摘要
目前,多旋翼无人机在民用领域和军事领域都有十分广泛的应用前景，与此同时也对多旋翼无人机的飞行性能提出了更高的要求，尤其是高机动飞行的无人机以及那些在特殊环境下作业的无人机。复杂苛刻的外界环境以及任务所需的飞行工况对无人机的滤波造成一定干扰,从而影响无人机飞行姿态以及控制的稳定性。目前无人机常用的滤波估计算法如无迹卡尔曼滤波(UKF)很难有效地在线估计动态特性复杂系统的状态和参数。UKF的优良性能建立在对噪声先验知识的准确已知的基础之上，当噪声水平未知或变化时，UKF方法常常得不到期望的估计效果。另外，协方差矩阵的非正定性也会导致滤波无法进行。因此面向多旋翼无人机姿态估计的滤波算法有重要的研究意义。 本文先介绍了面向多旋翼无人机滤波算法的研究背景及现状，表明了现有滤波算法存在的问题，从而引出面向多旋翼无人机姿态估计的滤波算法研究意义以及内容。通过分析多旋翼无人机的飞行原理建立起无人机的非线性模型，并对模型进行适当的简化，后续的算法仿真验证实验将在该模型的基础上进行。 然后介绍了现有的各类UKF算法。为解决UKF方法数值稳定性差和滤波发散的问题，本文提出了一种基于QR分解的自适应UKF算法(QR-AUKF)，该算法的基本思路是:首先对递归算法中的初始化状态协方差矩阵的平方根进行QR分解，之后在每次更新中直接传递R矩阵，提高滤波算法的数值稳定性，此外还要对Cholesky分解因子进行更新，以保证协方差矩阵的正定性，防止滤波发散，同时在算法中引入自适应系数来实现协方差匹配进而调整矩阵，提高滤波算法的准确度。 本文的实验阶段以第2章的六旋翼无人机模型为仿真对象，针对六旋翼无人机飞行时的状态估计设计仿真实验，随后采用协方差失配度和均方根误差两种性能评价指数将本文提出的算法与现有基于UD分解的自适应UKF算法进行对比，该算法具有更好的精度和鲁棒性也得到了仿真实验的验证。最后，为确保该算法的有效性和稳定性，搭建六旋翼无人机的滤波算法实验平台并进行相关实验。实验结果验证了QR-AUKF算法的有效性和稳定性。
NETL