一、超小型飞行器GPS自主导航算法的研究（论文文献综述）
王勇军[1]（2021）在《融合多源信息的小型多旋翼无人机位姿估计方法研究》文中指出小型多旋翼飞行器在整个航空领域扮演着越来越重要的角色,其关键技术是飞控系统中的位姿测量以及航姿的控制。本文针对低成本多旋翼无人机位姿精确量测需求,提出并解决了以下两个关键技术问题:1)如何精确可靠地测量无人机载体位姿并消除（或补偿）传感器的测量误差;2)如何利用多源信息融合进一步提高无人机载体位姿估计精度。针对上述关键问题,其相关理论与方法的研究具有重要的学术价值和现实意义,具体的研究内容及创新点可归纳为以下几个方面。（1）为解决无人机传感测量系统的误差问题,首先针对三轴磁强计、三轴加速度计和三轴陀螺仪的误差,给出了统一的三轴矢量传感器误差模型,分析了航姿角度误差及非对准误差,并通过理论分析指出,基于矢量模值不变特性的标量检验法校正传感器会对姿态角造成不可忽视的剩余误差。为此考虑结合三轴磁强计与三轴加速度计采用双矢量内积法和两步法来校正传感器误差及非对准误差。但是矢量内积法需要约束参考矢量,两步法校正非对准误差要求误差补偿矩阵是正交矩阵。因此,提出用于校正三轴矢量传感器的双内积法。双内积法结合标量校验法与矢量内积法的优点,构建双内积误差目标函数,通过对目标函数进行优化求解,得到的补偿矩阵能解决磁强计与机体坐标系及其他传感器之间的非对准误差,且在受测量噪声影响时仍能保持较好的校正效果。（2）三轴陀螺仪的误差大多在动态情况下才能显式的表出,校正三轴磁强计与三轴加速度的方法仅对陀螺仪的零偏等部分误差校正有效。为此提出了标定小型多旋翼无人机航姿测量系统中三轴MEMS陀螺仪的矢量外积算法。该算法能从本质上统一现有各种基于重力矢量的陀螺仪标定方法,表达式更为简洁,过程计算更方便,而且无需速率转台或其他精密基准,适合于使用环境下对三轴MEMS陀螺仪进行现场标定。通过数值模拟和六旋翼无人机现场标定及飞行实验表明,该方法能精确计算陀螺仪的各误差系数,且与采用转台标定方法的精度相当。将矢量外积标定法和递推数据滤波算法结合可获得稳定的姿态角数据,有利于无人机的飞行控制和载荷任务执行。（3）针对多旋翼无人机中姿态融合算法的问题,设计基于MARG传感器的航姿信息滤波结构,分析并改进无人机姿态融合滤波算法,验证姿态信息融合滤波器能提高无人机导航系统输出的姿态信息精度。针对无人机受运动加速度干扰的问题,为提高水平姿态信息融合的精度,提出一种基于矢量观测的运动加速度干扰抑制姿态融合算法。在此基础上,设计一种抑制加速度和磁场双干扰的矢量并行全姿态滤波器结构,将其与各种常用传感器滤波融合算法结合,不仅能对强干扰和持久性干扰具有更好的抑制性能,而且还可以提高多旋翼无人机的航姿估计可靠性和导航信息精度。（4）针对机载多源信息融合系统,设计多级分散滤波结构,采用联邦卡尔曼滤波算法进行信息融合。通过研究联邦滤波算法中信息分配系数的关键计算方法,分析现有基于协方差和故障概率的信息分配方法不能同时兼顾系统精度和容错性的缺陷,提出一种基于权衡因子的自适应信息分配方法。通过仿真验证,比较三种方法的融合误差,证明所提方法的可行性及可靠性。在联邦滤波算法的基础上,以GPS/电子罗盘/SINS/气压计组合导航系统的高程信息测量为例,给出系统的数学模型,完成信息融合并进行无人机飞行实验,证明了该方法可保障多旋翼无人机在复杂近地面环境下导航状态估计的精度与可靠性。
顾佳辉[2]（2021）在《自主飞行的超小型飞行器》文中研究指明近年来,随着微机电系统、计算机技术以及自动控制理论的进步,无人飞行器尤其是多旋翼飞行器开始逐渐向小型化、智能化和集群化方向发展,其中,四旋翼飞行器因其机械结构简单,容易操控,能够垂直起降和空中悬停,在军事和民用领域逐渐崭露头角。本文设计了一款超小型四旋翼飞行器,并对其自主飞行技术进行了初步的探索,实现了沿规划路径的自主飞行。本文首先交代了无人飞行器的历史背景和研究现状,介绍了四旋翼飞行器的基本结构和工作原理,提出了飞行器的设计指标和整体设计方案,并从硬件和软件两方面分别介绍了飞行器的设计和实现。接着对飞行器的姿态解算和位置估计算法进行了研究,姿态解算采用互补滤波算法,将陀螺仪、加速度计以及磁力计的数据进行融合,计算出旋转四元数,从而获得飞行器的旋转矩阵和姿态角。飞行器的位置估计采用卡尔曼滤波算法,融合加速度计、光流传感器、气压传感器和激光测距传感器的数据,通过状态方程计算出飞行器在空间中的位移和速度。然后对飞行器的控制算法进行了研究,飞行器的位置和姿态分别采用两级PID串联控制,其中,位置控制器包括位移控制环和速度控制环,姿态控制包括角度控制环和角速度控制环。最后对飞行器的路径追踪算法进行了研究,将GPS模块提供的经纬度信息以及位置估计算法提供的高度信息与规划的飞行路径进行对比,计算出飞行器的偏航信息,并利用PID算法控制飞行方向,进行路径追踪,使飞行器能按照规划路径进行自主飞行。实验表明,本文设计的姿态解算算法和位置估计算法能够获得较为准确的姿态和位置信息,并且在飞行器自主飞行过程中,实际的飞行轨迹与规划路径基本保持一致,验证了本文设计的飞行控制算法和路径追踪算法的有效性。
祝宇翰[3]（2020）在《基于惯性系统和短基线定位系统的组合导航算法研究》文中提出水下机器人作为人类进行海洋资源勘探与开发的主要手段之一,由于其体积小,隐蔽性强的特点,在军事运用方面和民用方面都有很大的前景,因此加大水下机器人领域研究的投入对我国加快建设海洋强国战略的重要性不言而喻。导航定位技术在水下机器人相关技术中处于重要地位,是实现水下机器人正常工作以及自主化、智能化的必要条件之一,惯性导航系统由于其独立自主性、隐蔽性和输出的导航参数全面的优点,一直以来都是水下导航系统的首要选择,但也由于其定位误差会随着时间积累的工作特性,只能在短时间内提供高精度信息,不适合单独使用,需结合其它辅助导航系统进行组合导航。而因为电磁波信号在水下传播时衰减严重导致GPS无法用于水下定位,目前水下导航系统较多采用声学定位系统进行辅助。其中,短基线定位系统由于其基阵尺寸小,布置相对简单,在一定范围内定位精度高等特点,而广泛应用于微小型水下机器人组合导航定位系统中。本文基于现有的一台搭载惯性导航系统的有缆水下机器人和一套短基线水声定位设备来研究提高导航定位精度的组合导航定位算法,论文主要研究内容如下:1.对惯性导航系统和声学定位系统的工作原理进行了介绍,并分析这两类导航系统的误差来源,推导出本文采用的惯性导航系统解算算法。接着对本文采用的惯性测量元件和短基线定位设备进行了介绍,给出了惯性测量元件的误差模型并进行了噪声标定,通过噪声标定确定了惯性测量元件的误差模型参数并进行了误差补偿。2.对扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的原理进行介绍,并基于本文采用的惯性导航系统和短基线定位系统的组合,确定系统的状态量并对两种滤波算法进行了推导。对比分析了两种算法的优劣势。3.介绍了两种算法的具体实现以及参数的选取,在MATLAB软件中对两种算法进行仿真实验,通过仿真实验结果的分析,验证了所采用算法的可行性并对比分析了算法的性能。4.介绍了组合导航系统的试验平台、组合导航系统的总体框架,近一步在试验平台上验证了本文采用组合导航算法,通过对湖试采集的数据结果分析,验证了算法的可行性。
王诺[4]（2020）在《冗余式MEMS-SINS的非线性组合导航技术研究》文中进行了进一步梳理为了保证导航系统长时间稳定工作,可以利用冗余方式提升捷联惯性导航系统（Strapdown Inertial Navigation System,SINS）的可靠性,而微惯性测量单元（Micro Inertial Measurement Unit,MIMU）体积小的特征,为冗余技术的应用提供了条件。为了弥补SINS误差随时间累积以及低成本MEMS惯性器件精度低的问题,可以利用冗余式MEMS捷联惯导系统与全球导航卫星系统（Global Navigation Satellite System,GNSS）在误差传播性能方面互补的特性进行组合。然而,一方面需要进一步研究如何抑制MEMS惯性器件精度低对组合导航姿态角估计的影响;另一方面需要进一步考虑如何应对GNSS信号受干扰、失效的问题。同时,信息融合技术也是影响组合导航效果的重要因素,如何更好地利用信息融合技术提升估计精度也需要进一步研究。为了保证MEMS组合导航系统的可靠性和导航效果,本文将从如下几个方面展开研究:首先,选择器件级冗余方式提升系统的可靠性,通过对系统进行可靠性分析确定系统冗余配置的数目和结构,并考虑惯性器件故障后的系统重构问题。并对组合导航系统的非线性滤波方法进行了介绍和分析,重点介绍了适用于强非线性条件下的无迹卡尔曼滤波算法（Unscented Kalman Filter,UKF）。针对GNSS信号易失效问题,在其失效后利用里程计（Odometer,OD）与冗余式MEMS-SINS进行组合,以保证系统导航效果的连贯性;设计完成冗余式MEMS-SINS/GNSS与冗余式MEMS-SINS/OD的组合方案,并给出工作模式的切换规则。其次,由于系统状态量的可观测性强弱能够反映出状态估计的效果,因此,针对航向角估计发散问题,可以利用非线性系统可观测性分析的方法找出其具体原因。由于非线性系统的可观测性分析方法目前学术界尚没有统一的定义,为了能够快速简便的对其进行分析,可以利用Taylor级数展开的方式在一个时间段内将其近似为线性时变系统,然后利用PWCS和SVD方法对冗余式MEMS-SINS/GNSS组合的状态量进行可观测性的定性与定量分析。再次,针对航向角状态量可观测性弱的问题,通过单基线GNSS测量得到的航向角对系统进行航向约束,能够有效提升系统航向角的估计效果;针对单天线GNSS在转弯状态测量得到的航迹角存在侧滑角的问题,通过转弯判断规则对系统的运动状态进行判断,当检测到系统处于转弯状态时,关闭航向约束,仅利用MEMS实现系统短时有效输出;针对MEMS器件精度低,关闭航向约束对系统导航效果造成的影响,通过基于Sage-Husa得到的非线性噪声统计估计器以及利用模糊推理改进的自适应UKF算法在短时间内抑制该影响。结果表明,该算法能够有效保证系统导航精度。然后,针对GNSS信号易失效问题,在检测到GNSS信号失效后利用里程计与冗余式MEMS-SINS进行组合,保证系统导航效果的连贯性。针对里程计量测信息易受野值干扰的问题,首先对里程计量测信息中可能出现的野值情况进行了分析,然后建立野值检测规则;当系统检测到量测信息中出现野值后,通过新息向量改进常规UKF算法,完成改进的抗野值自适应UKF算法设计。通过仿真实验证明,该方法能够有效改善里程计野值信息对系统导航效果造成的影响。最后,分别将冗余式MEMS-SINS/GNSS组合部分与冗余式MEMS-SINS/OD组合部分的滤波器作为子滤波器1与子滤波器2。利用联邦滤波的方式将两种子滤波器的滤波方法融合起来,从而验证组合导航总体方案设计的导航效果。通过仿真实验证明,该总体方案能够实现系统连续、高精度、高可靠性的导航目的。
彭亮[5]（2019）在《基于无人机平台的GNSS/INS组合技术研究》文中提出旋翼无人机具有质量轻、体积小、携带方便等优点,被广泛的应用在多种民用场合。导航系统作为旋翼无人机非常重要的部分,是实现旋翼无人机平稳飞行的基础。全球导航卫星系统（Global Navigation Satellite System,GNSS）具有长时间高精度定位、误差不随时间累积等优点,但易受外界影响,信号容易被遮挡;惯性导航系统（Inertial Navigation System,INS）具有不受外界干扰,短时定位精度高等优点,但误差会随时间累积,不适合长时间单独定位。由于两者正好优劣互补,因而GNSS/INS组合能够充分利用各子系统的优点,从而提高旋翼无人机的定位精度和可靠性。故本文重点研究GNSS/INS组合导航技术,以满足旋翼无人机的定位需求。本文主要研究工作和创新点归纳为以下四个方面:（1）INS:从旋转矩阵的计算、速度和位置更新、姿态角提取三个重要环节阐述了INS在e系中的基本导航算法,并对INS的初始化进行了详细的论述。（2）GNSS:主要介绍了GNSS系统的组成,详细阐述了基于最小二乘法的GNSS伪距定位原理及其算法,并分析GNSS定位中出现的多种不同的误差以及其各自的消除或减弱的办法。（3）GNSS/INS:对离散卡尔曼滤波算法、序贯卡尔曼滤波算法以及平滑卡尔曼滤波算法做出了详细的阐述;推导了INS通用状态方程,并阐述了e系中组合定位模型。（4）GNSS/INS实验研究:通过实地的飞行器实验数据,详细分析了在仅卫星定位、组合定位和GNSS失锁后组合定位三种条件下,所得出的定位结果及其定位精度,论证了GNSS/INS组合的优势性及INS长时间定位的误差累积性。同时,对比了GNSS失锁后标准卡尔曼滤波组合定位与GNSS失锁后平滑卡尔曼滤波组合定位的结果,体现了事后平滑的优势性。
薛白[6]（2019）在《基于自适应神经网络的系留六旋翼飞行器控制系统的应用研究》文中研究指明近年来,随着MEMS惯性传感器大规模的兴起和航空技术飞速的发展,结构简单、机动性强的多旋翼飞行器逐渐被应用到各个领域。目前主流的多旋翼无人机大多使用锂电池作为动力,但锂电池的容量有限且充电时间较长,这些问题一直制约着多旋翼的续航和载重,因此研究人员越来越倾向于系留浮空器这种方式。虽然能够长时间留空工作,但存在体积较大,机动性能较差等缺点,不能按照规划的路径飞行。因此本文结合多旋翼和系留浮空器的特点,开发出性能稳定、功能完善的系留六旋翼飞行控制系统,与普通六旋翼相比,系留六旋翼通过系留电缆供电,能实现不间断的飞行。多旋翼飞行姿态在空中受线缆影响较大,线缆在跟随机体运动过程中,处于牵引飞行器状态。线缆自身运动惯性会干扰多旋翼飞行器的稳定飞行,对系留多旋翼的姿态解算和控制算法要求更高,本文设计了神经网络自适应控制算法,并对该算法做出仿真分析。主要研究内容包括:1.设计硬件系统平台。分析国内外经典的开源飞控系统,结合系留六旋翼的应用需求,进行硬件系统方案的设计。按照功能模块的具体要求,对各个模块进行设计和调试,完成硬件系统平台的设计。2.设计系留六旋翼控制系统。在传统PID控制中融入RBF神经网络实现控制参数的自适应调整,并采用MATLAB对PID、串级PID及自适应控制器进行仿真分析对比,实验表明神经网络自适应控制效果更好。3.设计航姿参考系统。首先对所有传感器数据进行校正,并采用滑动滤波对MEMS传感器数据进行滤波处理,然后设计互补滤波算法,实现了姿态解算,实验表明算法性能良好,为系留六旋翼的稳定飞行提供了保障。4.基于ARM-Linux设计软件系统。搭建ARM-Linux开发环境,对控制系统按照功能和任务进行划分和设计。在主控模块上移植Bootloader、裁剪及配置Linux内核、创建根文件系统等。5.设计系留六旋翼供电系统。地面220V交流电作为输入,经电源模块输出400V直流电,通过系留电缆输送至升空平台,降压后为系留六旋翼提供不间断动力,最后对飞行器进行场地试飞。
张桢浩[7]（2019）在《基于环境感知的无人机编队关键技术研究》文中研究指明无人机作为一种新形态机器人,他的出现促进了农业,林业等传统行业的技术变革,拓宽了影视业等行业的技术手段,丰富了人类的日常生活。其作为一种新型智能载体,已融入在了军事,民用,工业等各个领域,促进了社会经济,人文等各方面的发展。但是当前无人机的应用大部分都是单一个体的简单应用,常用于代替简单的自动化任务,而不具备单智能体所强调的智能性,也很少看到多个智能体的协同工作,因此当前的无人机在面对复杂场景,复杂任务时还不能很好地发挥作用。如何发挥多无人机编队协作执行任务的优势,将成为无人机协同智能技术的重要研究方向,其主要包括:三维空间的环境感知能力,多无人机的编队技术,无人机的自主回收与综合控制。本课题针对以上研究痛点,主要研究了基于环境感知的编队关键技术,给出了一种无人机编队的完整解决方案。本文将整个无人机编队方案划分为了感知模块,编队模块和自主回收模块,针对每一个模块各提出了相应的算法与实现,具体为:无人机低空场景下的实时三维感知,无人机自组网编队模糊控制方法研究与实现,多传感器融合的无人机自主动态着陆回收系统。首先无人机的三维感知能力保证了无人机编队的安全飞行,并为无人机编队后续的智能决策,规划控制提供了辅助的环境信息,然后利用无人机编队技术实现高效稳定的无人机编队飞行,最后借助无人机的自主动态着陆回收技术提升无人机编队整体的自主完备性,使得从起飞至降落的整个飞行过程不需要人为参与。本文的主要工作和贡献如下:1.周围环境三维感知能力是无人机安全飞行,进行智能决策和综合控制的前提。然而具备实用性的无人机的三维感知技术要求同时满足实时性,高精度和稳定性等要求。针对上述要求,提出了一种基于SqueezeNet和循环CRF的实时三维点云分割方法。本算法首先将采集到的雷达点云数据通过球面映射的数据预处理方法,实现了将无序点云数据转换成类似于图像的标准数据格式。然后针对实时性要求,基础网络选择SqueezeNet网络架构,并将基础网络优化成残差连接的方式,网络输出点级别的分割标签,然后经过处理成循环结构形式的CRF实现进一步的点级别的精细化分类,最终得到每一点的标签类型进而实现三维点云的分割。最后,将模型部署在ROS环境下,实现工程化应用。实验结果表明:所提出的网络模型,能够实现高精度的点云分割,同时满足实时性和运行稳定性要求,ROS环境下,所提出的模型平均85ms处理一帧数据,每一帧的运行时间标准差在5ms之内。基于LiDAR点云数据的感知方法有效的避免了光照,天气等因素,能够较全面地覆盖无人机各种应用场景。2.为了解决集群间通信问题并实现无人机集群高精度编队飞行,提出了一种利用自组网和模糊控制技术的无人机编队实现。首先利用Zigbee通信技术搭建起一套能够实现自动组网,自动路由,动态维护的自组网通信系统,自定义的数据编码格式和特定的完整编解码流程确保自组通信网间高效,可靠的信息传输。通过处理集群的GPS信息,解算集群中无人机之间的相对位置信息。然后建模“长机-僚机”形编队的数学模型,设计的编队导航算法用于将无人机之间的相对位置信息转换成数学模型下的三维位置信息。最后模糊PID控制器利用得到的三维位置信息解算出机身刚体三维坐标上的控制量,进而实现无人机集群编队的高精度编队控制。实验结果表明,无人机集群具备了自动组网并实现通信的能力,能够按照指定队形编队飞行,模糊PID控制器提高了系统的动态响应和稳态精度,编队误差在0.3m之内。基本解决了无人机集群的组网通信问题,满足无人机集群高精度编队飞行要求。3.为了提升无人机集群编队任务执行的高效性与完备性,使得无人机能够在全天候多场景下完成自主着陆回收,减少人为干预,提出了一种多传感器融合的无人机动态自主着陆回收系统。该系统即使在缺失GPS信息的恶劣场景下,无人机也能自主高效地完成着陆回收。首先该系统将利用UWB设备实现对无人机的三维定位,利用三维空间定位数据将其粗略引导至辅助着陆的视觉标志附近。然后设计视觉处理算法用于快速精确解算无人机相对于视觉标签的三维信息。接着完整分析了着陆动作的动态匀速模型后,使用卡尔曼滤波预估同时矫正水平方向上的空间信息,以提升着陆精度。最后设计了一个基于位置控制的PID控制器,利用滤波后的相对三维空间信息实现对无人机的高精度动态自主着陆的控制。实验结果表明:无人机能够被正确引导至着陆视觉标签附近,最终着陆精度在5cm之内。UWB和摄像头传感器的融合较只使用GPS信息,着陆精度得到了提升,同时也能够满足无GPS信息特殊场景下的着陆回收要求。所提出的回收系统基本覆盖了全天候下的各个场景,能够完成无人机的高精度自主着陆回收的要求。目前,基于无人机的相关场景应用开发正处于稳步,持续发展的阶段。本文的研究工作聚焦在无人机编队技术领域下的三维环境感知技术,集群编队技术和自主回收技术,给出了无人机编队的基础解决方案,初步解决了无人机编队领域下的相关问题,为无人机多机协同方面的应用打下了基础。
石鹏[8]（2019）在《双盲环境下基于激光雷达/惯性融合的无人机自主导航技术》文中进行了进一步梳理近年来,微小型无人机发展迅速,凭借其灵活、机动性强和成本低等特点被广泛应用于实际生活中。无人机自主飞行时采用的导航手段通常为利用GPS、视觉传感器、激光雷达与惯性传感器融合来估计导航状态,随着应用范围的拓展,无人机在无GPS和无光照的“双盲”环境中应用需求逐渐增多。“双盲”环境中GPS和视觉导航手段将失效,而激光雷达不依赖于外界光照条件能够在黑暗环境下获取高精度的测距信息,因此,在“双盲”环境下激光雷达更加适用于无人机的自主导航。受无人机载重、成本和功耗等因素的限制,二维激光雷达更加适用于微小型无人机。当以二维激光雷达作为三维运动无人机的主要导航设备时,存在如下问题:1)在高度方向结构会发生突变的环境中,当无人机位于不同高度时激光雷达所探测平面的环境结构不同,这与传统激光雷达导航算法中所探测环境静止不变的假设相矛盾,导致位姿估计的误差较大;2)在类似于“单一平面”的环境中,由于缺少一个方向的参考环境特征,导致激光雷达导航算法无法正确估计缺少参考特征方向的位姿变化。针对上述问题,本文基于激光雷达和惯性传感器开展了双盲环境下面向微小型无人机的自主导航技术研究。本文首先对传统激光雷达导航算法在高度方向结构突变环境和“单一平面”环境下位姿估计误差特性进行了研究分析,为解决上述复杂环境中无人机的自主导航问题,论文根据传统算法的误差特性设计了一套基于激光雷达/惯性融合的导航算法框架。先利用激光雷达点云数据实时辨识无人机所处环境是否为“单一平面”环境,然后根据无人机所处环境类别实时切换至对应的导航状态估计方法,从而确保整个飞行过程中的导航精度和可靠性。针对于在高度方向存在结构突变的环境中传统二维激光雷达SLAM方法定位误差大的问题,本文提出了惯性辅助的激光雷达Robust-SLAM方法估计无人机导航状态,利用二维激光雷达即可实现可靠的三维SLAM。在SLAM中引入环境突变检测环节,结合惯性和点云信息实现准确的环境突变检测;并利用惯性预测的状态辅助激光雷达进行位姿解算;最后根据融合的位姿结果构建三维环境地图。为了解决“单一平面”环境中缺少与平面平行方向参考特征导致激光雷达定位误差大的问题,本文提出了动力学模型/激光雷达/惯性融合方法对无人机导航状态进行估计。首先利用激光雷达点云数据提取“单一平面”的线特征信息,实现无人机相对“单一平面”的距离和偏航角的观测;其次利用动力学模型算法对无人机进行速度观测;最后将观测信息与惯性融合来解算出精准的无人机导航状态。论文基于DJI M100飞行器构建了一套二维激光雷达自主导航算法验证平台,对文中提出的相关算法进行了实现,并设计了相应的控制算法,形成了导航、制导与控制的闭环回路。基于搭建的无人机,进行了室内飞行实验,对本文提出的激光雷达导航算法精度进行了验证。此外,将该无人机在大型仓储环境中进行了实际测试,表明无人机系统以及导航算法具有较好的环境适应性。
樊刘仡[9]（2019）在《基于视觉的巡检无人机自主导航与路径跟随技术研究》文中指出近年来,智能机器人在大型设施巡检领域受到了越来越多的关注,相比于人工检验,其在提高检测效率、降低人力成本与危险性方面具有显着优势。无人机因其具备三维空间的运动能力,在电力巡检、路桥监测等领域得到了实际应用。然而,目前巡检无人机在应用的过程中较为依赖卫星提供的导航定位信息。在卫星信号弱以及拒止的环境中,其难以按照预期效果开展巡检工作。此外,目前巡检无人机的路径规划通常采用地理坐标系下预先设置航路点的形式。在这种方式下,即使无人机在规划的路径上无法完成对目标的有效检测,无人机也不会采取弥补行为,这样的巡检效果完全取决于事先航迹规划的优劣。针对巡检无人机系统中存在的上述两点不足,本文对基于视觉传感器的无人机自主导航定位、路径识别与跟随方法进行了研究,提升巡检无人机在多种场合下的适用性以及巡检过程中的智能性。本文首先对巡检无人机的应用现状进行了分析,结合多个实际应用方案中的导航定位需求,设计了室内外环境下通用的无人机巡检优化方案,并对方案中主要传感器感知原理与误差特性进行了分析,为后续多传感器融合算法的实现提供了理论依据。其次,本文研究了无人机巡检系统中的地面标识检测识别方法以及视觉相对位移测量方法:一方面,结合路径特征与路径模型,提出了基于像素分布直方图的结构化路径检测方法,对结构化路径进行实时在线辨识,并解算无人机与待跟随路径的相对偏移;另一方面,研究了合作二维码的识别算法,并基于合作二维码对无人机的相对位置进行了解算。在此基础上,提出了基于实时姿态的相对位置估计优化算法,并通过实验验证了该方法的有效性,为后续巡检无人机的自主路径跟随提供了有效的导航信息。随后,本文研究了卫星拒止环境下的巡检无人机导航定位方法:首先,对基于光流的速度估计方法进行了分析,对传统的LK金字塔光流算法进行了改进,并进行了实验验证;其次,设计了惯性/光流组合导航算法,进一步提高了无人机的速度估计精度;再次,将基于合作二维码地标估计的全局位置信息引入滤波器,实现对无人机位置、速度的准确测量。最后,在实现路径识别与导航定位的基础上,本文研究了基于视觉的无人机路径跟随方法。面向巡检任务,研究了无人机制导策略,并设计了多级PID串联的无人机控制方法。同时,基于本文的前述研究,构建了巡检无人机原理样机,并进行了室外、室内的无人机巡检实验,对本文的相应算法进行了系统验证。
王云舒[10]（2018）在《特殊视觉应用环境下微小型飞行器视觉/惯性组合导航关键技术》文中指出视觉/惯性组合导航技术对于室内、低空城市群等无GNSS环境下的微小型飞行器自主导航具有重要的意义与应用价值,受到国内外学者的广泛关注。对于一些光照不足、纹理缺失的特征稀疏环境,或需要载体做大机动运动的特殊动态环境,视觉传感器通常难以获取足够的特征信息或难以稳定地跟踪特征信息,影响了视觉环境感知和导航解算,限制了视觉/惯性组合导航的应用范围。因此,本文针对特征稀疏环境以及微小型飞行器大机动运动两类典型且常见的特殊视觉应用环境,开展了相应环境下的微小型飞行器视觉/惯性组合导航关键技术研究。三维环境的感知与重建,对于微小型飞行器的室内自主导航具有重要意义。因此本文首先针对特征稀疏环境下的三维环境感知与重建技术展开研究,研究了十字结构光视觉传感器的标定技术,分析了结构光传感器配置参数对测距精度的影响。在此基础上提出了基于图像匹配和基于十字结构光的视觉/惯性室内三维环境重建方法,分别利用图像匹配和水平结构光实现了帧间旋转角度的测量,避免了在结构光视觉传感器安装额外的驱动机构。为了避免环境光线对结构光干扰引起的错误点,设计了一种基于平面约束的错误点剔除策略,有效剔除了重构环境中的错误点。另外,本文通过引入惯性信息,设计卡尔曼滤波器,将惯导系统和结构光视觉传感器测量得到的旋转角进行融合,进一步提高了环境重构方法的鲁棒性与精度。然后本文对特征稀疏环境下的视觉/惯性组合导航技术展开研究。针对目前结构光视觉传感器位姿测量技术难以测量载体位置和姿态全部参数的问题,提出了十字结构光辅助单目视觉的位姿测量算法,仅需环境中的一条直线即可实现对载体位姿的全部测量。为了提高稀疏环境下载体导航的鲁棒性,根据十字结构光视觉位姿测量模型的特点,建立十字结构光辅助的视觉/惯性组合导航滤波模型,避免了高度通道上的误差积累。对十字结构光视觉位姿测量模型进行可观测度分析,设计了基于渐消因子矩阵的自适应Sage-Husa卡尔曼滤波器,有效提高了十字结构光辅助的视觉/惯性组合导航精度。另一方面,针对微小型飞行器做大机动运动时,由于图像间视角差异较大导致难以有效跟踪特征点的问题,开展了有关全局仿射不变图像匹配算法的研究。在分析现有全局仿射不变图像匹配算法的基础上,提出了基于人工蜂群算法的仿射不变图像匹配算法,使用透视变换模型代替仿射变换模型,并对人工蜂群算法进行改进,代替遍历采样的方法,从而快速准确地获取视角模拟变换参数。此外,针对重复模式图像的特点,通过归一化图像中的重复区域对图像间的仿射变换矩阵进行估计,减少了模拟视角变换的次数。并且设计了一种结合局部特征与全局特征的混合特征描述符,提高了对重复模式图像匹配的精确度。之后,为了进一步提高全局仿射不变匹配算法的计算效率,使之能真正应用在微小型飞行器上,本文借助微小型飞行器自身的传感信息对图像进行视角变换,并对ORB算法进行改进,避免了构建高斯金字塔的过程,进一步提高了全局仿射不变图像匹配算法的速度,实现了在ORBSLAM上的实时运行,并且减少了导航过程中插入关键帧的数量,降低了系统计算负担。然后在ORB-SLAM算法的基础上加入惯性信息,构建了一个包含视觉特征匹配残差、惯性预积分残差以及先验信息残差的优化问题,通过求解使残差最小的系统状态实现视觉/惯性信息的紧耦合,提高了ORB-SLAM算法的精度及鲁棒性。最后,本文搭建了室内四旋翼飞行实验平台,并利用运动捕捉系统对十字结构光辅助的视觉/惯性组合导航算法进行了验证。还搭建了室外六旋翼飞行实验平台,利用RTK对基于快速全局仿射不变图像匹配算法的视觉/惯性组合导航技术进行了验证。结果表明,本文提出的算法能够有效提高特征稀疏和大机动情况下微小型飞行器的导航可靠性,为微小型飞行器在复杂环境下的应用提供了重要的技术参考。
二、超小型飞行器GPS自主导航算法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、超小型飞行器GPS自主导航算法的研究（论文提纲范文）
（1）融合多源信息的小型多旋翼无人机位姿估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.2.1 小型多旋翼无人机的发展必然 |
| §1.2.2 位姿传感器误差补偿技术研究现状 |
| §1.2.3 无人机位姿多源信息融合技术研究现状 |
| §1.3 多旋翼无人机位姿估计的关键问题分析 |
| §1.4 论文的主要研究内容与结构安排 |
| §1.4.1 主要研究内容 |
| §1.4.2 论文章节安排 |
| 第二章 位姿测量系统中三轴磁强计和加速度计的组合校正 |
| §2.1 位姿测量系统坐标系 |
| §2.1.1 参考坐标系 |
| §2.1.2 无人机姿态角描述 |
| §2.1.3 方向余弦、欧拉角和四元数的关系 |
| §2.2 无人机航姿传感器误差分析 |
| §2.2.1 三轴矢量场传感器误差 |
| §2.2.2 航姿角度误差 |
| 2.3 三轴加速度计和磁强计组合校正 |
| §2.3.1 标量校验法 |
| §2.3.2 标量校验法校正矢量传感器 |
| §2.3.3 标量校验法校正小结 |
| §2.4 双矢量传感器的两步校正算法 |
| §2.4.1 矢量内积法 |
| §2.4.2 两步法校正 |
| §2.4.3 两步法数值模拟及实验验证 |
| §2.5 三轴矢量传感器校正的双内积法 |
| §2.5.1 基于双内积的校正误差原理 |
| §2.5.2 非线性优化算法实现 |
| §2.6 三轴矢量传感器校正算法数值仿真 |
| §2.7 实验验证 |
| §2.7.1 模块实验流程及结果 |
| §2.7.2 多模块实验测试 |
| §2.7.3 无人机悬停实验 |
| §2.7.4 实验分析 |
| §2.8 本章小结 |
| 第三章 基于矢量参考的三轴陀螺仪误差标定方法 |
| §3.1 MEMS陀螺仪的原理及误差模型分析 |
| §3.1.1 三轴MEMS陀螺仪的结构及原理 |
| §3.1.2 三轴陀螺仪误差模型 |
| §3.2 基于矢量外积标定三轴陀螺仪 |
| §3.2.1 陀螺仪现场标定方法分析 |
| §3.2.2 基于重力矢量的陀螺仪标定算法 |
| §3.2.3 陀螺仪矢量外积标定算法 |
| §3.3 数值模拟 |
| §3.3.1 叉积标定法积分形式数值模拟 |
| §3.3.2 积分形式叉积标定法与Fong标定法数值对比 |
| §3.3.3 叉积标定法微分形式数值模拟 |
| §3.3.4 仿真分析 |
| §3.4 实验验证 |
| §3.4.1 采用转台的标定 |
| §3.4.2 叉积法标定 |
| §3.5 本章小结 |
| 第四章 多旋翼无人机航姿抗干扰融合滤波方法 |
| §4.1 多旋翼无人机航姿信息融合结构与算法设计 |
| §4.1.1从Kalman到 Sage-Husa自适应滤波算法 |
| §4.1.2 基于矢量参考的互补滤波算法设计 |
| §4.2 多旋翼无人机航姿解算与信息融合 |
| §4.2.1 基于陀螺仪的姿态解算 |
| §4.2.2 基于加速度计与磁强计的姿态解算 |
| §4.2.3 航姿信息融合系统建模 |
| §4.2.4 姿态信息融合算法验证 |
| §4.3 多旋翼无人机运动加速度补偿算法设计 |
| §4.3.1 算法思想及流程 |
| §4.3.2 算法验证 |
| §4.4 加速度和磁场干扰抑制算法设计 |
| §4.4.1 双干扰模式下的误差模型 |
| §4.4.2 干扰抑制算法设计 |
| §4.5 抗干扰航姿融合滤波算法验证与分析 |
| §4.5.1 实验配置及流程 |
| §4.5.2 实验算法验证 |
| §4.6 本章小结 |
| 第五章 多旋翼无人机位姿信息融合及容错方法 |
| §5.1 多旋翼无人机位姿信息融合结构设计 |
| §5.1.1 多旋翼无人机位姿信息融合结构方案设计 |
| §5.1.2 无人机位置-速度融合结构模型 |
| §5.1.3 无人机高度-速度融合结构模型 |
| §5.2 基于多传感器信息的联邦卡尔曼滤波 |
| §5.2.1 联邦卡尔曼滤波基本原理 |
| §5.2.2 联邦滤波器的等价性分析 |
| §5.2.3 联邦滤波器与集中滤波器的性能对比 |
| §5.3 容错联邦滤波器信息分配及算法流程 |
| §5.3.1 信息分配原则 |
| §5.3.2 信息分配系数对融合性能的影响 |
| §5.3.3 基于权衡因子的自适应信息分配策略 |
| §5.3.4 信息分配流程及仿真分析 |
| §5.3.5 无人机飞行验证 |
| §5.4 本章小结 |
| 第六章 总结和展望 |
| §6.1 本文的主要工作与创新 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读博士期间的主要研究成果 |
（2）自主飞行的超小型飞行器（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外发展现状 |
| 1.3 本文的主要工作及章节安排 |
| 第2章 飞行原理和整体方案设计 |
| 2.1 飞行器的基本结构和飞行原理 |
| 2.2 飞行器的设计指标 |
| 2.3 系统整体设计方案 |
| 2.3.1 飞行器整体方案设计 |
| 2.3.2 遥控器整体方案设计 |
| 2.3.3 上位机整体方案设计 |
| 2.4 本章小结 |
| 第3章 硬件系统设计 |
| 3.1 飞行器硬件系统设计 |
| 3.1.1 电源模块电路设计 |
| 3.1.2 主控电路设计 |
| 3.1.3 运动传感器电路设计 |
| 3.1.4 气压传感器电路设计 |
| 3.1.5 光流传感器电路设计 |
| 3.1.6 激光测距传感器电路设计 |
| 3.1.7 GPS模块电路设计 |
| 3.1.8 无线通信模块电路设计 |
| 3.1.9 串口通信电路设计 |
| 3.1.10 电机驱动电路设计 |
| 3.1.11 LED灯驱动电路设计 |
| 3.2 遥控器硬件系统设计 |
| 3.2.1 电源模块电路设计 |
| 3.2.2 主控电路设计 |
| 3.2.3 摇杆电路设计 |
| 3.2.4 按键电路设计 |
| 3.2.5 LED灯驱动电路设计 |
| 3.3 PCB印刷电路板设计 |
| 3.4 本章小结 |
| 第4章 软件系统设计 |
| 4.1 基于FreeRTOS系统的软件设计 |
| 4.2 飞行器软件系统设计 |
| 4.2.1 加速度计和陀螺仪数据获取 |
| 4.2.2 磁力计数据获取 |
| 4.2.3 气压传感器数据获取 |
| 4.2.4 光流传感器数据获取 |
| 4.2.5 激光测距传感器数据获取 |
| 4.2.6 GPS模块数据获取 |
| 4.2.7 无线通信 |
| 4.2.8 串口通信 |
| 4.3 遥控器软件系统设计 |
| 4.3.1 摇杆数据采集 |
| 4.3.2 按键检测 |
| 4.3.3 无线通信与串口通信 |
| 4.4 上位机软件系统设计 |
| 4.4.1 UI界面设计 |
| 4.4.2 串口通信 |
| 4.4.3 地图显示和交互 |
| 4.5 本章小结 |
| 第5章飞行器算法设计 |
| 5.1 姿态解算算法 |
| 5.1.1 坐标系与姿态角定义 |
| 5.1.2 欧拉角与旋转矩阵 |
| 5.1.3 基于四元数和互补滤波的姿态解算算法 |
| 5.2 位置估计算法 |
| 5.2.1 卡尔曼滤波算法 |
| 5.2.2 基于卡尔曼滤波的位置估计算法 |
| 5.3 飞行控制算法 |
| 5.3.1 PID控制算法 |
| 5.3.2 串级PID飞行控制算法 |
| 5.4 飞行路径追踪算法 |
| 5.5 磁力计校准算法 |
| 5.5.1 椭球拟合算法 |
| 5.5.2 基于椭球拟合的磁力计校准算法 |
| 5.6 本章小结 |
| 第6章 实验验证与分析 |
| 6.1 姿态解算和控制实验 |
| 6.2 位置估计和控制实验 |
| 6.3 自主飞行实验 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于惯性系统和短基线定位系统的组合导航算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文研究目的和意义 |
| 1.2 水下组合导航系统研究现状与发展趋势 |
| 1.2.1 国内外水下导航系统研究现状 |
| 1.2.2 水下组合导航算法研究现状 |
| 1.3 工程应用背景 |
| 1.4 主要研究内容与章节安排 |
| 第2章 水下导航系统原理与误差分析 |
| 2.1 惯性导航系统 |
| 2.1.1 常用的参考坐标系 |
| 2.1.2 惯导姿态更新算法 |
| 2.1.3 惯导系统解算算法实现 |
| 2.1.4 惯导系统误差分析 |
| 2.2 短基线声学定位系统 |
| 2.2.1 短基线定位系统工作原理 |
| 2.2.2 短基线定位系统误差分析 |
| 2.3 水下导航系统的优缺点分析 |
| 2.4 水下组合导航系统主要元件 |
| 2.4.1 惯性测量单元及噪声标定实验 |
| 2.4.2 短基线定位设备 |
| 2.5 本章小结 |
| 第3章组合导航算法研究 |
| 3.1 引言 |
| 3.2 扩展卡尔曼滤波 |
| 3.2.1 雅可比矩阵 |
| 3.2.2 扩展卡尔曼滤波算法 |
| 3.2.3 基于扩展卡尔曼滤波的组合导航算法 |
| 3.3 无迹卡尔曼滤波 |
| 3.3.1 UT变换 |
| 3.3.2 无迹卡尔曼滤波算法 |
| 3.3.3 基于无迹卡尔曼滤波的组合导航算法 |
| 3.4 组合导航算法平台搭建 |
| 3.5 本章小结 |
| 第4章 组合导航算法的实现与仿真 |
| 4.1 组合导航系统算法平台搭建 |
| 4.2 传感器测量数据生成算法 |
| 4.3 组合导航算法仿真实验 |
| 4.4 本章小结 |
| 第5章 组合导航系统算法试验 |
| 5.1 组合导航系统试验平台 |
| 5.2 组合导航系统总体框架 |
| 5.3 组合导航系统试验和结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录A 组合导航算法MATLAB仿真代码 |
| 附录B 组合导航算法湖试数据处理代码 |
（4）冗余式MEMS-SINS的非线性组合导航技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关技术国内外研究现状 |
| 1.2.1 捷联惯导系统冗余技术研究现状 |
| 1.2.2 MEMS组合导航技术研究现状 |
| 1.2.3 非线性滤波技术研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第2章 冗余式MEMS组合导航系统总体方案设计 |
| 2.1 引言 |
| 2.2 总体方案性能需求分析 |
| 2.3 MEMS捷联惯导系统冗余技术 |
| 2.3.1 冗余惯导系统可靠性分析 |
| 2.3.2 冗余配置数目的确定 |
| 2.3.3 冗余配置结构设计与分析 |
| 2.3.4 冗余系统重构 |
| 2.4 组合导航系统滤波方法研究 |
| 2.4.1 非线性滤波方法分析 |
| 2.4.2 无迹卡尔曼滤波 |
| 2.5 冗余式MEMS组合导航系统方案设计 |
| 2.5.1 冗余式MEMS-SINS/GNSS组合方案 |
| 2.5.2 冗余式MEMS-SINS/OD组合方案 |
| 2.5.3 系统工作模式切换 |
| 2.6 本章小结 |
| 第3章 非线性组合导航系统可观测性分析 |
| 3.1 引言 |
| 3.2 线性系统可观测性分析 |
| 3.2.1 PWCS可观测性分析方法 |
| 3.2.2 SVD可观测度分析方法 |
| 3.3 非线性系统可观测性分析 |
| 3.3.1 改进非线性系统可观测性分析方法 |
| 3.3.2 MEMS-SINS/GNSS组合导航系统可观测性分析 |
| 3.4 本章小结 |
| 第4章 基于改进模糊自适应UKF的 MEMS-SINS/GNSS组合导航算法研究 |
| 4.1 引言 |
| 4.2 冗余式MEMS-SINS/GNSS非线性误差模型 |
| 4.2.1 SINS导航信息更新 |
| 4.2.2 冗余式MEMS-SINS非线性误差模型 |
| 4.2.3 冗余式MEMS-SINS/GNSS组合导航误差模型 |
| 4.3 冗余式MEMS-SINS/GNSS组合导航系统航向角估计方法 |
| 4.3.1 GNSS航向约束 |
| 4.3.2 转弯判断规则 |
| 4.4 改进型模糊自适应滤波算法 |
| 4.4.1 基于Sage-Husa的非线性噪声统计估计器 |
| 4.4.2 改进模糊自适应UKF算法 |
| 4.5 仿真实验与分析 |
| 4.6 本章小结 |
| 第5章 基于改进抗野值自适应UKF的 MEMS-SINS/OD组合导航算法研究 |
| 5.1 引言 |
| 5.2 冗余式MEMS-SINS/OD非线性误差模型 |
| 5.2.1 里程计误差模型 |
| 5.2.2 冗余式MEMS-SINS/OD非线性误差模型 |
| 5.3 改进型抗野值滤波算法 |
| 5.3.1 里程计测量野值分析 |
| 5.3.2 系统野值检测 |
| 5.3.3 改进抗野值自适应UKF算法 |
| 5.4 仿真实验与分析 |
| 5.5 本章小结 |
| 第6章 基于联邦滤波的组合导航算法总体验证 |
| 6.1 引言 |
| 6.2 联邦滤波器设计 |
| 6.3 总体方案实验与分析 |
| 6.3.1 仿真实验设置 |
| 6.3.2 无子系统失效情况仿真实验与分析 |
| 6.3.3 GNSS失效情况下仿真实验与分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（5）基于无人机平台的GNSS/INS组合技术研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 组合导航研究现状 |
| 1.2.1 惯性技术发展及现状 |
| 1.2.2 GNSS发展及现状 |
| 1.2.3 GNSS/INS组合系统研究现状 |
| 1.3 研究的内容和组织结构 |
| 2 SINS捷联惯性导航系统 |
| 2.1 INS导航中常用的坐标系统 |
| 2.1.1 地心惯性坐标系 |
| 2.1.2 地固坐标系 |
| 2.1.3 当地水平坐标系 |
| 2.1.4 载体坐标系 |
| 2.2 捷联惯性导航算法 |
| 2.2.1 旋转矩阵的计算 |
| 2.2.2 速度和位置更新 |
| 2.2.3 姿态角提取 |
| 2.3 INS的初始化与初始对准 |
| 2.3.1 粗对准 |
| 2.3.2 精对准 |
| 2.4 本章小结 |
| 3 GNSS定位系统概述 |
| 3.1 GNSS定位系统的组成 |
| 3.2 GNSS定位原理 |
| 3.2.1 伪距定位原理 |
| 3.2.2 伪距定位算法 |
| 3.3 GNSS定位的主要误差源 |
| 3.3.1 卫星时钟误差 |
| 3.3.2 卫星星历误差 |
| 3.3.3 电离层延时 |
| 3.3.4 对流层延迟 |
| 3.3.5 多路径误差 |
| 3.4 GNSS定位精度分析 |
| 3.4.1 精度因子 |
| 3.4.2 卫星几何分布对DOP参数的影响 |
| 3.5 本章小结 |
| 4 GNSS/INS组合系统 |
| 4.1 卡尔曼滤波器 |
| 4.1.1 离散型卡尔曼滤波 |
| 4.1.2 序贯卡尔曼滤波 |
| 4.1.3 卡尔曼平滑 |
| 4.2 INS误差状态方程 |
| 4.2.1 INS空间误差方程 |
| 4.2.2 INS传感器误差方程 |
| 4.2.3 INS通用状态方程 |
| 4.3 GNSS/INS组合模型 |
| 4.4 本章小结 |
| 5 GNSS/INS组合定位实验 |
| 5.1 卫星定位 |
| 5.2 GNSS/INS组合定位 |
| 5.3 GNSS失锁后的轨迹计算 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间获得的奖励 |
| B.学位论文数据集 |
| 致谢 |
（6）基于自适应神经网络的系留六旋翼飞行器控制系统的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 多旋翼飞行器及系留无人机的研究现状 |
| 1.2.2 基于神经网络的控制系统研究现状 |
| 1.3 本文研究思路及内容 |
| 第二章 飞行控制器硬件系统设计 |
| 2.1 引言 |
| 2.2 硬件系统总体设计方案 |
| 2.3 设计方案具体实现 |
| 2.3.1 主控模块 |
| 2.3.2 IMU惯性测量单元模块 |
| 2.3.3 GPS模块 |
| 2.3.4 其他模块 |
| 2.4 系留供电系统设计 |
| 2.4.1 系泊单元 |
| 2.4.2 系留电缆 |
| 2.4.3 系留升空平台 |
| 2.5 本章小结 |
| 第三章 系留六旋翼数模建立与航姿参考系统设计 |
| 3.1 引言 |
| 3.2 坐标系变换 |
| 3.3 六旋翼架构及飞行原理 |
| 3.3.1 六旋翼飞行器架构 |
| 3.3.2 六旋翼飞行器原理 |
| 3.4 系留六旋翼飞行器数学模型建立 |
| 3.4.1 系留电缆受力分析 |
| 3.4.2 系留六旋翼数学模型建立 |
| 3.5 传感器数据校正 |
| 3.5.1 加速度计数据校正 |
| 3.5.2 陀螺仪计数据校正 |
| 3.5.3 磁力计数据校正 |
| 3.6 传感器滤波及姿态解算 |
| 3.6.1 移动平滑滤波 |
| 3.6.2 互补滤波算法 |
| 3.6.3 性能测试 |
| 3.7 本章小结 |
| 第四章 系留六旋翼神经网络自适应控制器设计 |
| 4.1 引言 |
| 4.2 PID控制器控制原理 |
| 4.2.1 PID控制器概述 |
| 4.2.2 串级PID飞行控制器 |
| 4.3 神经网络自适应PID控制器设计 |
| 4.3.1 RBF神经网络基本原理 |
| 4.3.2 RBF神经网络算法实现 |
| 4.3.3 RBF神经网络自适应PID控制器设计 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 系统软件设计及测试实验 |
| 5.1 引言 |
| 5.2 飞行平台搭建 |
| 5.3 建立嵌入式开发环境 |
| 5.4 软件系统设计 |
| 5.4.1 Bootloader移植 |
| 5.4.2 嵌入式Linux内核移植 |
| 5.4.3 创建根文件系统 |
| 5.5 系统测试 |
| 5.5.1 飞行器调试 |
| 5.5.2 飞行器场地测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究内容总结 |
| 6.2 不足之处及后期研究方向 |
| 参考文献 |
| 附录 |
| 附录一 插图清单 |
| 附录二 表格清单 |
| 在学研究成果 |
| 致谢 |
（7）基于环境感知的无人机编队关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 三维点云分割相关研究现状 |
| 1.2.2 无人机自组网编队相关研究现状 |
| 1.2.3 无人机自主着陆回收相关研究现状 |
| 1.3 本文主要研究内容及论文结构 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文组织结构 |
| 第二章 基于Squeeze Net和循环CRF的实时三维点云分割 |
| 2.1 引言 |
| 2.2 卷积神经网络和模型压缩基础理论简介 |
| 2.2.1 卷积神经网络简介 |
| 2.2.2 Squeeze Net网络结构和模型压缩方法简介 |
| 2.3 三维点云数据获取与数据预处理 |
| 2.4 基于Squeeze Net和循环CRF的实时三维点云分割 |
| 2.4.1 网络模型宏观设计 |
| 2.4.2 网络模型微观设计 |
| 2.5 网络模型在ROS下的部署与工程化 |
| 2.6 实验结果与分析 |
| 2.6.1 评估标准与实验平台说明 |
| 2.6.2 网络模型大小计算 |
| 2.6.3 网络模型训练与评估 |
| 2.6.4 模型工程化实时性和稳定性分析 |
| 2.7 本章小结 |
| 第三章 无人机自组网编队模糊控制方法研究与实现 |
| 3.1 引言 |
| 3.2 无人机编队系统组成 |
| 3.3 无人机编队关键算法 |
| 3.3.1 Zigbee自组网 |
| 3.3.2 无人机集群编队导航算法 |
| 3.3.3 模糊自适应PID控制器设计 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境说明 |
| 3.4.2 室外飞行过程实验数据分析 |
| 3.5 本章小结 |
| 第四章 多传感器融合的无人机动态自主着陆回收系统 |
| 4.1 引言 |
| 4.2 基于四旋翼无人机的系统组成 |
| 4.3 四旋翼无人机自主动态着陆回收方法 |
| 4.3.1 UWB三维定位 |
| 4.3.2 视觉标签姿态估计 |
| 4.3.3 无人机动态自主着陆回收综合控制 |
| 4.4 实验结果与分析 |
| 4.4.1 室外环境说明 |
| 4.4.2 室外飞行过程实验数据分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）双盲环境下基于激光雷达/惯性融合的无人机自主导航技术（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 无人机自主导航技术研究现状 |
| 1.2.1 基于视觉传感器的导航算法研究现状 |
| 1.2.2 基于激光雷达的导航算法研究现状 |
| 1.2.3 面向微小型无人机的激光雷达导航算法研究现状 |
| 1.3 论文研究的目的和意义 |
| 1.4 论文研究内容与结构安排 |
| 第二章 复杂三维环境下基于二维激光雷达的无人机自主导航构架设计 |
| 2.1 引言 |
| 2.2 传统二维激光雷达SLAM算法在复杂三维环境下的误差特性分析 |
| 2.2.1 激光雷达原理分析 |
| 2.2.2 基于激光雷达的位姿估计算法研究 |
| 2.2.3 激光雷达点云匹配算法误差特性分析 |
| 2.3 复杂环境下基于激光雷达的无人机导航构架设计 |
| 2.3.1 算法总体框架 |
| 2.3.2 导航状态估计框架 |
| 2.3.3 环境类别检测算法设计 |
| 2.4 本章小结 |
| 第三章 突变环境下惯性辅助的激光雷达Robust-SLAM算法研究 |
| 3.1 引言 |
| 3.2 惯性辅助的激光雷达Robust-SLAM算法设计 |
| 3.2.1 Robust-SLAM框架 |
| 3.2.2 基于IMU的无人机状态预测 |
| 3.2.3 激光雷达点云扫描匹配算法 |
| 3.2.4 环境突变检测算法 |
| 3.2.5 激光雷达点云匹配的参考扫描数据更新 |
| 3.2.6 无人机状态估计滤波器的更新 |
| 3.2.7 三维构图 |
| 3.3 惯性辅助的激光雷达Robust-SLAM算法实验验证 |
| 3.3.1 Robust-SLAM算法验证实验设计 |
| 3.3.2 Robust-SLAM算法验证实验结果与分析 |
| 3.4 本章小结 |
| 第四章 单一平面环境下动力学模型/激光雷达/惯性融合导航算法研究 |
| 4.1 引言 |
| 4.2 单一平面环境下环境特征信息提取算法研究 |
| 4.2.1 线特征的有效导航信息提取算法设计 |
| 4.2.2 线特征的有效导航信息提取算法验证 |
| 4.3 面向多旋翼飞行器的动力学模型辅助导航算法研究 |
| 4.3.1 动力学模型算法分析与推导 |
| 4.3.2 动力学模型算法验证 |
| 4.4 动力学模型/激光雷达/惯性融合导航算法研究 |
| 4.4.1 动力学模型/激光雷达/惯性融合导航算法设计 |
| 4.4.2 动力学模型/激光雷达/惯性融合导航算法验证 |
| 4.5 本章小结 |
| 第五章 基于激光雷达/惯性融合的无人机自主导航系统的构建及验证 |
| 5.1 引言 |
| 5.2 无人机的自主导航系统实验平台构建 |
| 5.2.1 自主导航系统硬件平台的设计 |
| 5.2.2 无人机控制方法的设计 |
| 5.3 基于激光雷达/惯性融合自主导航算法仿真平台搭建及仿真验证 |
| 5.3.1 仿真平台的设计 |
| 5.3.2 仿真验证 |
| 5.4 基于激光雷达/惯性融合的自主导航算法实验验证 |
| 5.4.1 地下车库实验 |
| 5.4.2 大型仓储环境中的试验测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 对未来工作的展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及学术论文情况 |
（9）基于视觉的巡检无人机自主导航与路径跟随技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 巡检无人机发展现状及其关键技术研究现状 |
| 1.2.1 巡检无人机发展现状与常用巡检方案 |
| 1.2.2 结构化特征检测技术研究现状 |
| 1.2.3 视觉导航方法研究现状 |
| 1.3 论文研究目的与意义 |
| 1.4 论文研究内容与结构安排 |
| 第二章 巡检无人机自主导航与路径跟随方案设计及传感器误差分析 |
| 2.1 引言 |
| 2.2 无人机自主巡检方案设计 |
| 2.2.1 巡检无人机导航与巡线飞行方案设计 |
| 2.2.2 无人机室内巡线地面标识方案设计 |
| 2.3 巡检无人机的导航传感器配置方案设计及误差建模 |
| 2.3.1 导航传感器配置方案 |
| 2.3.2 惯性传感器误差建模 |
| 2.3.3 视觉传感器误差建模 |
| 2.3.4 超声波传感器误差建模 |
| 2.4 本章小结 |
| 第三章 基于地标辅助的巡检无人机视觉相对位置估计方法研究 |
| 3.1 引言 |
| 3.2 视觉导航中的结构化路径在线辨识方法研究 |
| 3.2.1 基于Sobel算子的路径边缘检测方法 |
| 3.2.2 基于像素灰度梯度方向的路径边缘优化方法 |
| 3.2.3 基于像素分布直方图的路径辨识方法 |
| 3.3 合作二维码地标的在线辨识方法研究 |
| 3.3.1 合作二维码构成 |
| 3.3.2 基于嵌套轮廓的合作二维码快速定位方法 |
| 3.3.3 合作二维码编码与解码 |
| 3.4 巡检无人机与地标相对位置估计方法研究 |
| 3.4.1 基于实时姿态的视觉图像映射失真校正与相对位置估计方法 |
| 3.4.2 相对位置估计尺度恢复方法与实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于光流/惯性/二维码地标融合的巡检无人机组合导航方法研究 |
| 4.1 引言 |
| 4.2 基于运动一致化光流的无人机速度估计方法研究 |
| 4.2.1 ORB特征点提取方法 |
| 4.2.2 运动一致化的LK金字塔光流算法 |
| 4.2.3 实验结果分析 |
| 4.3 基于EKF的室内巡检无人机光流/惯性组合导航算法研究 |
| 4.3.1 状态方程与量测方程的建立 |
| 4.3.2 EKF算法原理 |
| 4.3.3 实验结果分析 |
| 4.4 基于光流/惯性/二维码地标多源融合导航定位算法研究 |
| 4.4.1 光流/惯性/合作二维码组合导航融合滤波器设计 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于视觉组合导航的巡检无人机自主路径跟随系统设计及验证 |
| 5.1 引言 |
| 5.2 巡检无人机循迹飞行控制算法研究 |
| 5.2.1 巡检无人机航迹点飞行控制算法 |
| 5.2.2 巡检无人机路径跟随控制算法 |
| 5.3 巡检无人机系统实验验证平台搭建 |
| 5.3.1 巡检无人机系统硬件设计方案 |
| 5.3.2 巡检无人机系统软件设计方案 |
| 5.4 基于视觉组合导航的巡检无人机自主路径跟随实验设计及验证 |
| 5.4.1 室外飞行实验设计及验证 |
| 5.4.2 室内飞行实验设计及验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）特殊视觉应用环境下微小型飞行器视觉/惯性组合导航关键技术（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 特殊视觉应用环境下的微小型飞行器视觉/惯性导航技术研究现状分析 |
| 1.2.1 微小型飞行器视觉导航与视觉/惯性组合导航技术研究现状分析 |
| 1.2.2 结构光辅助的视觉导航技术研究现状分析 |
| 1.2.3 具有仿射不变性的图像匹配技术研究现状分析 |
| 1.3 特殊视觉应用环境下的微小型飞行器视觉/惯性导航技术的关键问题分析 |
| 1.3.1 特征稀疏环境下微小型飞行器视觉/惯性导航技术中存在的问题 |
| 1.3.2 大机动运动时微小型飞行器视觉/惯性导航技术中存在的问题 |
| 1.4 论文研究内容与结构 |
| 第二章 结构光辅助的视觉/惯性特征稀疏环境感知与重建技术 |
| 2.1 引言 |
| 2.2 结构光视觉传感器高精度标定技术研究 |
| 2.2.1 常用坐标系及单目相机模型 |
| 2.2.2 十字结构光视觉传感器标定方法 |
| 2.2.3 十字结构光视觉传感器标定结果分析 |
| 2.3 基于图像匹配的线结构光室内三维环境重建方法 |
| 2.3.1 基于图像匹配的线结构光室内三维环境重建方案 |
| 2.3.2 基于图像匹配的帧间角度求解 |
| 2.3.3 基于平面约束的离散点剔除策略 |
| 2.3.4 基于结构光视觉传感器的室内三维重构方法实验验证 |
| 2.4 基于十字结构光的视觉/惯性三维特征稀疏环境重建方法 |
| 2.4.1 基于十字结构光的视觉/惯性三维环境重建方案 |
| 2.4.2 基于水平结构光的旋转角测量方法 |
| 2.4.3 基于多信息融合的帧间角度测量 |
| 2.4.4 基于十字结构光的视觉/惯性环境重构实验验证 |
| 2.5 本章小结 |
| 第三章 十字结构光辅助的视觉/惯性位姿测量与信息融合技术 |
| 3.1 引言 |
| 3.2 十字结构光辅助的单目视觉位姿测量算法 |
| 3.2.1 十字结构光辅助的单目视觉位姿测量模型 |
| 3.2.2 影响位姿测量模型精度的因素分析 |
| 3.2.3 十字结构光视觉位姿测量模型仿真分析 |
| 3.3 十字结构光辅助的视觉/惯性组合导航滤波模型建立 |
| 3.3.1 十字结构光辅助的视觉/惯性系统状态模型 |
| 3.3.2 十字结构光辅助的视觉/惯性观测模型 |
| 3.4 十字结构光辅助的微小型无人机视觉/惯性信息融合算法 |
| 3.4.1 滤波器性能对结构光辅助的视觉/惯性组合导航性能的影响 |
| 3.4.2 基于奇异值分解的可观测度分析方法 |
| 3.4.3 基于渐消因子矩阵的自适应Sage-Husa卡尔曼滤波器 |
| 3.4.4 结构光辅助的微小型无人机视觉/惯性导航仿真分析与验证 |
| 3.5 本章小结 |
| 第四章 基于人工蜂群算法和重复模式图像的全局仿射不变图像匹配技术 |
| 4.1 引言 |
| 4.2 具有全局仿射不变性的图像匹配算法原理分析 |
| 4.2.1 基于仿射变换模型的视角模拟变换 |
| 4.2.2 视角模拟变换采样策略分析 |
| 4.3 基于人工蜂群算法的仿射不变图像匹配算法 |
| 4.3.1 基于透视变换模型的视角模拟变换 |
| 4.3.2 基于改进人工蜂群的采样策略 |
| 4.3.3 基于改进人工蜂群图像匹配算法实验分析 |
| 4.4 基于重复模式图像的仿射不变图像匹配方法 |
| 4.4.1 基于重复特征的仿射矩阵估计 |
| 4.4.2 具有重复特征识别能力的特征描述符 |
| 4.4.3 具有仿射不变性的重复模式图像匹配算法整体流程 |
| 4.4.4 具有仿射不变性的重复模式图像匹配算法实验分析 |
| 4.5 本章小结 |
| 第五章 基于快速全局仿射不变图像匹配的视觉/惯性SLAM技术 |
| 5.1 引言 |
| 5.2 惯性信息辅助的快速仿射不变图像匹配方法 |
| 5.2.1 惯性信息辅助的视角模拟变换 |
| 5.2.2 基于改进ORB的快速图像匹配算法 |
| 5.2.3 惯性信息辅助的仿射不变图像匹配算法流程 |
| 5.2.4 惯性信息辅助的仿射不变图像匹配算法实验验证 |
| 5.3 基于ORB-SLAM的视觉/惯性紧耦合算法研究 |
| 5.3.1 惯性信息预积分 |
| 5.3.2 视觉/惯性组合导航系统初始化 |
| 5.3.3 基于优化的视觉/惯性紧耦合算法 |
| 5.4 基于快速仿射不变图像匹配的视觉/惯性SLAM实验验证 |
| 5.5 本章小结 |
| 第六章 特殊视觉应用环境下的微小型飞行器视觉/惯性组合导航关键技术验证 |
| 6.1 引言 |
| 6.2 特殊视觉应用环境下的微小型飞行器视觉/惯性组合导航算法验证总体方案 |
| 6.3 基于四旋翼与运动捕捉系统的视觉/惯性组合导航算法验证 |
| 6.3.1 四旋翼实验平台搭建 |
| 6.3.2 十字结构光辅助的视觉/惯性导航算法验证 |
| 6.4 基于六旋翼与RTK的视觉/惯性组合导航算法验证 |
| 6.4.1 六旋翼实验平台搭建 |
| 6.4.2 飞行控制系统设计 |
| 6.4.3 地面控制站系统 |
| 6.4.4 基于快速仿射不变图像匹配的视觉/惯性导航算法验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文的主要工作与创新 |
| 7.1.1 本文的主要工作和研究内容 |
| 7.1.2 本文的主要贡献与创新之处 |
| 7.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及学术论文 |
四、超小型飞行器GPS自主导航算法的研究（论文参考文献）
- [1]融合多源信息的小型多旋翼无人机位姿估计方法研究[D]. 王勇军. 桂林电子科技大学, 2021
- [2]自主飞行的超小型飞行器[D]. 顾佳辉. 杭州电子科技大学, 2021
- [3]基于惯性系统和短基线定位系统的组合导航算法研究[D]. 祝宇翰. 哈尔滨工程大学, 2020(04)
- [4]冗余式MEMS-SINS的非线性组合导航技术研究[D]. 王诺. 哈尔滨工程大学, 2020(05)
- [5]基于无人机平台的GNSS/INS组合技术研究[D]. 彭亮. 重庆大学, 2019(01)
- [6]基于自适应神经网络的系留六旋翼飞行器控制系统的应用研究[D]. 薛白. 安徽工业大学, 2019(02)
- [7]基于环境感知的无人机编队关键技术研究[D]. 张桢浩. 西安电子科技大学, 2019(02)
- [8]双盲环境下基于激光雷达/惯性融合的无人机自主导航技术[D]. 石鹏. 南京航空航天大学, 2019(02)
- [9]基于视觉的巡检无人机自主导航与路径跟随技术研究[D]. 樊刘仡. 南京航空航天大学, 2019(02)
- [10]特殊视觉应用环境下微小型飞行器视觉/惯性组合导航关键技术[D]. 王云舒. 南京航空航天大学, 2018