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。