一、无人机GPS/INS组合导航卡尔曼滤波技术（论文文献综述）
张旭[1]（2021）在《基于Airsim的无人机导航卡尔曼滤波算法改进与仿真实验》文中指出
陶超[2]（2021）在《多源信息融合的无人机容错组合导航方法研究》文中研究指明随着无人机的广泛应用,在复杂的环境中作业已经成为一种趋势,导航是无人机作业的基础。然而,单一组合导航的方式已经不能满足无人机在复杂环境中自主、可靠、高精度的导航。为了提高无人机在复杂环境中导航的精确性,本文设计一种基于联邦卡尔曼滤波的多传感器融合导航系统。同时为了提高无人机在复杂环境中导航的可靠性,本文设计了基于传感器故障检测的容错导航。本文的主要研究内容如下:（1）针对在复杂环境中传感器干扰问题,提出了用滑模观测器结合联邦卡尔曼滤波的方法,通过滑模观测器的特性去抑制系统的干扰。（2）针对残差X2检测算法对缓变故障不灵敏,提出了一种基于滑动窗口相的改进残差X2检测算法,并且提出设定不同阈值的方法分别解决缓变故障和突变故障。（3）缓变故障检测需要一定的时间,在这段时间段内,子滤波器仍然将局部估计状态送入主滤波器,影响系统稳定性。针对该问题设计了基于滑动窗口残差X2检测的向量质量调节因子,量化故障的影响程度,并以此为依据调节子滤波在全局估计中的权重,以实现全局估计最优。最后为了验证算法,用ros系统和MATLAB搭建了仿真系统进行仿真验证,用开源无人机方案搭建了实验平台进行实验验证。仿真结果和实验结果都表明结合滑模观测器的联邦卡尔曼滤波提升了精度,同时基于故障检测以及容错导航方法使系统更加可靠。
周晨[3]（2021）在《基于多传感器融合的四旋翼无人机定位系统研究与实现》文中研究指明近年来,随着计算机和电子信息技术的飞速发展,无人机领域也得到了飞跃式的发展。在无人机领域中,最基础也是最重要的研究方向就是无人机的导航定位。导航定位算法是无人机实现运动控制、自主导航等上层应用的基础。在实际工作和生产中,人们往往需要四旋翼无人机在山洞,隧道,野外等较为复杂的环境中完成作业,四旋翼无人机在此复杂的场景中工作时依靠单一的传感器无法完成可靠的定位。本文针对传统的导航定位方法鲁棒性、准确度和环境适应能力不够的缺点,重点研究了基于GPS/视觉/IMU等多传感器融合的定位算法,并且在四旋翼无人机平台上进行部署。论文主要工作如下:首先,针对无GPS信号的室内环境定位,本文研究了基于滤波法的视觉融合IMU的定位框架,针对相机和IMU数据采集频率不一致的问题,设计了多传感器时间同步算法。对于视觉里程计存在的累计误差问题,本文以误差卡尔曼滤波为基础,在状态更新阶段实现了克隆卡尔曼滤波算法,提高了定位算法的精度。另外对于视觉算法不够鲁棒的情况,本文也进行了相应的校正处理,提高了系统的鲁棒性。其次,针对有GPS信号的室外环境,为了实现鲁棒的长期无漂移的位置估计,本文研究了基于滑动窗口优化的GPS融合视觉算法。利用GPS和上述滤波方法得到的视觉惯导里程计之间的相关性,通过优化的方法来估计无人机系统的状态,为了减小系统的算力开销以便部署在机载设备上,本文设计了滑动窗口优化策略,通过边缘化的方法处理老旧的信息,将优化算法的算力开销控制在恒定范围内。最后,在公开数据集上以及四旋翼无人机上对算法做出了调试验证,证明了算法的实用性和健壮性。
李迪川[4]（2021）在《基于GNSS的轨迹欺骗技术研究》文中进行了进一步梳理近年来,不管是在现代军用还是民用领域中,无人机（Unmanned Aerial Vehicle,UAV）使用的卫星导航系统多是采用GPS（Global Position System）与INS（Inertial Navigation System）组合形式,这在全球导航卫星系统GNSS（Global Navigation Satellite System）中使用率是较高的,具备良好的自导性和抗干扰性。目前针对此种无人机的欺骗干扰正在成为热点研究课题,本文在默认目标无人机已经开始跟踪欺骗信号的情况下,开展对目标无人机的轨迹欺骗技术研究,其中主要涉及三部分:目标无人机轨迹预测、干扰机欺骗轨迹规划和目标无人机轨迹诱骗。在目标无人机轨迹预测环节,根据轨迹欺骗的总体需求,结合多项式卡尔曼滤波（Polynomial Kalman Filter,PKF）和多变量灰色微分模型（Multivariable Grey Model,MGM）,提出了MGM＿PKF混合等维代谢动态轨迹预测算法,将雷达对目标无人机的实时探测信息,转化为目标无人机预设轨迹信息,作为本文轨迹预测算法的预测数据集,从而实现对目标无人机的后续预设轨迹进行实时预测,在满足一定预测精度前提下,增强了轨迹预测的动态性和时效性。在干扰机欺骗轨迹规划环节,结合遗传算法（Genetic Algorithms,GA）和蚁群算法（Ant Colony Optimization,ACO）提出了自适应GA＿ACO动态欺骗轨迹规划算法。按照无人机性能约束、航迹约束、威胁约束,设计轨迹评价函数,规划从欺骗起始点到捕获摧毁中心区域的最优欺骗轨迹。既保证算法的收敛速度和收敛精度,又避免了出现局部最优情况。仿真对比了三种常用算法的规划效率,此算法在规划时间和综合代价方面均有了明显改进,满足轨迹欺骗总体流程中的欺骗轨迹规划需求。在目标无人机轨迹诱骗环节,按照轨迹诱骗原理,提出了基于GPS/INS的UAV渐进式轨迹诱骗算法,利用无人机轨迹预测数据、干扰机轨迹规划数据和雷达的轨迹探测数据,改变卫星导航信号中的伪码相位和多普勒频率,使得目标无人机从欺骗起始点开始逐渐偏离其自身的预设轨迹,沿着干扰机欺骗轨迹行进,最终到达指定的捕获摧毁区域,在此过程中,欺骗信号满足了相应的隐蔽性要求。通过仿真验证,目标无人机在跟踪欺骗信号后,逐渐进行轨迹调整,但未识别被欺骗,最后讨论了雷达探测精度、雷达探测刷新时间和轨迹预测精度等影响因素对整体轨迹欺骗效果的影响。最终本文按照无人机轨迹欺骗整体要求,提出有效的轨迹欺骗算法,达到了无人机轨迹欺骗的目的。
余航[5]（2020）在《超宽带/GNSS/SINS融合定位模型与方法研究》文中提出全球卫星导航系统（Global Navigation Satellite System,GNSS）与捷联惯性导航系统（Strapdown Inertial Navigation System,SINS）组合能够在室外环境或卫星信号短暂失锁的条件下提供连续、可靠的导航定位服务。但是针对室内空间或是室内外过渡区域,由于卫星信号长时间被遮挡或严重缺失,此时可靠的定位服务将难以维持。超宽带（Ultra-wideband,UWB）系统以其可提供厘米级的理论测距精度且布设简单的优势,可为室内或室内外无GNSS信号或弱GNSS信号区域提供有效的测距信息,满足该区域的定位需求。本文围绕室内外导航定位应用中相关模型与方法开展研究,以车载实验平台为例,内容涵盖UWB/SINS融合定位模型与方法、GNSS/SINS融合定位模型与方法和UWB/GNSS/SINS融合定位模型与方法三部分。论文的重点研究内容概括如下:（1）在UWB/SINS融合定位中,UWB基站坐标通常是通过事先测量确定,其不可避免的与理论真值存在一定的偏差。因此针对UWB/SINS融合的问题,给出了动态EIV（Errors-in-Variables）模型,将UWB基站坐标误差纳入观测方程加以考虑;推导了处理动态EIV模型的总体卡尔曼滤波方法;给出了总体卡尔曼滤波方法的状态量验后估值与真值的理论偏差公式,分析了UWB基站坐标误差对状态量验后估值的影响。结果表明:实际应用中考虑UWB基准站坐标的误差并不一定就能提高UWB/SINS融合定位的精度,其受到UWB基站网形布设范围、基站布设精度及惯导器件水平的综合影响;就推导的总体卡尔曼滤波方法而言,室内无人车应用实验验证了提出方法的有效性。（2）针对UWB/SINS融合模型通常为非线性的情况,给出了非线性动态EIV模型的表达形式,并采用Gauss-Newton法推导了针对非线性动态EIV模型的广义总体卡尔曼滤波方法;分析了采用该方法的计算复杂度。结果表明:广义总体卡尔曼滤波方法能够处理非线性情况下的动态EIV模型,其计算复杂度略高于扩展卡尔曼滤波方法的计算复杂度。（3）在非线性动态EIV模型的基础上,进一步推导了无须求Jacobi矩阵的无迹总体卡尔曼滤波方法。由于采用该方法需要生成大量的采样点（sigma点）,对各sigma点进行非线性变换增大了运算量,提出采用如下两种方式减小计算量:1)条件线性变换结合边际无迹转换:将原状态空间模型表达成与部分状态量呈非线性相关,而与其余变量呈线性相关的形式,进而根据边际无迹转换,仅针对非线性相关的状态量生成对应的sigma点,减少了sigma点的个数;2)并行运算处理:将sigma点同时分配给多个CPU内核以并行处理的方式进行sigma点的非线性变换,根据计算机CPU实际可用核的个数成倍减少运行时间,达到实时解算的目的。（4）室外环境下GNSS/SINS组合导航应用中,由于路况的影响以及惯性器件并未与载体很好的固连等原因,当载体发生颠簸时,惯导的陀螺和加速度计实际输出值容易出现跳变的现象,从而影响连续、可靠的模糊度固定结果;提出给GNSS/SINS组合模型引入位置多项式拟合约束,用以辅助模糊度固定。位置多项式拟合约束通过时间窗口内的位置信息和预设的模型阶数预测下一历元的位置,其预测值与历元间的异常运动状态无关。从模型概率和模糊度固定状态综合判断惯导是否存在异常输出,若存在且影响了模糊度固定结果,则触发位置多项式拟合约束用于辅助模糊度固定以及更新GNSS/SINS的状态量验后估值。结果表明:采用该方法能够有效的弥补由于惯导瞬时异常输出而导致的模糊度无法连续固定的问题;发现结合部分模糊度固定策略能取得更好的效果。（5）融合UWB测距信息的GNSS/SINS组合模型将有助于提高定位的可靠性与精度。将UWB测距观测值作为等式约束,并根据实际应用场景挖掘系统的内/外隐含信息,可建立等式与不等式约束的UWB/GNSS/SINS融合定位模型。由于不等式约束信息的存在,通常须借助搜索的方式获得状态量的非显式估计值（无解析解）,因而计算效率低且无法对状态量估值进行精度评定。提出将凝聚函数法应用于不等式约束卡尔曼滤波;凝聚函数法可将所有的不等式约束方程转化为一个单一且光滑的非线性等式约束方程,可直接采用拉格朗日乘子法计算状态量的估计值和精度评定工作（有解析解）,从而无需采用耗时的搜索方法,更适合实时导航计算。结果表明:采用提出的方法能够获得与搜索方法（以序列二次规划法为例）相近的结果,但计算耗时相较于SQP方法降低了近10倍。该论文有图44幅,表13个,参考文献221篇。
徐滔宏[6]（2020）在《基于GPS和视觉引导的无人机精准降落技术研究》文中研究表明四旋翼无人机是一种结构简单、性能卓越的飞行器。随着无人机技术的发展,如何实现无人机全自动自主回收是当前研究的热点课题。本文以“X”型四旋翼无人机为实验平台,以实现基于GPS和视觉引导的无人机精准降落为研究目标,开展了下列工作:首先,简要阐述了超声波传感器和气压计的高度测量原理,针对两者观测数据存在噪声、突变、漂移等问题,通过与惯导数据融合得到了平滑性和稳定性较好的高度环数据。并在此基础上进行实验对比分析当融合过程中存在观测传感器切换时,三阶互补滤波算法和卡尔曼滤波算法的收敛情况。针对飞行过程中存在气压计气流突变导致观测高度突变的问题,设计了一种气压计故障诊断判断器来保证融合高度和速度的稳定性。随后通过互补融合加速度计、陀螺仪、磁力计数据,提高了无人机姿态估计的精度和稳定性。然后,搭建了无人机自动返航控制系统。其一,为实现返航任务中的位置控制,设计了基于位置+速度+姿态的三级级联的返航位置控制器。同时为提高无人机位置估计精度、过滤GPS观测噪声以及抵制惯导数据的积分发散,设计了基于卡尔曼滤波器的GPS/INS组合导航系统。其二,为提高系统的响应速度和鲁棒性,将ADRC技术引入姿态控制中,设计了基于ADRC的角度+角速度的串级姿态控制器,与此同时设计了高度控制器,保证无人机能定高返航以及视觉引导降落。随后在此基础上进行自动返航实验,实验表明只利用GPS信号引导无人机定点降落时难以实现厘米级降落。其次,为实现视觉引导无人机自主降落,推导了空间中某三维点与像素坐标系中的某二维像素点的点映射关系,估计出了无人机相对于地标的位置并对其进行姿态校正和位置补偿。同时设计了视觉位置控制器以及控制策略来引导无人机定点对准地标。随后在静平台、动平台上进行了自主降落实验,实现了视觉引导无人机自主降落,着陆误差均在10cm范围内。最后,自主搭建了四旋翼无人机实验平台,设计了基于GPS和视觉引导的无人机精准降落控制策略。并对该策略进行飞行实验验证,成功实现了无人机回收,着陆误差为23cm。
曲蕴杰[7]（2020）在《小型无人机惯性/卫星/视觉组合导航技术研究》文中进行了进一步梳理导航系统是无人机的重要组成部分之一,在整个飞行平台中起着至关重要的作用。本文针对小型无人机复杂环境下导航定位需求,开展了基于中低精度惯导与卫星深组合导航技术研究。通过建立惯性/卫星组合导航系统非线性误差模型,研究非线性滤波、噪声自适应等组合导航滤波方法,提高惯性辅助卫星深组合导航系统性能;针对无人机实际任务需求,深入研究了基于视觉跟踪技术的组合导航方法,通过引入视觉辅助体系,实现未知环境建模和未知环境下动态目标追踪与定位,进一步提升了无人机的实际使用性能。本文的主要工作和创新性成果包括:1.考虑姿态误差角较大的情况,利用四元数法建立了非线性捷联惯导系统速度、位置和姿态误差模型,分析了捷联姿态算法的优化问题,推导证明了求解四元数微分方程的三阶Taylor展开递推式,并与四阶龙格-库塔法进行了对比研究;2.针对组合导航滤波模型和噪声不确定性对组合导航性能的影响,提出了基于最大似然估计的组合导航噪声自适应滤波方法,在系统模型和噪声特性不确切的条件下提升组合导航滤波稳定性和组合性能;3.针对卫星导航位置与速度测量误差相关特性和小型无人机计算能力不足等问题,提出了一种位置速度序贯UKF滤波方法,并成功地应用于小型无人机的初始对准和导航解算,在大失准角条件下取得了很好的效果;4.针对高动态强干扰等复杂环境下组合导航应用需求,研究了惯性辅助卫星深组合技术,基于卫星环路特性完成了惯性辅助环路性能分析,提出了基于惯性辅助的惯性/卫星深组合架构,完成了深组合算法仿真分析和系统研制,在提升卫星导航高动态适应性的同时显着提升了抗干扰能力;5.针对无人机在复杂电磁环境下卫星导航系统失效导致纯惯性导航精度无法满足任务需求的问题,提出了一种基于视觉跟踪技术的组合导航算法,该算法基于改进的核函数循环检测跟踪算法,借助多维度颜色特征描述运动目标,去除特征冗余信息,实现无人机对目标的精确跟踪,利用跟踪的结果得到无人机的速度信息并与惯性导航系统进行组合导航,提升了无人机GNSS拒止条件下的导航精度;6.为验证论文提出的多种组合导航方法,搭建了机载带飞验证平台并进行了机载带飞试验,对本文提出的基于序贯STF-AUKF的惯性/卫星组合导航算法、惯性/卫星半耦合深组合导航方法以及基于视觉辅助跟踪技术的组合导航算法进行了验证。试验结果表明,本文提出的组合导航方法可有效提高小型无人机组合导航系统的鲁棒性和精度。
房德国[8]（2020）在《基于多传感器信息融合的无人机组合导航系统研究》文中认为基于多传感器信息融合的无人机组合导航系统可以在多种环境下实时检测无人机的位置、速度和姿态等飞行状态信息,相对于单一导航系统具有更高的环境适应性,是无人机实现自主飞行和完成相关任务的基础与核心技术。目前无人机所使用的导航系统通常是采用多传感器配置的单一导航方式,当无人机处于复杂环境时,难以获得精确可靠的导航信息。针对此现状,本研究设计了一种采用单目相机、GPS、气压计和INS相结合的组合导航系统,旨在提高无人机在复杂环境下导航系统的可靠性。本文主要工作内容包括:（1）针对GPS可以使用的户外开阔环境,设计了以STM32F407VGT6为处理器的组合导航系统,该系统搭载了加速度计、陀螺仪、地磁、气压计和GPS等传感器。在该系统中以时间戳对准和故障诊断技术为核心,针对GPS相对惯导数据存在延时的情况,首先设计预测器对GPS的数据延时进行补偿,使得惯导数据和GPS数据在时间上能够同步;其次设计一个故障诊断判断器对量测数据（GPS和气压计数据）与预测数据（加速度计数据）进行故障诊断,防止因量测数据短暂消失或跳变让系统无法正常工作。最后将时间戳对准技术和故障诊断技术融入到改进的扩展卡尔曼滤波器中,从而估计出无人机的位置、速度和姿态信息。（2）在GPS不可使用的环境当中,设计了以STM32F407VGT6和工控机双处理器的组合导航系统,该系统搭载了单目相机、陀螺仪、地磁和加速度计等传感器。在该系统中,以SLAM技术为基础,前端采用多层光流跟踪特征点,后端采用非线性优化的方法,将相机数据和IMU数据进行融合,从而得到无人机的位置信息。姿态信息由加速度计数据、陀螺仪数据和地磁数据通过扩展卡尔曼滤波算法解算。由于相机和IMU都只能测量无人机的相对位置信息,当无人机在GPS不可用区域长时间运行时,所解算的位置信息会存在累积误差。为了减小位置估计的累积误差,添加了回环检测功能。
吴和龙[9]（2020）在《多旋翼无人机的低成本Inertial/GNSS/Vision组合导航关键技术研究》文中进行了进一步梳理多旋翼无人机具有环境适应能力强、操控简便易掌握、飞行机动性强且稳定可靠等优点,近年来被广泛应用于军事、公安、农林等各个领域。围绕多旋翼无人机的组合导航算法,众多研究者基于高精度传感器进行了误差标定和多传感器数据融合算法的深入研究,并取得了诸多显着成果。然而随着旋翼无人机的应用推广,特别是成本昂贵的专用无人机,急需基于低成本传感器的组合导航算法以显着降低整机成本,因此对其解算精度、可靠性、实时性提出了较高要求。本文以长春光机所自主研发的CQ系列大载重专用无人机为研究平台,在深入研究已有高精度传感器的误差标定和组合导航算法基础上,提出了新型低成本元件的误差标定算法与组合导航EKF（Extend Kalman Filter,扩展卡尔曼滤波）算法,实现低成本传感器的高精度、高稳定性、高实时性的导航关键信息解算。针对无GNSS（Global Navigation Satellite System）信号的室内环境下,提出了基于视觉-惯导的EKF位姿估计方法,丰富了组合导航数据融合方法,实现了无GNSS环境下高精度的位姿估计。本文的主要工作有以下几个方面:（1）深入研究了无人机已有基于高精度传感器的数据标定方法、组合导航算法模型与解算过程,分析各型算法应用于低成本传感器时存在的缺陷,揭示组合导航算法的改进方法,为构建低成本传感器原始数据标定与组合导航算法奠定理论基础。（2）研究低成本磁力计和加速度计的误差来源,分别建立其误差标定模型。针对磁力计在多旋翼无人机上使用时磁场复杂的特点,提出了基于L-M（Levenberg-Marquardt）算法的联合正球拟合与带约束椭球拟合的磁力计现场快速标定方法,对影响无人机上磁力计的硬磁误差和软磁误差具有良好的标定效果。针对低成本加速度计的校正,提出了基于L-M算法的六位置现场校正方法,有效标定了加速度计零偏误差、尺度因子误差和非正交性误差。所提出的算法均给出详细的数学模型与解算过程,并通过实测数据验证算法的有效性与可靠性。本文所提出的磁力计和加速度计校正方法,无需外部高精度的辅助设备,即可有效标定低成本传感器存在的多种误差。（3）搭建了基于低成本惯性测量单元、磁力计、气压计、GNSS模块、双目相机的组合导航系统平台,针对低成本、高精度需求,提出了基于22维状态量的高维数EKF数据融合算法,构建了完整的数学模型与解算步骤,通过实测数据仿真证明了算法的高精度及其有效性。在组合导航算法的工程化实现中,针对异常干扰数据可能导致EKF发散问题,引入了互补滤波（CPF,Complementary Filter）监测模块并构建CPF-EKF监测算法,当EKF出现发散趋势时及时进行复位与姿态对准,保证了导航系统的高解算精度和稳定运行。通过实际飞行试验验证了所提出的CPF-EKF算法的有效性。（4）研究了无人机在无GNSS信号环境下的视觉-惯导EKF组合导航算法。在已经建立的基于22维状态量的高维数EKF算法基础上,针对视觉传感器的输出,提出了双目视觉与惯导系统相结合的视觉-惯导EKF组合导航位姿估计算法。以双目相机相邻关键帧之间的相对运动、位姿变换为约束,获取IMU（Inertial Measurement Unit）中陀螺仪和加速度计的偏置误差,并将其作为陀螺仪和加速度计偏差的观测量,引入至EKF数据融合过程进一步更新导航信息的最优估计值。通过EuRoC数据集仿真测试了视觉-惯导EKF算法的有效性,并在飞行仿真试验中充分验证了算法的位姿估计精度。
陈晨[10]（2020）在《NIS约束下的无人机诱捕技术研究》文中研究说明近些年来,无人机（Unmanned Aerial Vehicle,UAV）技术发展迅速,在给人们带来便利的用时,无人机威胁公共安全尤其是民航安全的事情发生的越来越频繁,无人机反制技术成为了近年的研究热点。无人机依赖GPS（Global Positioning System,GPS）系统进行导航,由于GPS信号脆弱易受到干扰,这为诱捕无人机提供了可行性。然而由于配备GPS/INS（Inertial Navigation System,INS）组合导航系统的无人机具有一定的抗干扰检测能力,直接给无人机发送GPS欺骗信号,容易被无人机发觉。针对这个问题,本文结合GPS欺骗原理和无人机组合导航系统,进行了NIS（Normalized Innovation Square,NIS）检测实验,探究了无人机的干扰检测机制,并在此基础上提出了一种简洁有效的诱捕无人机的方法,诱捕目标为返航方式是直线返航的无人机。论文主要工作如下:第一,介绍了GPS系统组成,从载波、伪码及导航电文三个方面研究了GPS信号的特点,最后研究了GPS定位原理。第二,针对无人机数据链路通信系统,总结了其通信特点和干扰方法;针对无人机导航定位系统,本文在研究GPS干扰的基础上,介绍了位置欺骗原理,位置欺骗能够有效地将GPS接收机定位结果偏移到指定位置。第三,结合无人机的GPS/INS组合导航系统,介绍了组合导航系统的优势,研究了卡尔曼滤波进行数据融合的原理。通过研究无人机的NIS检测,验证了无人机具有干扰检测能力以及GPS定位精度和欺骗距离对诱捕无人机的影响。第四,根据无人机在被切断与控制者之间的通信链路后会直线飞回返航点的特点,设计了一种计算无人机返航点位置的方法。并将以上理论进行整理结合,提出了一套诱捕无人机的完整方法,可以在不被无人机发觉的前提下,将无人机诱捕至指定位置。
二、无人机GPS/INS组合导航卡尔曼滤波技术（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、无人机GPS/INS组合导航卡尔曼滤波技术（论文提纲范文）
（2）多源信息融合的无人机容错组合导航方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 组合导航信息融合技术研究现状 |
| 1.2.2 故障检测与容错导航技术研究现状 |
| 1.3 本文的研究内容与创新 |
| 1.4 本论文的结构安排 |
| 第二章 无人机融合导航基础 |
| 2.1 坐标系定义及转换 |
| 2.1.1 常用坐标系 |
| 2.1.2 坐标系转换 |
| 2.2 传感器模型 |
| 2.2.1 视觉导航 |
| 2.2.2 惯性导航 |
| 2.2.3 GPS导航 |
| 2.3 多传感器融合组合导航基础 |
| 2.3.1 传感器标定 |
| 2.3.2 传感器时间同步 |
| 2.4 本章小结 |
| 第三章 基于滑模观测器的组合导航融合算法研究 |
| 3.1 组合导航系统模型整体方案 |
| 3.2 GPS/INS/VO组合导航系统模型 |
| 3.2.1 INS/GPS子滤波器 |
| 3.2.2 视觉/惯导子滤波器 |
| 3.2.3 主滤波器 |
| 3.2.4 自适应信息分配方法 |
| 3.3 基于滑模观测器的无迹卡尔曼滤波 |
| 3.3.1 滑模观测器原理 |
| 3.3.2 滑模观测器的设计 |
| 3.3.3 基于滑模观测器的UKF算法 |
| 3.4 仿真与分析 |
| 3.4.1 仿真环境与参数设置 |
| 3.4.2 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 组合导航系统的故障检测与容错算法研究 |
| 4.1 组合导航常见故障类型 |
| 4.2 多传感器组合导航系统故障检测算法 |
| 4.2.1 INS/GPS/VO组合导航系统故障检测方案 |
| 4.2.2 残差卡方检测法 |
| 4.2.3 基于滑动窗口的残差X~2检测算法 |
| 4.2.4 基于阈值不同的故障检测算法 |
| 4.3 多源信息自适应容错导航算法 |
| 4.3.1 导航子滤波器估计性能动态映射 |
| 4.3.2 基于质量向量调节因子的全局融合 |
| 4.4 算法仿真与分析 |
| 4.4.1 故障检测仿真 |
| 4.4.2 容错导航仿真 |
| 4.5 本章小结 |
| 第五章 多传感器组合导航实验 |
| 5.1 实验平台搭建 |
| 5.2 传感器标定 |
| 5.3 实验结果及分析 |
| 5.3.1 结合滑模观测器的联邦卡尔曼滤波实验 |
| 5.3.2 容错组合导航实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于多传感器融合的四旋翼无人机定位系统研究与实现（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 |
| 1.2.1 GPS组合导航算法现状 |
| 1.2.2 视觉SLAM定位算法现状 |
| 1.2.3 多传感器融合算法现状 |
| 1.3 目前传感器融合定位的局限性 |
| 1.4 本文研究内容及章节安排 |
| 第二章 定位系统原理介绍及本文系统方案 |
| 2.1 导航坐标系定义 |
| 2.2 惯性导航系统 |
| 2.2.1 惯性导航系统原理 |
| 2.2.2 惯导系统姿态解算方法 |
| 2.3 全球卫星导航系统 |
| 2.3.1 卫星导航系统的整体结构 |
| 2.3.2 卫星导航系统的定位原理 |
| 2.3.3 卫星导航系统的误差来源 |
| 2.4 视觉导航系统介绍 |
| 2.4.1 相机成像模型 |
| 2.4.2 视觉定位系统基本原理 |
| 2.4.3 视觉定位误差分析 |
| 2.5 系统方案介绍 |
| 2.6 本章小结 |
| 第三章 基于改进卡尔曼滤波的视觉融合惯导算法设计 |
| 3.1 系统框图 |
| 3.2 卡尔曼滤波算法原理 |
| 3.3 四旋翼无人机运动学 |
| 3.3.1 状态量解释及说明 |
| 3.3.2 无人机运动学模型推导 |
| 3.4 系统状态预测模型 |
| 3.5 系统状态更新模型 |
| 3.6 克隆卡尔曼滤波更新 |
| 3.7 异步数据更新策略 |
| 3.8 视觉算法故障检测机制 |
| 3.9 本章小结 |
| 第四章 基于位姿图优化的GPS融合框架 |
| 4.1 系统框图 |
| 4.2 GPS精度因子模型 |
| 4.3 GPS异常检测机制 |
| 4.4 基于GPS异常检测的多传感器融合算法 |
| 4.4.1 基于位姿图的优化方法 |
| 4.4.2 基于GPS状态检测的多传感器融合框架 |
| 4.4.3 滑动窗口优化策略 |
| 4.5 本章小结 |
| 第五章 多传感器融合定位算法实验验证 |
| 5.1 实验平台搭建以及传感器标定 |
| 5.1.1 实验平台硬件系统介绍 |
| 5.1.2 传感器标定实验 |
| 5.2 融合定位算法可行性验证及综合实验 |
| 5.2.1 KITTI数据集简介 |
| 5.2.2 算法性能评价指标 |
| 5.2.3 视觉惯导松耦合算法可行性验证 |
| 5.2.4 公开数据集下算法性能评估 |
| 5.3 实际场景综合实验 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
（4）基于GNSS的轨迹欺骗技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 UAV轨迹预测研究现状 |
| 1.2.2 UAV轨迹规划研究现状 |
| 1.2.3 UAV导航欺骗研究现状 |
| 1.3 研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文目录安排 |
| 第二章 卫星导航理论与欺骗策略 |
| 2.1 导航定位原理及相关理论 |
| 2.1.0 定位原理 |
| 2.1.1 伪码 |
| 2.1.3 松耦合GPS/INS结构 |
| 2.2 转发式欺骗干扰 |
| 2.2.1 位置欺骗 |
| 2.2.2 时钟误差 |
| 2.2.3 速度欺骗 |
| 2.2.4 转发功率 |
| 2.2.5 干扰机布设 |
| 2.3 论文总体流程 |
| 2.4 本章小结 |
| 第三章 MGM_PKF混合等维代谢动态轨迹预测算法研究 |
| 3.1 引言 |
| 3.2 PKF预测模型 |
| 3.3 基于MGM(1,n)预测模型的改进 |
| 3.4 MGM_PKF混合等维代谢动态轨迹预测算法 |
| 3.4.1 预测模型数据的衰减记忆 |
| 3.4.2 加权预测与算法总体流程 |
| 3.5 算法仿真实验与对比分析 |
| 3.6 本章小结 |
| 第四章 自适应的GA_ACO动态欺骗轨迹规划算法研究 |
| 4.1 欺骗轨迹规划问题建模 |
| 4.1.1 干扰区域的空间规划和航迹表示 |
| 4.1.2 航迹约束与航迹评价 |
| 4.1.3 算法可行性分析 |
| 4.2 自适应的GA_ACO动态欺骗轨迹规划算法 |
| 4.2.1 改进遗传算法 |
| 4.2.2 蚁群算法 |
| 4.2.3 算法融合与整体流程 |
| 4.3 算法仿真实验与对比分析 |
| 4.4 本章小结 |
| 第五章 基于GPS/INS的 UAV渐进式轨迹诱骗算法研究 |
| 5.1 轨迹诱骗 |
| 5.2 基于GPS/INS的 UAV渐进式轨迹诱骗算法 |
| 5.3 算法仿真实验 |
| 5.4 轨迹欺骗影响因素研究 |
| 5.4.1 无人机轨迹预测精度对轨迹欺骗效果影响 |
| 5.4.2 雷达探测精度对欺骗效果的影响 |
| 5.4.3 雷达刷新时欺骗效果的影响 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）超宽带/GNSS/SINS融合定位模型与方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要问题与研究思路 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 2 导航坐标系下捷联惯性导航基础 |
| 2.1 常用坐标系的定义及转换 |
| 2.2 导航坐标系下捷联惯导机械编排 |
| 2.3 导航坐标系下捷联惯导误差方程 |
| 2.4 本章小结 |
| 3 UWB/SINS融合的动态EIV模型与方法 |
| 3.1 基于四元数与位置的动力学模型 |
| 3.2 UWB观测模型 |
| 3.3 动态EIV模型及其总体卡尔曼滤波方法 |
| 3.4 动态EIV模型中总体卡尔曼滤波方法的有效性分析 |
| 3.5 算例与分析 |
| 3.6 本章小结 |
| 4 UWB/SINS融合的非线性动态EIV模型与方法 |
| 4.1 UWB/SINS组合导航模型 |
| 4.2 非线性动态EIV模型及其广义总体卡尔曼滤波方法 |
| 4.3 无迹总体卡尔曼滤波方法 |
| 4.4 算例与分析 |
| 4.5 本章小结 |
| 5 位置多项式拟合约束的GPS/BDS-RTK/SINS融合定位模型与方法 |
| 5.1 GPS/BDS-RTK/SINS的紧组合模型 |
| 5.2 GPS/BDS-RTK/SINS单频单历元模糊度固定及其导航解 |
| 5.3 位置多项式拟合约束 |
| 5.4 融合位置多项式拟合约束的GPS/BDS-RTK/SINS方法 |
| 5.5 算例与分析 |
| 5.6 本章小结 |
| 6 顾及等式与不等式约束信息的UWB/GPS/SINS融合定位模型与方法 |
| 6.1 等式与不等式约束的UWB/GPS/SINS融合定位模型 |
| 6.2 等式与不等式约束的卡尔曼滤波方法 |
| 6.3 等式与不等式约束的凝聚约束无迹卡尔曼滤波方法 |
| 6.4 算例与分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于GPS和视觉引导的无人机精准降落技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉引导降落研究现状 |
| 1.2.2 组合导航研究现状 |
| 1.2.3 多传感器数据融合研究现状 |
| 1.3 本文章节安排 |
| 第二章 无人机高度融合与姿态解算技术研究 |
| 2.1 引言 |
| 2.2 无人机高度测量 |
| 2.2.1 超声波高度测量模型 |
| 2.2.2 气压计高度测量模型 |
| 2.3 无人机高度融合算法研究 |
| 2.3.1 基于三阶互补滤波的惯导融合算法 |
| 2.3.2 基于卡尔曼滤波的惯导融合算法 |
| 2.3.3 气压计故障诊断判断器设计 |
| 2.4 无人机姿态解算 |
| 2.4.1 基于梯度下降法的四元数姿态解算 |
| 2.4.2 实验分析 |
| 2.5 本章小结 |
| 第三章 基于GPS的无人机自动返航技术研究 |
| 3.1 引言 |
| 3.2 基于GPS/INS的组合导航 |
| 3.2.1 GPS/INS组合导航水平位置融合 |
| 3.2.2 实验分析 |
| 3.3 无人机姿态控制 |
| 3.3.1 基于ADRC的四旋翼姿态控制器设计 |
| 3.3.2 实验分析 |
| 3.4 无人机高度控制 |
| 3.4.1 四旋翼高度控制器设计 |
| 3.4.2 实验分析 |
| 3.5 无人机自动返航 |
| 3.5.1 水平航向分解 |
| 3.5.2 四旋翼水平位置控制器设计 |
| 3.5.3 实验分析 |
| 3.6 本章小结 |
| 第四章 视觉引导降落技术研究 |
| 4.1 引言 |
| 4.2 目标识别与信息提取 |
| 4.2.1 April Tag视觉定位系统 |
| 4.2.2 April Tag识别原理 |
| 4.2.3 目标信息提取 |
| 4.3 无人机相对位置估计与视觉位置控制器设计 |
| 4.3.1 无人机相对位置估计 |
| 4.3.2 视觉位置控制器设计 |
| 4.3.3 位置补偿实验 |
| 4.4 视觉引导无人机自主降落控制策略设计与实验 |
| 4.4.1 视觉引导自主降落控制策略设计 |
| 4.4.2 静平台自主降落实验 |
| 4.4.3 动平台自主降落实验 |
| 4.5 本章小结 |
| 第五章 基于GPS和视觉引导的无人机精准降落实验 |
| 5.1 引言 |
| 5.2 系统硬件平台搭建与通信协议制定 |
| 5.2.1 系统硬件平台搭建 |
| 5.2.2 通信协议制定 |
| 5.3 系统控制策略设计与实验 |
| 5.3.1 系统控制策略设计 |
| 5.3.2 实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在攻读硕士学位期间发表的学术论文与参加科研项目情况 |
（7）小型无人机惯性/卫星/视觉组合导航技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 小型无人机组合导航系统研究现状 |
| 1.3.2 非线性滤波技术研究现状 |
| 1.3.3 自适应滤波技术研究现状 |
| 1.3.4 惯性/卫星深组合导航技术研究现状 |
| 1.3.5 图像匹配技术研究现状 |
| 1.4 本文的主要研究内容 |
| 第2章 小型无人机组合导航系统原理 |
| 2.1 引言 |
| 2.2 惯性/卫星组合导航系统工作原理 |
| 2.2.1 惯性导航系统工作原理 |
| 2.2.2 卫星导航系统工作原理 |
| 2.3 惯性/卫星组合导航系统误差分析 |
| 2.3.1 惯性导航系统误差分析 |
| 2.3.2 GPS导航系统误差分析 |
| 2.4 捷联姿态算法的优化 |
| 2.4.1 四阶龙格-库塔法 |
| 2.4.2 三阶Taylor展开递推算法 |
| 2.4.3 优化性能对比 |
| 2.5 本章小结 |
| 第3章 基于噪声自适应UKF的惯性/卫星组合导航算法研究 |
| 3.1 引言 |
| 3.2 UKF原理 |
| 3.2.1 UT变换 |
| 3.2.2 UKF算法 |
| 3.3 系统噪声和观测噪声对滤波的影响分析 |
| 3.3.1 系统噪声矩阵Q对滤波的影响 |
| 3.3.2 观测噪声矩阵R对滤波的影响 |
| 3.4 噪声自适应UKF算法 |
| 3.4.1 系统噪声自适应UKF算法 |
| 3.4.2 观测噪声自适应UKF算法 |
| 3.4.3 融合强跟踪的系统噪声自适应UKF算法 |
| 3.5 基于STF-AUKF的惯性/卫星组合导航算法 |
| 3.5.1 基于STF-AUKF的非线性初始对准算法 |
| 3.5.2 基于序贯STF-AUKF的组合导航算法 |
| 3.6 实验结果与分析 |
| 3.6.1 系统噪声自适应算法仿真试验 |
| 3.6.2 观测噪声自适应算法仿真试验 |
| 3.6.3 初始对准仿真试验 |
| 3.6.4 组合导航仿真试验 |
| 3.7 本章小结 |
| 第4章 惯性/卫星深组合导航技术 |
| 4.1 引言 |
| 4.2 深组合性能分析 |
| 4.2.1 卫星跟踪环路分析 |
| 4.2.2 惯性辅助跟踪环路性能分析 |
| 4.3 基于惯性/多普勒辅助的半耦合深组合导航 |
| 4.3.1 频率预测辅助 |
| 4.3.2 加速度辅助 |
| 4.3.3 惯性多普勒辅助环路处理方法 |
| 4.4 断开环路的全耦合深组合导航 |
| 4.4.1 环路预处理滤波模型 |
| 4.4.2 环路NCO控制方法 |
| 4.5 实验结果与分析 |
| 4.5.1 半耦合环路辅助仿真实验 |
| 4.5.2 全耦合环路预处理仿真实验 |
| 4.5.3 全耦合环路复制信号控制量仿真实验 |
| 4.6 本章小结 |
| 第5章 基于视觉跟踪技术的组合导航方法 |
| 5.1 引言 |
| 5.2 视觉方法的理论基础 |
| 5.2.1 目标颜色命名方法 |
| 5.2.2 主成分分析法基本原理 |
| 5.3 视觉跟踪算法原理 |
| 5.3.1 目标颜色名称标定算法的实现 |
| 5.3.2 目标颜色核相关跟踪算法 |
| 5.3.3 算法测试与评估 |
| 5.3.4 TCKCT算法用于无人机跟踪运动目标 |
| 5.4 基于视觉跟踪技术的组合导航算法 |
| 5.4.1 基于视觉跟踪技术的组合导航原理 |
| 5.4.2 基于视觉跟踪技术的组合导航算法模型 |
| 5.4.3 基于视觉跟踪技术的组合导航算法 |
| 5.5 试验结果与分析 |
| 5.6 本章小结 |
| 第6章 机载带飞试验验证 |
| 6.1 引言 |
| 6.2 机载带飞验证平台构建与试验方案 |
| 6.2.1 机载带飞试验平台构建 |
| 6.2.2 机载带飞试验系统同步方法 |
| 6.2.3 机载带飞试验方法 |
| 6.3 机载验证试验与试验结果 |
| 6.3.1 基于序贯STF-AUKF的惯性/卫星组合导航算法机载带飞试验结果 |
| 6.3.2 惯性/卫星半耦合深组合导航方法机载带飞试验结果 |
| 6.3.3 基于视觉辅助跟踪技术的组合导航算法机载带飞试验结果 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及其它成果 |
| 个人简历 |
（8）基于多传感器信息融合的无人机组合导航系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 第二章 无人机导航系统基本理论 |
| 2.1 导航系统常用坐标系 |
| 2.2 惯性导航系统 |
| 2.3 卫星导航系统 |
| 2.4 视觉导航系统 |
| 2.5 本章小结 |
| 第三章 无人机组合导航信息融合算法 |
| 3.1 传感器原始数据预处理 |
| 3.2 无人机组合导航滤波算法 |
| 3.3 基于非线性优化的信息融合方法 |
| 3.4 本章小结 |
| 第四章 基于INS/视觉的组合导航算法设计 |
| 4.1 图像预处理 |
| 4.2 多层光流跟踪方法设计 |
| 4.3 IMU预积分 |
| 4.4 初始化 |
| 4.5 后端非线性优化 |
| 4.6 带回环检测的INS/视觉组合导航算法设计 |
| 4.7 INS/视觉组合导航实验 |
| 4.8 本章小结 |
| 第五章 基于INS/GPS/气压计的组合导航算法设计 |
| 5.1 GPS滞后补偿算法设计 |
| 5.2 基于互补滤波更新姿态角 |
| 5.3 基于改进扩展Kalman滤波器的组合导航算法设计 |
| 5.4 多系统组合导航实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（9）多旋翼无人机的低成本Inertial/GNSS/Vision组合导航关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 相关技术国内外研究现状 |
| 1.2.1 多旋翼无人机国外研究现状 |
| 1.2.2 多旋翼无人机国内研究现状 |
| 1.3 多旋翼无人机组合导航研究现状 |
| 1.3.1 多传感器原始数据标定技术 |
| 1.3.2 组合导航算法的工作模式 |
| 1.3.3 多传感器数据融合算法研究现状 |
| 1.3.4 视觉导航发展现状 |
| 1.4 论文研究主要内容与章节安排 |
| 1.4.1 研究内容与创新性 |
| 1.4.2 各章节的内容安排 |
| 第2章 多传感器测量与姿态估计基本理论 |
| 2.1 前言 |
| 2.2 多旋翼无人机试验平台介绍 |
| 2.3 导航坐标系定义 |
| 2.4 姿态描述方法 |
| 2.5 传感器特性分析及数据预处理方法 |
| 2.5.1 低成本组合导航传感器特性分析 |
| 2.5.2 多传感器传统校正方法 |
| 2.5.3 组合导航姿态估计算法 |
| 2.6 本章小结 |
| 第3章 低成本磁力计和加速度计现场快速标定方法 |
| 3.1 引言 |
| 3.2 基于L-M算法的磁力计标定方法 |
| 3.2.1 磁力计误差来源 |
| 3.2.2 正球拟合与带约束椭球拟合的联合磁力计校正模型 |
| 3.2.3 算法收敛判据 |
| 3.2.4 L-M算法的迭代流程 |
| 3.3 磁力计校正算法流程 |
| 3.4 试验与结果 |
| 3.4.1 数据采集平台搭建与校正过程 |
| 3.4.2 校正结果及分析 |
| 3.4.3 半物理仿真实验 |
| 3.4.4 上机试验 |
| 3.5 基于L-M算法的六位置加速度计校正方法 |
| 3.5.1 加速度计误差模型 |
| 3.5.2 基于L-M算法的加速度计校正 |
| 3.5.3 校正算法收敛判据 |
| 3.5.4 加速度计校正过程 |
| 3.5.5 试验结果 |
| 3.6 本章小结 |
| 第4章 基于低成本传感器的CPF-EKF姿态估计方法 |
| 4.1 前言 |
| 4.2 基于22 维状态量的EKF算法设计 |
| 4.2.1 EKF状态预测 |
| 4.2.2 EKF误差方差预测 |
| 4.2.3 EKF磁力计数据融合 |
| 4.2.4 GPS/气压计数据融合 |
| 4.3 滤波器工作流程 |
| 4.4 基于22 维状态量的EKF算法仿真设计与验证 |
| 4.4.1 飞行数据采集系统搭建 |
| 4.4.2 EKF算法仿真结果分析 |
| 4.5 组合导航CPF-EKF算法 |
| 4.5.1 CPF监测模块设计 |
| 4.5.2 CPF-EKF算法设计 |
| 4.5.3 CPF-EKF算法验证 |
| 4.6 本章小结 |
| 第5章 基于视觉-惯导EKF的无人机组合导航算法 |
| 5.1 引言 |
| 5.2 双目视觉定位原理及坐标系定义 |
| 5.3 基于视觉-惯导的EKF组合导航算法 |
| 5.3.1 IMU预积分 |
| 5.3.2 基于双目立体相机的EKF数据融合 |
| 5.3.3 带IMU的后端优化与闭环检测 |
| 5.4 仿真试验与结果分析 |
| 5.4.1 IMU预积分仿真 |
| 5.4.2 视觉-惯导EKF算法导航性能仿真 |
| 5.5 真实飞行试验 |
| 5.5.1 实验平台的搭建 |
| 5.5.2 实际飞行仿真试验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作的创新性总结 |
| 6.2 进一步工作与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（10）NIS约束下的无人机诱捕技术研究（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 |
| 1.3 本文的主要工作及论文结构 |
| 第二章 GPS系统的基本原理 |
| 2.1 GPS系统简介 |
| 2.2 GPS信号组成 |
| 2.2.1 伪随机噪声码 |
| 2.2.2 导航电文 |
| 2.3 GPS定位 |
| 2.4 本章小结 |
| 第三章 无人机干扰技术 |
| 3.1 无人机数据传输链路 |
| 3.1.1 跳频通信 |
| 3.1.2 跳频通信干扰 |
| 3.2 GPS干扰 |
| 3.2.1 压制式干扰 |
| 3.2.2 欺骗式干扰 |
| 3.3 本章小结 |
| 第四章 无人机组合导航系统 |
| 4.1 GPS/INS组合导航 |
| 4.1.1 组合导航系统优点 |
| 4.1.2 组合导航的分类 |
| 4.2 信息融合算法 |
| 4.2.1 信息融合方法分类 |
| 4.2.2 卡尔曼滤波 |
| 4.3 NIS检测 |
| 4.4 本章小结 |
| 第五章 诱捕策略 |
| 5.1 诱捕对象 |
| 5.2 计算返航点 |
| 5.3 诱捕步骤 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间所发表的论文 |
四、无人机GPS/INS组合导航卡尔曼滤波技术（论文参考文献）
- [1]基于Airsim的无人机导航卡尔曼滤波算法改进与仿真实验[D]. 张旭. 东华理工大学, 2021
- [2]多源信息融合的无人机容错组合导航方法研究[D]. 陶超. 电子科技大学, 2021(01)
- [3]基于多传感器融合的四旋翼无人机定位系统研究与实现[D]. 周晨. 电子科技大学, 2021(01)
- [4]基于GNSS的轨迹欺骗技术研究[D]. 李迪川. 电子科技大学, 2021(01)
- [5]超宽带/GNSS/SINS融合定位模型与方法研究[D]. 余航. 中国矿业大学, 2020(07)
- [6]基于GPS和视觉引导的无人机精准降落技术研究[D]. 徐滔宏. 南京航空航天大学, 2020(07)
- [7]小型无人机惯性/卫星/视觉组合导航技术研究[D]. 曲蕴杰. 哈尔滨工业大学, 2020(01)
- [8]基于多传感器信息融合的无人机组合导航系统研究[D]. 房德国. 南京信息工程大学, 2020(02)
- [9]多旋翼无人机的低成本Inertial/GNSS/Vision组合导航关键技术研究[D]. 吴和龙. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2020(08)
- [10]NIS约束下的无人机诱捕技术研究[D]. 陈晨. 中国民航大学, 2020(01)