无人机自主飞行支撑系统

无人机视觉惯性多元融合导航

视觉惯性组合导航具有显著的优点：

（1）微惯性器件和视觉传感器具有体积小、成本低的优点。

（2）不同于卫星和无线电导航，视觉和惯性导航均不依赖外部设施支撑，可以实现自主导航。

（3）惯性器件和视觉器件具有很好的互补性，惯性导航误差随时间累积，但是在短时间内可以很好地跟踪载体快速运动，保证短时间的导航精度；而视觉导航在低动态运动中具有很高的估计精度，且引入了视觉闭环矫正，可以极大地抑制组合导航误差，两者的组合可以更好地估计导航参数。

无人机自主航线规划

规划无人机从起点到目的地避开障碍物的最 佳路线，主要目的是增强无人机的时间性能和环境适应性。

路径规划水平，修改和改进算法可以提高无人机的整体性能，进而改善无人机工作过程中平滑飞行路径的选择，从而提高工作效率。

动态环境下基于强化学习的无人机路径规划与优化

起飞前、飞行中和回巢及紧急着陆

动态环境下强化学习无人机任务和威胁的分配

检测障碍物，对障碍物做出适当的反应-等待、绕行以及可视机非可视多重避障

无人机自主避障

从测距感知避障、到绕行避障、到结合场景建模和路径规划的多重障碍避障三个阶段，不断完善的自动避障系统可以极大的减少因操作失误而带来的各项损失,目前避障能力正逐渐成为了无人机自动化或智能化的关键点所在。

感知障碍阶段：

超声波测距对反射面有着一定的要求，常被用来测量无人机与地面之间的距离,而非与障碍物之间的距离。

双目视觉技术是运用了人眼计算距离的原理,是机器视觉的一种重要形式，主要基于视察原理并利用成像设备从不同的位置获取被测物体的两幅图像，并通过计算图像对应点之间的位偏差,来确定物体三维几何信息的方法。

视觉传感器由于具有重量轻、成本低等优点，越来越多地用于无人机避障。基于视觉的无人机避障很可能成为未来的主流。

绕过障碍阶段：

获取精准的障碍物轮廓并绕过去的关键点则精 确获得障碍物的深度图像。

无人机多避障图像特征检测与聚类

基于特征点提取和聚类相结合的障碍物检测方法：多重障碍的复杂环境，为了在实际避障过程中以最小的努力避开多个障碍物。

三个步骤进行。第 一步是检测特征点，使用不同的特征点检测算法来检测障碍物。第二步是特征点聚类部分，使用机器学习无监督聚类方法对检测到的特征点进行聚类。目的是将同一障碍物的特征点归为同一类别。第三步是凸包检测部分，用于检测同类障碍物的特征点（将障碍物最外围的特征点围成一个凸包），用凸包表示图片中真实障碍物的位置。

场景建模和路径探索：

获取场景模型,并通过飞控来设置最优避障飞行路径，slam导航避障算法，让无人机自主避障教学研究迈向更高处

无人机视觉定位技术

基于视觉航拍技术，首先对航拍图像进行预处理，提取图像特征信息，然后采用粒子滤波技术提高定位精度。

定位延迟和定位误差不仅不能实现无人机的自主定位功能，还会大大降低无人机的安全性。定位精度也是无人机自主定位算法的关键问题。目前无人机的视觉图像处理是基于像素的，图像质量的好坏将直接影响图像特征点的代表性和准确性。图像处理和计算也是算法中最耗时的部分。

无人机的视觉导航算法主要分为以下几类：基于图像序列或自然景观的匹配定位或跟踪、IMU惯性导航与卡尔曼滤波器的集成、视觉测量（V0）方法和视觉SLAM算法构建环境图。

基于图像拼接的无人机自主导航实时SLAM

大多数无人机利用全球导航卫星系统（GNSS）技术和惯性传感器（INS）来估计自己的地理空间定位。

无人机通过GNSS接收器进行增强，这些接收器受益于从卫星发射的接收时间无线电信号来计算位置（经度，纬度和高度）。当GNS信号下降时，仅基于INS的位置估计就会漂移。因此，为了准确地自主导航航向，必须确保同时接收至少四颗卫星的无线电信号。

当无人机任务包括GNSS信号变得不可靠的中间位置时，例如城市地区，室内环境，森林覆盖的景观，被山脉包围的山谷等，或者当无线电信号通过欺骗和游戏操作得到缓解时，这一点无法得到保证，特别是对于在民用频率上运行的GNSS接收器。

每两张连续捕获的图像的特征用于确定飞行距离和方位角。仅在拼接图像和两个连续图像之间执行特征匹配，这两个图像是在相同条件下使用相同相机拍摄的。这降低了计算复杂性，减少了所需的内存空间

无人机应该从具有已知坐标的初始位置开始导航。该方法使用图像拼接来确定两个连续捕获的图像之间的角度和距离。每当自动驾驶仪检测到GNSS接收器发生故障时，就会计算当前位置的坐标。

无人机复杂气流环境安全飞行

由于无人机、诱导气流和风之间的不稳定空气动力相互作用以及烟雾可视化等，这些非定常和非线性气动效应极大地降低了常规无人机控制方法的性能。

神经飞行的数据驱动方法，这是一种基于深度学习的轨迹跟踪控制器，可以学习快速适应快速变化的风况。神经飞行可以在动态风条件下实现厘米级的位置误差跟踪

基于CNN的密集单目视觉SLAM未知环境快速3D建模

SLAM 算法随后与基于CNN（卷积神经网络）的方法集成，利用单图像深度估计(SIDE)算法来估计环境的规模并从一组视频帧中对环境的3D重建进行致密化。

无人机应急着陆系统

在任务中，程序失控、人为失误飞行，甚至突然环境变化等紧急情况的概率也变得更高。面对此类紧急情况，在复杂的地面上紧急降落到最近的平坦地面尤为重要。

使用摄像头计算平坦的地面作为着陆点，并直接控制无人机自主着陆，安全便捷地完成无人机的紧急着陆。

自主无人机飞行过程中程序变化频繁，一些根本性的变化或短暂的疏忽可能会导致飞行错误。因此制定应急安全着陆计划以应对突发故障以促进自主无人机的发展是必要的任务。

无人机失控后，IMU数据是一个相对可靠的来源。使用IMU数据和GPS融合进行姿态控制，可以确保无人机在短时间内工作。利用无人机IMU数据、相对位置和GPS数据的姿态调整，完成紧急着陆。

紧急未知环境下基于单目视觉SLAM的无人机自主着陆

无人机落地研究需要考虑多方面因素和通用性，实用性有所提高。具体来说，主要挑战包括以下几点：

1：没有GPS信号的自主控制。GPS的抗干扰能力极弱。如果无人机机载GPS信号接收器因电子干扰而发生故障，无人机将失去导航定位功能，从而无法安全降落。

2：紧急情况下的被动着陆。由于无人机的补偿机制不允许故障无人机长时间继续飞行，因此应该开始选择紧急降落的地点。虽然这是无奈之举，但也是防止无人机落入人口密集地区的重要举措。

3：在未知环境中自主降落。在军事领域或救灾情况下，无人机需要执行任务的地方多为未知环境或杂乱无章的环境。无人机必须能够选择合适的着陆点并安全着陆。

基于于视觉的无人机着陆方法：借助光学设备和图像识别技术，无人机能够自主识别着陆区域，重构三维地形，实现自动返航和航线规划，能够以良好的策略降落机场并安全降落，将大大降低无人机对地面人员的伤害。