近年来,无人机系统能力不断提升,在城市反恐侦察、灾害监测、物流配送、交通疏导等军事和民用领域崭露头角,应用前景尤为广阔。无人机定位是无人机遂行动态任务的必要环节,也是无人机自主能力的重要体现。针对城市建筑群/森林/室内弱GPS和作战区域伪GPS等环境下的应用需求,深入研究无GPS依赖的无人机定位方法,充分利用自身机载或者外部辅助传感设备探索不依赖GPS信号的融合定位。本文分别从地基定位系统和机载定位系统两种途径展开研究,选用摄像机、激光扫描仪、惯性测量单元等传感器获取外界和自身状态信息,采用图像分割、滤波、优化等技术,估计无人机飞行过程中的位姿等状态信息。本文主要工作及创新点如下:(1)基于Chan-Vese模型的无人机图像目标检测方法采用Chan-Vese模型,对地基双目视觉系统跟踪并拍摄的无人机飞行图像进行图像分割,能够适应无人机图像成像的拓扑结果变化,随后根据无人机形状以及运动特征定位出无人机目标区域,并在此区域中计算出无人机的头部中心坐标。在图像分割部分,根据具体应用场景设计了感兴趣区域(ROI)、初始化条件、迭代停止条件等一系列约束条件,整体上增强了算法的精确性和实时性。(2)基于卡尔曼滤波的无人机空间定位方法利用无人机在左右图像中的位置,以及转台实时反馈的姿态信息,设计了扩展卡尔滤波器解算无人机空间位置,有效地提高了定位精确性和鲁棒性。此扩展卡尔曼滤波器运用了无人机飞行运动以及转台转动运动的空间连续特性,很大程度上降低了由无人机图像目标检测误差或者转台姿态测量误差造成的无人机空间定位误差。(3)基于合作二维码(Apriltag)系统的多相机/激光传感器联合标定方法多传感器标定是估计各传感器坐标系之间转换关系的过程,它的精度直接影响了多传感器数据融合的精度。合作二维码Apriltag系统能够高精度地估计摄像机位姿,是实现多传感器高精度联合标定的基础。本方法将多个Apriltag按照一定的规律排布形成Apriltag阵列,作为辅助标定物。以相机-相机,激光-相机的原则分组估计各组内传感器之间的外部参数并进行非线性优化。最后对整个传感器系统各传感器之间的外部参数进行全局优化,进一步提高标定精度。(4)机载视觉/激光融合的定位方法摄像机和激光扫描仪分别从不同的层面获取环境信息,对不同环境的适用性更是具有各自的优劣势。融合摄像机、激光扫描仪等机载传感器数据,形成优劣势互补,一方面可以弥补单一传感器存在的测量缺陷,提高对环境的适应性,另一方面可以提高定位的精度。本方法首先采用光流法跟踪激光扫描点在图像中的投影点,从而获得这些图像点的深度信息,随后依次通过PnP解算,卡尔曼滤波、非线性优化过程精确估计无人机位姿。(5)基于机器人操作系统ROS的算法实现以及开源发布机器人操作系统ROS(Robot Operating System)以其增强机器人领域代码复用性的设计目的,很快受到了人们广泛的关注并实现了较快的发展。在ROS基础上,搭建了基于Gazebo的无人机定位算法研究仿真平台,并完成了算法的仿真实验验证以及实物飞行实验验证,实现了基于地基双目视觉的无人机定位ROS算法包、机载多传感器联合标定ROS算法包以及机载多传感器融合的无人机定位ROS算法包,并开源发布了核心算法包。