针对无人机自主空中加油过程中加油机、受油机会合编队问题, 基于Lyapunov导航向量场(LGVF)和一致性理论设计了一种编队控制方法。首先, 建立了无人机编队模型, 包括通信拓扑模型和编队几何模型, 并在此基础上定义了多无人机系统的协同变量; 接着, 设计了期望的加油轨迹, 并基于Lyapunov导航向量场方法设计了加油机(编队参考点)的飞行控制律; 然后, 根据加油机的位置、速度信息, 基于一致性理论设计了加、受油机会合编队控制方法, 并分析了该方法的稳定性; 最后, 进行了数字仿真,表明了所提方法的有效性。

针对一般线性二阶多智能体系统, 设计仅含采样位移信息的分布式脉冲一致性控制算法。利用谱分析和拟周期齐次Lyapunov函数方法, 给出能够实现二阶一致性的判据, 揭示采样周期、控制器增益以及拉普拉斯矩阵的特征值对实现二阶一致性的影响机理。进一步分析采样周期和系统参数的不确定性对分布式脉冲一致性算法的影响, 并以低维数的线性矩阵不等式, 给出了能够实现鲁棒二阶一致性的充分条件。最后, 通过数值例子验证了所提出的理论结果。

针对多个导弹攻击机动目标问题, 提出一种带有攻击时间约束的固定时间协同制导律。首先, 建立平面弹目运动几何模型, 分析视线方向导弹加速度与剩余飞行时间之间的关系, 基于一阶一致性设计固定时间协同制导律; 其次, 将目标机动视作有界外界干扰, 利用固定时间收敛观测器对其进行估计, 并将干扰估计值应用到协同制导律的设计中, 以削弱干扰上界引起的抖振; 最后, 通过数值仿真验证了所设计固定时间协同制导律的有效性。

为解决地面点云占比过少、多条公路平面参数不同导致的地面点云移除效果差、运行时间长的问题，提出一种公路地面点云快速移除算法。该算法对传统的随机采样一致性（RANSAC）算法进行改进，通过循环计算高程最低点，并基于该点提取特定范围点云，提高地面点云占比、大幅缩短地面参数获取时间。改进后的算法能够快速移除多条公路地面点云，同时完整保留非地面点。实验结果表明：对于不同场景的公路地面，所提算法均能取得良好的地面移除效果。对于单公路场景，改进算法耗时8 ms，相比RANSAC算法缩短118 ms；对于多公路场景，改进算法耗时57 ms，相比RANSAC算法缩短180 ms。

为进一步提高事件传感器光流估计的精确度，解决平面拟合算法的拟合模型误差问题，提出一种事件传感器平面拟合光流估计改进算法。该算法采用Prim贪婪算法思想，从事件流中提取有效事件，获取最优局部邻近事件集，为后续光流估计奠定基础。同时，采用特征值算法代替传统最小二乘法，结合贪婪算法下事件集内数据的优劣排序，优化平面拟合模型的建立，提高光流估计算法的精确度。实验结果表明，相比于现有的基于平面拟合的事件传感器光流估计算法，该算法在平均端点误差和平均角度误差两个指标上分别约提升20%和11%，有效提升了事件传感器光流估计算法的精确度。

为了解决无人机机载激光雷达采集到的点云数据存在密度高但分布不均匀的现象, 以及绝缘子表面纹理信息不全等问题, 提出了一种基于机载激光点云的电网绝缘子识别方法。首先分析杆塔中不同部位的强度值直方图, 用强度值滤波剔除大部分的杆身点云; 然后采用主成分分析法计算局部点云特征值, 根据特征值构建的局部熵函数和空间分布特性删除冗余的平坦区域点云, 并通过栅格修补的方法避免出现点云空洞; 最后针对传统采样一致性初始配准(SAC-IA)算法精度低和速度慢的问题, 通过增加采样点对的距离约束关系和自适应调整参数改进SAC-IA算法完成绝缘子的位姿估计。结果表明, 该方法能正确高效地识别杆塔中的绝缘子, 运行时间大幅减少, 提取正确率达到95.16%。该研究在无人机自主巡检航线规划中具有良好的应用价值。

针对分布式群系统编队控制问题, 提出一种有向拓扑条件下的分布式编队控制方法。首先, 通过在控制协议中引入辅助函数, 利用变量代换, 将编队控制问题简化为自治系统的稳定性问题, 使得复杂的控制问题简单化。其次, 通过求解线性矩阵不等式设计控制增益矩阵, 形式简单, 求解复杂度低。然后借助李雅普诺夫方法分析系统的稳定性。仿真实验表明, 多无人机系统在分布式控制协议下, 能够有效实现编队跟踪控制。

针对无人机影像匹配容易出现匹配速率低、鲁棒性差的问题，提出一种改进AKAZE（accelerate-KAZE）算法的快速图像匹配方法。首先，在特征提取阶段，使用AKAZE算法对非线性尺度空间进行构建，采用fast retina keypoint（FREAK）描述符对特征点进行有效描述；之后，利用基于网格的运动估计（GMS）方法对所获得特征点进行预匹配，并进行鲁棒性优良的区分；最后，在随机抽样一致性（RANSAC）算法的基础上对匹配结果进行进一步筛选。为了验证所提方法的有效性，使用Oxford标准图像数据集和RSSCN7遥感图像数据集进行实验，对所提方法与改进AKAZE、ORB、KAZE、SIFT+FREAK算法进行对比，确保所提方法在保持较高准确率的同时能够实现快速的图像配准。在图像光照变化、模糊变换及压缩变换下，所提方法能够保持较好的鲁棒性，可以满足无人机影像实时匹配的需求。

三维扫描获取待测对象点云时，不可避免地会出现噪声点和异常值，严重影响点云平面参数估计和平面拟合精度。随机抽样一致性（RANSAC）和主成分分析（PCA）结合的算法可以有效估计点云平面参数并拟合平面，具有一定鲁棒性，但RANSAC算法每次迭代时都需要判断以区分内点与外点，具有冗余性，对运行效率有一定影响，同时其估计结果也会受到迭代次数的影响。针对以上问题，提出了一种结合最小平方中值（LMedS）和PCA的算法拟合点云平面，并选取3种点云模型进行实验，分别为Semantic3D户外场景点云数据库、线激光传感器获取的零件表面点云及普林斯顿大学的室内数据集。实验结果表明，在十万数量级点云中，LMedS算法可以有效估计点云平面参数，与RANSAC算法相比，LMedS算法不仅可以有效估计平面模型，且运行速度有一定提高，耗时少，两者的精度相当，是一种具有较强鲁棒性和优势性的点云平面拟合算法。

针对复杂背景分割时出现的低效率、过分割等问题，提出一种基于法线估计的三维点云分割方法。首先，改进随机采样一致性（RANSAC）算法，引入法线约束去除背景中大部分平面点云，使得目标点云与大量点云分离，然后采用欧式聚类分割从中提取目标点云。利用鼢鼠头骨三维点云数据进行试验，结果表明，融合的点云分割算法可以将目标鼢鼠头骨点云精确分割，完全去除冗余点云，速度快、准确率高，相较同类型方法表现更优。