针对无人机自主导航的实时性差、精度低且对时变噪声的鲁棒性弱的问题, 建立了机器视觉和惯性导航相融合的组合导航系统, 并提出了一种自适应平方根无迹卡尔曼滤波(adaptive square-root unscented kalman filter, ASRUKF)算法。该算法通过观测值与估计值残差的Mahalanobis距离时刻修正系统噪声协方差, 再与采用最小偏度采样的SRUKF算法相融合, 从而达到时变噪声自适应抑制, 滤波快速且对噪声鲁棒性高的效果。仿真结果表明, 相比标准SRUKF, ASRUKF计算耗时减少约38.8%, 位移、速度和姿态角预测精度分别提高超过4倍和6倍, 且对于时变噪声鲁棒性更强。

针对无人机自主空中加油保持阶段加油机位姿跟踪精度不高的问题，提出了一种改进UKF(无损卡尔曼滤波)预测方法。建立了视觉导航系统模型，利用Harris算法检测角点，并用RANSAC(随机序列一致性)算法进行角点匹配。将历史预测数据引入当前时刻UKF预测值，并通过匹配角点所得姿态观测值对改进UKF预测值进行修正，从而实现加油机姿态的高精度预测。仿真结果表明，改进UKF在遭遇突发强干扰时姿态预测性能明显优于标准UKF，所预测误差小于5.8%，满足空中加油精度要求。该算法避免了强干扰引发的预测出错，有效抑制了突发干扰。

针对自主空中加油对接阶段锥套跟踪问题, 提出了一种基于tracking-learning-detection (TLD)的锥套跟踪算法。该算法将加油锥套的跟踪任务分解成跟踪、学习、检测3个部分。跟踪模块在LK光流法的基础上添加跟踪失败自检测, 筛选出好的跟踪点, 跟踪加油锥套; 检测模块构建级联分类器, 对滑动窗遍历得到的图像块进行分类并返回含有目标的图像块, 融合跟踪模块的跟踪框, 给出最终跟踪结果; 学习模块引入P-N约束修正错误样本并学习更新检测模块。利用Creator/Vega Prime软件对空中加油进行视景仿真, 在视景仿真视频上测试锥套跟踪算法。结果表明: TLD算法跟踪加油锥套成功率达95.5%, 处理每帧平均耗时31.4 ms, 能够满足加油锥套跟踪鲁棒性、准确率、实时性的要求。

针对相机标定结果易受外界因素干扰的问题, 为了提高标定准确度, 利用已有的摄像机针孔成像模型, 采用自适应角点检测算法提取靶标图像中的特征点, 标定结果以重投影横纵像素误差的平均值作为性能指标, 对均匀光源的照度、标定图片数量以及标定靶标上棋盘格尺寸3个影响因子做了相应的分组对比实验。研究结果表明, 选择亮度高的光源提升标定准确度达到38%以上;特征点数目156个时, 仅需18张～22张标定图片;相对较小的棋盘格尺寸可以使得标定准确度提高50%。以上结果充分说明了光源、图片数量和棋盘格尺寸对于提高相机标定准确度具有重要意义。

针对无人机自主空中加油过程中锥套跟踪，提出一种均值漂移-卡尔曼滤波(mean shift-Kalman filter, MS-KF) 融合算法。分析了基于均值漂移算法的锥套目标模型、相似性度量、锥套目标定位的锥套定位原理; 引入卡尔曼滤波器对锥套运动状态进行预测，将锥套运动信息融合到均值漂移算法中，以保证锥套跟踪算法的稳定性和鲁棒性; 给出了MS-KF融合算法用于锥套识别跟踪的流程; 搭建了锥套跟踪半物理实验验证系统，分别进行MS-KF融合算法用于锥套跟踪的半物理实验验证及数值仿真分析。实验结果表明: MS-KF融合算法可以对锥套精确定位跟踪，无人机3个轴向的跟踪误差保持在0.3 m的范围内，保证了无人机自主空中加油的顺利进行。