并压缩安全储备。需要说明的是，仿真分析基于单一在役平台工程方案且采用线性体系方法，所得规律侧重机理性与趋势性，后续仍需在不同海域地震输入、不同平台尺度及不同构造条件下进一步对比验证，并可结合非线性分析与细部建模提升工程适用性。

隧道三维重建技术可广泛应用于结构病害检测、运维状态可视化展示、结构安全状态评估，以及数字孪生模型构建。针对现有基于单目视觉的隧道三维重建技术存在的自动化程度低、建模精度不足、建模效率欠佳等缺陷，本研究提出了耦合无人机和计算机视觉的隧道三维重建技术。在硬件端，集成了隧道巡检无人机，机体结构采用碳纤维和铝合金材料，配备光流传感器、激光雷达、三轴陀螺仪、三轴加速度计、电子罗盘以及数字气压计等传感器，基于多传感器融合策略在GNSS受限的隧道环境内实现厘米级定位与导航，搭载高性能光电吊舱，实现高清视频实时采集和传输。在算法端，集成了隧道三维重建算法框架，具体包括隧道视频截取与分帧、基于SfM技术解算相机位姿和稀疏点云、通过Gipuma算法生成深度图、基于TGV优化算法进行表面模型重构、利用纹理重建技术构建隧道纹理模型。试验结果表明，隧道巡检无人机可在复杂的隧道环境内稳定飞行，并采集高质量的视频数据。以视频帧为数据源，公路隧道三维重构模型的均方根重投影误差为1.52像素，最大重投影误差为25.44像素，网格数量为668 088。进一步探究了视频帧数量与尺寸对三维重建的影响：采用99张视频帧作为原始数据，可在建模精度与效率之间取得良好平衡；当计算资源充足时，建议先对原始视频帧进行上采样，再执行SfM，然后使用原始尺寸深度图进行表面模型重建。将本研究的建模算法框架与传统方案进行对比，结果证明该算法具有更高的计算精度与效率，且对计算机硬件依赖性较低。此外，在地铁隧道场景中的泛化性试验验证了该技术具有良好的工程可拓展性。其设备和算法可为自动、精准、高效的隧道三维重建提供支撑。

随着地下空间工程规模持续扩大与建设复杂度不断提升，传统基于BIM、点云或网格的静态离散模型交付方式，存在更新滞后、数据量大或视觉失真等问题，难以满足施工全流程动态可视化呈现与精准管控的迫切需求。针对上述挑战，提出一种融合四维高斯溅射(4DGS)与增强现实(AR)技术的数字孪生模型可视化交付方法，旨在实现地下空间施工过程模型的高保真动态重建与沉浸式交付。该方法构建了覆盖时序数据采集、4DGS动态建模与AR可视化交互的全链路技术框架。首先，依托多视角时序图像与三维高斯溅射(3DGS)技术，为各关键施工节点的静态模型赋予离散时间戳属性，构建四维现场施工进度的高斯溅射模型；其次，轻量化压缩3DGS模型，并部署至移动AR终端，支持不同施工阶段数字孪生体的虚实叠加对比、时序回溯、多轴向剖切与交互式实时分析。在多处典型地下工程场景的实验验证表明，经压缩的3DGS模型存储体积较传统点云和网格模型大幅缩减，且在峰值信噪比(PSNR)、结构相似性(SSIM)及感知相似度(LPIPS)等视觉保真度指标上实现显著提升。同时，该方法能在AR设备中高保真、动态清晰地还原复杂施工进程，有效规避传统模型的视觉失真问题。融合4DGS和AR驱动传统工程场景中静态、离散的模型交付模式，升级为动态、连续和可交互的沉浸式交付体验，构建形成感知、可视、交互和反馈的全闭环体系，可为地下空间工程的施工技术交底、过程管控及全生命周期运维管理提供坚实的数字底座。

针对非遗传承中认知成本高、知识体系零散和文化信息易流失等现实难题，以陕西面花为典型案例，提出一种融合知识图谱的交互地图设计方法。首先，构建包含传承人、作品、技法、仪式场合、视觉符号、社会意义与地理信息等在内的13类实体关系的领域本体，并融入空间属性规范以支持地理检索与空间分析；其次，提出Aho-Corasick词典匹配规则模板与领域自适应BERT相结合的混合信息抽取框架，在小样本语料上实现实体与关系的联合抽取与置信度融合，实体识别与关系抽取F1值分别达到0.88与0.84，性能优于单一规则或单一深度模型；随后，建立融合空间索引的陕西面花知识图谱，依托Neo4j完成三元组存储、实体链接与关联查询；最后，开发知识图谱与地理信息深度融合的交互式导览地图系统，实现传承人分布、作品溯源与技法传承等多维度查询与空间分析，并支持图谱数据增删改的动态维护。该研究构建了非遗知识抽取、建模、存储及可视化的端到端解决方案，有效提升了非遗知识组织精度与空间化传播体验，为同类非遗项目提供了可复用的实践范式。

针对情感疗愈机器人人机交互中认知机制不明晰、交互效能受个体心理特质影响显著的问题，面向高、低依恋回避用户开展情感交互设计研究。基于依恋理论、认知注意理论和人机交互理论构建情感疗愈机器人“视觉注意-情感整合”认知模型；通过混合实验2(拟人化：高/低)×2(身体比例：半身/特写)×2(交互风格：技术/社交导向)，测量机器人拟人化、身体比例和交互风格对高、低依恋回避用户在情感联结、任务目标及满意度方面的影响；基于眼动实验解析高、低依恋回避用户在交互过程早期威胁评估、注意资源维持和认知加工深度方面的视觉认知机制；引入SSA-BP-SHAP方法，面向高、低依恋回避用户构建基于眼动数据的情感疗愈效果预测模型。研究发现高、低依恋回避用户在人机情感交互中存在2种不同认知模式，高依恋回避者表现为“评估性补偿”，面临情感负荷时出现注视延迟，高度依赖手部等非核心社交线索以缓解压力；低依恋回避者表现为“整合性沉浸”，能迅速将注意集中于面部获取情感共鸣；机器人设计要素对高低依恋回避用户视觉注意分配与主观疗愈体验的影响存在显著性差异，且预测模型可精准量化视觉特征与疗愈效能关系。研究结果为面向不同依恋回避用户的情感疗愈机器人个性化设计与交互优化提供理论依据。

针对智能网联汽车驾驶场景中车载仪表盘信息过载引发的视觉干扰与认知负荷增加等问题，基于视觉选择性注意理论，探究信息权重、布局位置及色彩要素对驾驶员注意分配与信息获取效率的影响规律，构建提升界面可读性与认知效率的设计策略。首先，采用层次分析法(AHP)构建车载仪表盘信息层级模型，确定关键仪表信息的权重关系；其次，通过眼动实验，以中心型布局和哑铃型布局为研究对象，分析车速、电量与续航里程、功率及档位等高权重信息在不同布局下的认知效率差异；随后，运用k-means聚类算法提取主色、背景色、字体色及辅助色等视觉特征，总结车载仪表盘界面的配色规律；最后，基于研究结果提出界面设计策略，并结合系统可用性评价、眼动实验及用户偏好评价对设计方案进行综合验证，筛选最优方案。研究结果表明：行车基本信息在整体信息体系中权重最高，其中车速、电量与续航里程、功率及档位是驾驶过程中最受关注的核心信息；高权重信息布局于视觉中心及其邻近区域时，可显著提升信息搜索与识别效率；色彩方面，蓝色及蓝绿色系为当前仪表盘界面的主流配色，能够兼顾信息可读性与视觉舒适性。综合评价结果显示，所构建界面方案具有良好的系统可用性，以中心型布局结合蓝绿色配色方案在认知效率与用户偏好方面表现最优。基于视觉选择性注意理论构建的信息层级、布局优化与色彩设计策略能够有效优化仪表盘信息结构与视觉呈现方式，提升信息识别效率与界面可读性，为智能网联汽车仪表盘界面的设计与开发提供理论依据和实践参考。