计算机科学与探索杂志

计算机科学与探索杂志2025年第1期

• 融合注意力的异构信息网络嵌入学习综述

  屠佳琪, 张华, 常晓洁, 王佶, 袁书宏

  近年来，图嵌入学习已成为信息网络分析领域最常用的技术之一，其将网络对象嵌入到低维稠密向量空间的同时保留网络结构和内容特征并应用于下游分析任务。然而大多数现实网络是由多种对象类型、对象间的关系以及对象内容特征所组成的异构信息网络（HIN）。因此为了学习更有效的嵌入表达，研究者开始将注意力机制融入到异构信息网络嵌入学习中，用以区分不同层面的异构性对嵌入表达的影响程度。对现有融合注意力的异构信息网络嵌入模型进行综述，全面回顾异构信息网络嵌入在过去五年的研究历程，总结其在解决网络异构性时所面临的内容异构性、结构异构性与语义异构性三大挑战，并概括出一种通用的注意力融合模型框架；针对上述挑战，将现有注意力融合方式分为基于元路径、基于图神经网络以及面向应用场景三大类，并详细对比阐述了各类代表性模型；介绍常用的数据集、基准平台工具和评测指标；总结和探讨异构信息网络嵌入学习未来的研究方向。

• 图像处理中CNN与视觉Transformer混合模型研究综述

  郭佳霖, 智敏, 殷雁君, 葛湘巍

  卷积神经网络（CNN）与视觉Transformer是目前图像处理领域中两大重要的深度学习模型，两者经过多年来不断的研究与进步，已在该领域取得了非凡的成就。近些年来，CNN与视觉Transformer的混合模型正在逐步兴起，广泛的研究不断克服两种模型存在的弱项，高效地发挥出各自的亮点，在图像处理任务中表现出优异的效果。基于CNN与视觉Transformer混合模型进行深入阐述。总体概述了CNN与Vision Transformer模型的架构和优缺点，并总结混合模型的概念及优势。围绕串行结构融合方式、并行结构融合方式、层级交叉结构融合方式以及其他融合方式等四个方面全面回顾梳理了混合模型的研究现状和实际进展，并针对各种融合方式的主要代表模型进行总结与剖析，从多方面对典型混合模型进行评价对比。多角度叙述了混合模型在图像识别、图像分类、目标检测和图像分割等实际图像处理特定领域中应用研究，展现出混合模型在具体实践中的适用性和高效性。深入分析混合模型未来研究方向，并为后续该模型在图像处理中的研究与应用提出展望。

• 基于Transformer模型的时序数据预测方法综述

  孟祥福, 石皓源

  时序数据预测（TSF）是指通过分析历史数据的趋势性、季节性等潜在信息，预测未来时间点或时间段的数值和趋势。时序数据由传感器生成，在金融、医疗、能源、交通、气象等众多领域都发挥着重要作用。随着物联网传感器的发展，海量的时序数据难以使用传统的机器学习解决，而Transformer在自然语言处理和计算机视觉等领域的诸多任务表现优秀，学者们利用Transformer模型有效捕获长期依赖关系，使得时序数据预测任务取得了飞速发展。综述了基于Transformer模型的时序数据预测方法，按时间梳理了时序数据预测的发展进程，系统介绍了时序数据预处理过程和方法，介绍了常用的时序预测评价指标和数据集。以算法框架为研究内容系统阐述了基于Transformer的各类模型在TSF任务中的应用方法和工作原理。通过实验对比了各个模型的性能、优点和局限性，并对实验结果展开了分析与讨论。结合Transformer模型在时序数据预测任务中现有工作存在的挑战提出了该方向未来发展趋势。

• 深度学习在心力衰竭检测中的应用综述

  王永威, 魏德健, 曹慧, 姜良

  随着生物医学技术的发展，利用生物信号进行心力衰竭的早期诊断已成为提高患者生存率和降低治疗成本的关键策略。在此背景下，深度学习技术的迅猛发展为心力衰竭检测开辟了新路径。系统地综述了深度学习在心力衰竭检测中的最新进展和应用。概述了心力衰竭检测涉及的主要生物医学信号和公开数据集。详细分析了深度学习在心力衰竭诊断领域的应用及其发展，特别是对卷积神经网络和长短期记忆网络处理心电图、心率变异性、心音等关键生物医学信号的能力进行了深入分析，总结了这些技术的优势、局限性，并对各类模型性能进行了比较。探讨了通过融合多种人工智能技术所构建的混合模型在提升检测精度和模型泛化能力方面的潜力，以及如何利用模型的可解释性来增加检测过程的透明度，提升医生的信任度。最后总结了当前研究存在的不足，并对未来研究方向提出展望，强调了跨学科合作在推动心力衰竭检测技术进步中的重要性。

• 多模态场景下AIGC的应用综述

  岳颀, 张晨康

  虽然生成式人工智能（AIGC）已经能够在单一模态应用领域取得优异成果，可以利用人工智能技术生成文字、图像、视频等内容，但单一模态的特征表示很难完整包含某个现象的完整信息。为了提高模型的学习性能和生成能力，学者们提出将多模态信息应用在AIGC中。AIGC能够对输入的多模态信息进行融合，获取更丰富的上下文信息，帮助模型更好地理解和生成内容。深入探讨了AIGC处理多模态问题的基本架构、工作原理和挑战，并对近年来与多模态信息结合的AIGC模型进行了分类和归纳。总结了AIGC在多模态图像生成、视频生成、三维形状生成等方面的应用、挑战和发展方向。在图像生成方面，讨论了生成对抗网络（GAN）模型、扩散模型等技术的应用和局限性。在视频生成方面，分析了基于扩散模型的视频生成技术，并探讨了音视频联合生成的方法。在三维形状生成方面，探讨了扩散模型和神经网络指导下的三维形状生成方法。最后提出了AIGC面临的挑战与未来潜在的研究方法。

• 融合前缀调优和提示学习的仇恨言论检测方法

  徐磊, 胡亚豪, 陈满, 陈军, 潘志松

  随着网络社交平台的发展，网络暴力的危害性日益凸显，其中仇恨言论作为网络暴力的一种表现形式，对其检测方法的研究有助于构建一个健康的互联网环境。然而，一方面先前的仇恨言论检测方法主要依赖于人工监管和关键词过滤，这些方法存在人工成本高且分类效果不佳的问题；另一方面，在互联网平台的监管下，仇恨言论的表达也变得更加含蓄、隐蔽，这对检测模型的文本理解能力提出了更高的要求。以ChatGPT为代表的大模型为仇恨言论检测任务提供了新的可能性，受其在各项下游任务中出色表现的启发，提出了一种融合前缀调优和提示学习的仇恨言论检测方法P-Prompt。利用前缀调优方法将大模型在相关数据集上进行微调，同时结合提示学习方法使模型能够识别并关注待检测文本中的仇恨言论词汇，从而进一步提升模型对仇恨言论的识别能力。实验结果验证了大模型在仇恨言论检测任务的有效性，与传统方法相比P-Prompt方法在仇恨言论检测的二分类和多分类任务中各项评价指标都取得了较明显的提升。

• 融合知识图谱和大模型的高校科研管理问答系统设计

  王永, 秦嘉俊, 黄有锐, 邓江洲

  科研管理是高校管理中的重要组成部分，但现有的科研管理系统难以满足用户的个性化需求。以高校科研管理向智能化转型为需求导向，将知识图谱、传统模型和大语言模型相结合，共同构建新一代高校科研管理问答系统。采集科研知识用于构建科研知识图谱。利用同时进行意图分类和实体提取的多任务模型进行语义解析。借助解析结果来生成查询语句，并从知识图谱中检索信息来回复常规问题。将大语言模型与知识图谱相结合，以辅助处理开放性问题。在意图和实体具有关联的数据集上的实验结果表明，采用的多任务模型在意图分类和实体识别任务上的F1值分别为0.958和0.937，优于其他对比模型和单任务模型。Cypher生成测试表明了自定义Prompt在激发大语言模型涌现能力方面的成效，利用大语言模型实现文本生成Cypher的准确率达到85.8%，有效处理了基于知识图谱的开放性问题。采用知识图谱、传统模型和大语言模型搭建的问答系统的准确性为0.935，很好地满足了智能问答的需求。

• 网络威胁技战术情报识别提取生成式技术研究

  于丰瑞, 杜彦辉

  MITRE ATT&CK定义了网络攻击全过程14类战术625类技术，逐步成为网络威胁技战术情报（TTP）的事实标准，现有研究基于此分类将TTP识别提取问题转化为句子级别的战、技术类别多分类任务，利用深度学习、基于提示工程的大语言模型进行问题研究。但限于数据集小样本类别占比大、多分类模型性能瓶颈问题，类别识别覆盖率与精度较低。提出结合ChatGPT数据增强和指令监督微调大语言模型的方法，较好地解决了句子级别技术类别多分类问题。ChatGPT数据增强方法在保留原始样本语义基础上更好地丰富了样本多样性，为小样本学习高性能识别提供了高质量训练数据支撑，实验结果也证明了本数据增强方法的优越性；指令监督微调大语言模型，突破了深度学习多分类模型的性能瓶颈，实现625类技术类别识别全覆盖，Precision、Recall和F1值分别达到了86.2%、89.9%和88.0%，优于已有研究。

• 面向私有问答系统的检索增强式大模型稳定输出方法

  李铂鑫

  基于大模型的问答系统受大模型语义不一致性问题的影响，会出现“输出结果不稳定”的现象，从而制约着问答系统的安全性、鲁棒性和可信度，严重影响了用户体验。针对上述问题，提出一种面向私有问答系统的检索增强式大模型稳定输出方法。该方法通过优化提示词，让大模型首先输出num_k个用户查询的同义查询，然后输出答案；目的是在大模型输出答案时，可以参考已经输出的num_k个同义查询，从而使大模型的输出结果更加稳定。针对开源大模型因指令理解能力弱而出现的“同义查询生成数目不稳定、输出格式无法解析”等问题，提出通过数据蒸馏的方式，利用闭源大模型自动构建了一个开放域上的检索增强式指令数据集，在该指令集上对开源大模型进行微调。构建了一个私有问答场景下的评估集以验证该方法的有效性。在上述评估集上的实验结果表明，该方法在一致性指标和效果指标上，均显著优于基线方法。与基线方法相比，该方法的一致性指标ROUGE-1、ROUGE-2、ROUGE-L和BLEU分别提升了18.9、30.1、24.5和30.6个百分点，效果指标正确率提升了17.4个百分点。

• 面向无人机协同定位的机载深度计算编译优化

  熊康, 刘思聪, 王宏涛, 高元, 郭斌, 於志文

  随着无人机技术快速发展，在定位信号缺失的情况下进行无人机定位成为一个研究难题。而近几年图神经网络的出现与发展，为解决这一难题提供了一种新的解决思路。然而在资源受限的无人机端侧部署图神经网络面临着无人机算储资源受限及实时性难以满足等挑战。提出面向无人机协同定位的机载深度计算编译优化方法。采用了一种轻量化的时间图卷积神经网络模型，该时间图卷积网络由图卷积网络和门控递归单元组成，将无人机群的空间依赖性和无人机位置变化的时间依赖性同时加以考虑，对无人机群位置进行精确的预测；针对该模型在时间图卷积网络上的冗余特性，提出了基于逆向Cuthill-McKee图重排和基于双深度确定性策略梯度的全局自适应剪枝算法。在保证无人机群坐标精确预测的同时，不仅能提高数据在主存的空间局部性，加速模型的运算速度，而且能够对模型进行自适应的非结构化剪枝，降低模型的存储复杂度。实验结果表明，相对于已有的时间图卷积神经网络模型，编译优化后的轻量化时间图卷积神经网络模型在保留78.8%准确率的同时，模型计算时间降低37.9%，模型的平均剪枝率达到90.3%。

• 大邻域多约束无人机数据收集路径规划

  潘淼鑫, 陈崇成

  在公网受限的应急环境中，利用无人机辅助物联网能促进传感数据的及时传递。当考虑无线通信距离时，无人机作为移动收集器在有限续航时间内收集尽可能多的传感数据的路径规划可建模为足够近定向问题（CEOP）。现有求解CEOP的算法是逐个计算目标节点的访问顺序及其邻域内的采集点，这在节点邻域较大并覆盖周围多个节点时效率低下，这些方法也没有考虑数据传输时间和无人机遥控距离等约束。为此，建立了大邻域多约束无人机数据收集路径规划的数学模型，提出了基于贪婪随机自适应搜索过程（GRASP）的GRASP-LN算法进行求解。该算法不重复计算重合的采集点，而是维护路径每个航点采集的节点集合，无人机在每个航点悬停一段时间以收集集合内节点的数据。公开的CEOP数据集的实验结果表明，GRASP-LN比GSOA、VNS和GRASPopt具有更好的求解质量和更短的计算时间。与基线算法GRASPopt相比，GRASP-LN的路径奖励平均提高了5.86%，最大提高了14.91%，执行时间平均减少了69%，特别在节点邻域平均覆盖4.67个以上节点时，GRASP-LN的路径奖励和稳定性均优于GRASPopt。考虑数据传输时间和无人机遥控距离约束的实验验证了GRASP-LN算法对考虑这些约束的无人机数据收集路径规划问题的有效性。

• 面向异构社交网络的空-频域自适应图神经网络

  张岚泽, 顾益军, 彭竞杰

  传统GNN基于同构性假设对近邻节点实现低通滤波功能完成邻域相似信息的聚合嵌入。但在异构图中分属不同类别的节点彼此多建立联系，而相同类别的节点在图拓扑位置上距离较远。这一特点给注重近端邻域信息聚合的传统GNN带来“远端节点信息聚合缺失”与“同构性假设失灵”的问题。因此设计融合空域与频域自适应嵌入机制的异构图神经网络（DA-HGNN）以解决上述问题。针对问题一，设计“远端空域嵌入模块”，旨在通过高阶随机游走迁移概率筛选并聚合远端相似节点，补充“消息传递的跨邻域自适应性”；针对问题二，设计“近端频域嵌入模块”，构建滤波器分离节点高频与低频信号，并设计频域导向型注意力机制对上述信息进行频域偏好的自适应融合，从而减少“同构性假设失灵”所引入的噪声。在四个公开异构图数据集中取得最优实验结果，准确率上平均提高6.41个百分点。在灵敏度分析和消融实验中阐述了超参数的选择机制和各模块的实际性能，并验证了在异构网络中“节点结构相似性”“节点属性向量相似性”以及“节点同构性”三者之间仍呈现正相关关系这一结论。在异构真实数据集中验证了欺诈检测效果，AUC指标提升4.4个百分点。

• 双编码端高分辨率遥感影像语义分割算法

  吴梦可, 高心丹

  遥感影像具有多尺度对象、复杂背景、不均衡类别等特点。基于卷积神经网络（CNN）的语义分割算法难以捕捉到影像的全局特征，导致分割效果不佳。针对以上问题，利用Swin Transformer的全局特征提取能力，提出了双编码端高分辨率遥感影像语义分割算法DEGFNet。设计特征融合模块（FFB）将Swin Transformer捕获的全局特征引入编码端，应对多尺度对象带来的挑战。在Swin Transformer中设计空间交互模块（SIB），降低复杂背景样本带来的负面影响；在解码端引入全局-局部注意力模块（GLTB）和特征细化模块（FRB），来更好地利用编码端提取的信息，提高语义分割的精确性；采用交叉熵损失和Dice Loss组成的混合损失函数训练模型，减轻样本类别不均衡带来的消极影响。在Vaihingen数据集上，宏观平均F1值（mF1）、平均交并比（mIoU）和整体准确率（OA）指标分别达到91.9%、84.8%和92.4%；在LoveDA数据集上，mIoU指标达到55.0%，均展现出了更好的语义分割效果和良好的泛化性。

• LightGCNet：基于轻量化卷积网络的深度色域压缩算法

  杨晨, 徐昊, 朱佳伟, 吴秦, 柴志雷

  色域压缩是大色域向小色域进行转换时保持色彩信息的关键技术。经典算法虽计算快速，但处理结果缺乏细节且没有考虑人眼的感知特性，难以满足人们对色彩品质不断提升的要求。迭代算法处理效果更佳，但极其耗时，无法投入实际应用。针对上述问题，提出了轻量化的深度色域压缩方法，该方法可在逼近迭代算法计算效果的同时保持接近经典算法的速度。为色域压缩算法设计了LightGCNet模型，该网络中的双层卷积由DSC与DW卷积组合而成，相比常规U-Net，参数量与计算复杂度急剧降低。为进一步提高模型先验性，将预训练得到的DW卷积中多个核通道进行重聚焦操作以建立联系，最终权重由重聚焦权重和预训练权重组成。针对色相、明度、彩度这三个色彩属性，设计了色域压缩专用的损失函数。该函数不仅考虑了像素级损失，而且融合了图像感知损失，并联合色彩属性的多尺度信息进行加权，解决了深度色域压缩过程中细节丢失的问题。基于迭代算法生成标签以训练网络，联合学习目标色域特征与图像信息，实现了与迭代算法相当的效果。实验结果表明：该方法与业界经典的SGCK算法相比，iCID值降低了17.08%，SSIM值提高了5.30%。相比常规U-Net模型，LightGCNet参数量减少了82.96%，乘加次数从8.5 GFLOPs大幅下降至2.2 GFLOPs，使改良模型更适于低端设备部署。该模型在CPU上处理单幅512×512图像仅需0.208 s，计算时间比迭代类算法减少99.92%。

• 多尺度差分特征增强网络的遥感影像变化检测

  王杰, 蒋伏松, 蒋鹏

  遥感影像变化检测旨在识别不同时期遥感影像中的目标差异，近年来基于卷积神经网络的方法在遥感影像变化检测任务中取得了很大进展。然而，受光照变化和季节更替的影响，不同时期遥感影像中的伪变化问题仍然难以解决。同时，大多方法中未充分利用多尺度特征，导致模型的性能和准确率受到一定程度的限制。针对上述问题，提出一种多尺度差分特征增强的变化检测方法。利用由孪生网络编码器和差分网络编码器组成的并行编码框架分别提取不同层级的特征，将同级的双时特征和差分特征通过拼接的方式建立两者间的互补关系。引入差分特征增强模块获取更具判别性的特征图并将其作为差分网络编码器的补充输入，丰富变化信息的同时增加模型对变化区域的关注度，使其准确地区分地物的真实变化与伪变化。为了增强特征的多样性和表达能力，使用特征错位融合模块实现语义特征的交叉融合，让每个特征中的语义信息得到充分而不同的交互。该方法在CDD数据集和LEVIR-CD数据集上的F1分数分别达到了95.45%和92.04%，交并比分别达到了92.26%和82.93%，与其余八种主流方法相比均为最优，实验结果证明了该方法的有效性。

• CARFB：即插即用的目标检测模块

  杨梅君, 姚若侠, 谢娟英

  针对坐标注意力（CA）在水平和垂直方向特征的平均池化可能丢失目标显著特征，以及使用二维普通卷积对小目标特征学习不足的情况，提出了CARFB（coordinate attention and receptive field block）模块。该模块将CA的平均池化修改为平均+最大池化，以保留输入特征在水平和垂直方向的显著和细节信息；利用RFB具有不同大小感受野的优势，在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积，以同时提取不同大小目标的特征；引入包含不同大小卷积核和步长的CBS模块，替换CA的二维普通卷积，进一步提取水平和垂直方向的特征，得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息，利用不同感受野提取不同大小目标的强辨别性特征，从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能，将其嵌入ObjectBox目标检测框架，得到ObjectBox-CARFB模型；用CARFB模块替换RFB net中的RFB模块，得到CARFB net目标检测模型。MS COCO数据集的实验测试表明，ObjectBox-CARFB模型的性能得到全面提升，尤其对小目标的检测性能提升突出；PASCAL VOC和MS COCO数据集的实验结果表明，CARFB net300和CARFB net512的目标检测能力分别优于原始RFB net300和RFB net512模型，并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力，对不同尺度目标均能取得较好的检测效果，特别是在小目标检测方面，效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络，能保存更多的目标信息，具有更强的特征学习能力和更高的网络性能，对不同尺度目标均能取得较好的检测效果，尤其对小目标的检测效果提升显著。

• 集成深度强化学习在股票指数投资组合优化中的应用分析

  冀中, 张文嘉

  基于集成深度强化学习的投资组合选择是当前量化金融领域的关键技术之一。然而，目前采用上一窗口阶段最优指标决定下一阶段代理的集成滚动窗口方法存在一定的滞后性。为了有效应对这一不足，提出了双层嵌套集成深度强化学习方法。该方法对三种代理（优势演员-评论员、深度确定性策略梯度和近端策略优化）进行两层嵌套模式，第一层集成通过最优化夏普比率进行阶段模型选择，第二层通过加权投票的方法集成三种深度强化学习算法，从单次训练中收集多个模型快照，在训练期间利用这些模型进行集成预测。分别对上证50投资指数和道琼斯指数及其包含的股票进行了投资组合研究，将持有指数被动策略和均值方差投资组合策略作为基线策略。实验采用了投资组合价值、年化回报率、年化波动率、最大回撤和夏普比率等指标作为对比指标。结果表明，所提出的集成方法在实用性和有效性上表现出较好的性能。

• 渐进式策略的多模态无监督实体对齐方法

  马赫, 王海荣, 王艺焱, 孙崇, 周北京

  当前的实体对齐方法，虽然利用知识图谱中实体间的结构信息取得了不错的对齐效果，但是忽略了实体间包含的大量侧面信息。这些信息具有唯一性特征，可以用于增强对齐效果。分析了实体侧面信息在实体对齐中的可用性，提出了一种无监督实体对齐方法，使用渐进式策略并融合图文信息。该方法通过融合实体的字面量信息和视觉信息，来增强实体的特征表示；采用双向阈值最近邻算法，过滤掉距离度量过高的实体对；引入渐进式策略，来动态增加相似度阈值，以控制对齐实体对的生成质量和生成速度；定义分配算法，以优化渐进式策略得到的结果。为了验证提出的方法，在DBP15K数据集的ZH_EN、JA_EN、FR_EN子数据集上进行实验，并与PSR、EVA、DATTI等10种方法的结果进行了对比分析。实验结果表明，该方法在ZH_EN和JA_EN子数据集的对齐任务上，Hits@1指标分别达到了95.7%和97.4%，在FR_EN上Hits@10指标达到了99.9%，性能表现较佳。

• 面向自动语音识别系统的对抗样本生成方法

  于振华, 苏玉璠, 叶鸥, 丛旭亚

  通过对系统进行对抗攻击可以检测系统漏洞，进而提高系统鲁棒性。然而，对抗攻击前往往需要系统的参数信息，这使得攻击条件受限。为此，结合一种新的量子粒子群优化算法，提出一种黑盒有目标对抗攻击方法。该方法通过在原始样本中添加微小噪声，构造差异化粒子群，作为初始对抗样本种群；基于记忆搜索的领域重分布策略得到当前种群的全局最优粒子，从而生成初始对抗样本；融入扩维和自适应权重位置更新，使得种群更接近目标；根据对抗样本与目标语句的编辑距离，继续优化初始对抗样本，生成最终对抗样本。为了验证方法的攻击效果，在Google Speech、LibriSpeech以及Common Voice数据集上，对语音识别模型DeepSpeech进行实验，将目标语句设置为不同场景中的常见语音指令。实验结果表明，提出的方法在三个数据集上成功率都优于对比方法，其中在Common Voice数据集上的成功率比对比方法提升了10个百分点。同时，召集志愿者对生成的对抗样本噪声强度进行主观评估，其中82.4%的对抗样本被志愿者判断为没有噪声或噪声很小。

• 自主可控平台AGV设计及视觉循线算法研究

  徐诗著, 高军, 孙秋君

  设计并实现了一种基于自主可控平台的自动导引车（AGV）。AGV满足核心硬件国产化、软件开源可控的要求，并可兼容多种自主导航算法。对传统纯追踪算法在跟踪精度和安全性上进行了改进：一是载具在直线路段偏离参考轨迹较远的情况下使用Dubins路径进行快速回归；二是在大曲率参考轨迹处使用预瞄点偏移算法纠正跟踪轨迹，减小跟踪误差；三是应用动态预瞄距离和动态速度进一步减小大曲率路段的跟踪误差和安全风险。改进的算法在设计的AGV上进行了实现。在完成AGV设计和改进算法实现后，在实际环境中进行了视觉循线实验。改进的算法在0.1 m/s的速度下在曲率较小路段的平均偏差相较改进前的两种纯追踪算法变体分别减少了3.3%、7.3%，在大曲率路段减少了8.34%、23.06%；在0.5 m/s的速度下在曲率较小路段的平均偏差相较改进前的两种纯追踪算法变体分别减少了9.08%、11.33%，在大曲率路段减少了2.97%、24.67%。改进算法实验的整体结果优于使用改进前两种算法变体的结果，且设计并实现的AGV能够满足一般环境下的视觉循线导航需求，可应用于多种实际场合。