無人機是一個非線性、欠驅動的被控制對象，飛控控制有四個研究難點：建模困難，欠驅動性，強耦合特性，易受外界干擾。因此雖然很多研究人員都已經開發了無人機的飛行控制系統，其控制算法的研究仍然是研究的熱點。除了經典的比例積分微分（Proportional-Integral-Derivative，PID）算法外，反步法，現行二次優化控制方法和滑模控制方法都在無人機姿態控制系統設計中有所應用，且獲得了比較好的控制效果。無人機是一個非冗余系統，容易受到例如風和執行機構故障等內部擾動的影響。無人機穩定懸停控制，姿態控制器和對位置姿態擾動的魯棒性都需要進行驗證糾正。

       2.2、視覺導航相關技術研究

       VIO（visual-inertial odometry）即視覺慣性里程計，有時也叫視覺慣性系統（VINS，visual-inertial system），是融合相機和IMU數據實現SLAM的算法，根據融合框架的區別又分為緊耦合和松耦合，松耦合中視覺運動估計和慣導運動估計系統是兩個獨立的模塊，將每個模塊的輸出結果進行融合，而緊耦合則是使用兩個傳感器的原始數據共同估計一組變量，傳感器噪聲也是相互影響的，緊耦合算法上比較復雜，但充分利用了傳感器數據，可以實現更好的效果，是目前研究的重點。對運動的估計量需要一個第三方工具測量其算法的準確性。

       2.3、無人機運動軌跡規劃方法研究

       和其他自主運動系統一樣，無人機的運動規劃問題一直是研究重點。無人機因其垂直起降和懸停能力，可以跟蹤平滑以及某些不平滑的三維軌跡，是非常理想的通用三維運動規劃算法驗證平臺。通過水平掃描環繞的方式規劃無人機的運動使其能完全掃描全部曲面；對有界不確定性線性系統漸進最優化的算法的研究；在滿足高斯分布假設的非線性系統中獲得概率可行路徑解，對于無邊界強不確定性的算法的研究。用一系列帶有時間延遲的路徑點描述路徑，根據飛行參數計算各路徑點之間的控制輸入，通過規劃無人機的三種動作形成動作序列實現協調轉彎。

       2.4、無人機姿態控制的擾動抑制問

       題無人機機構簡單且執行機構具有非冗余、低可靠性的特點，易受各種內外部擾動影響，因此其姿態控制的主要問題在于在線擾動抑制。以在線擾動估計和主動擾動補償為基本結構，擾動抑制問題已獲得了比較廣泛的研究，其中自抗擾控制（Active Disturbance Rejection Control， ADRC）方法提出了針對一般非線性系統的主動補償控制結構，具有很強的適用性。但是其擾動觀測與擾動補償包含共同的系數矩陣，不能完全解耦，不利于控制系統整定。另外應用其方法結構可以對不同模塊分別設計進一步提升系統性能。在對無人機姿態控制自抗擾控制研究時，需要有一個外部視覺工具給予算法的驗證與糾正。

       2.5、室內高精度視覺/慣性導航問題

       在室內無GPS環境下，無人機的狀態估計主要依賴于IMU和其他外部測量傳感器（光學動捕系統等）組成的組合導航系統。由于高精度導航系統在完整系統設計中的基礎性重要作用，很多研究人員從多傳感器融合和多約束優化等方面進行了大量的導航理論和應用研究，取得了大量的研究成果。但是以往研究的主要重點在于對傳感器數據的復雜處理，其中包含大量經驗性和試探性的工作，缺少適用性強的高精度算法框架。在室內無GPS環境下無人機實現自主導航也成為了很多高校研究的課題，外部的測量工具在無人機的狀態估計起到了至關重要的作用。

       2.6、SLAM問題

               SLAM算法主要分為3大部分：前端(又叫跟蹤或前端建圖，跟蹤又可以分成odometry loop closure)、后端、地圖創建。而SLAM算法按照傳感器的不同主要分為3大類：基于相機的SLAM算法、基于深度相機的SLAM算法、基于激光的SLAM算法。常用的傳感器有：單目相機、雙目/多目相機、全景相機、深度相機(RGB-D數據)、2D轉軸雷達、可裝戴設備等。其中，激光SLAM研究較早，理論和工程均比較成熟。視覺方案目前尚處于實驗室研究階段，極少看到實際產品應用。

單目視覺SLAM算法存在一些本身框架無法克服的缺陷，首先是尺度的問題，單目SLAM處理的圖像幀丟失了環境的深度信息，即使通過對極約束和三角化恢復了空間路標點的三維信息，但是這個過程的深度恢復的刻度是任意的，并不是實際的物理尺度，導致的結果就是單目SLAM估計出的運動軌跡即使形狀吻合但是尺寸大小卻不是實際軌跡尺寸；由于基于視覺特征點進行三角化的精度和幀間位移是有關系的，當相機進行近似旋轉運動的時候，三角化算法會退化導致特征點跟蹤丟失，同時視覺SLAM一般采取第一幀作為世界坐標系，這樣估計出的位姿是相對于第一幀圖像的位姿，而不是相對于地球水平面 (世界坐標系) 的位姿，后者卻是導航中真正需要的位姿，換言之，視覺方法估計的位姿不能和重力方向對齊。
       經過眾多領域的專家學者的不懈努力，SLAM問題已經獲得了基于狀態觀測器的完整解決方案。如圖6為SLAM原理圖。并在一些實際系統中得到了實驗驗證。麻省理工大學、卡內基梅隆大學、賓夕法尼亞大學以及杜克大學等高校一直以來在SLAM問題的研究中處于領先地位。其中一些重要的研究成果唄用作后續研究人員的評價基準。國內對SLAM問題研究目前集中于國外先進研究的復現，缺乏具有獨創性和實用型的研究成果。雖然SLAM問題的基本算法研究較為成熟，但是大部分研究都是針對二維環境中的移動機器人開展的，對三維環境的SLAM問題算法復雜度將增大一個階次，嚴重影響算法計算速度，這也是現在三維SLAM問題研究的難點。另外對SLAM問題的研究大多將其當作一個獨立系統進行，實際上一個運動系統的定位和地圖建立不應該是一個任務的全部目的，而應該以具體的任務為目的進行相應的SLAM算法研究。在SLAM算法研究中需要外部的測量工具對其進行運動規劃。

 

 

       2.7、未知環境的綜合探索問題

       未知環境的綜合探索問題從最早的運動規劃問題出發，逐漸與SLAM相結合，演變為包括規劃、導航、控制在內的自主運動系統的綜合性問題。近幾年借助于SLAM問題的研究熱度，也獲得了很高的關注。在早期基于便捷搜索的算法基礎上，二維環境的綜合探索問題很快與SLAM問題結合，并發展出基于信息增益的探索策略。但是信息增益的計算十分繁瑣，需要大量的迭代計算，難以實現。因此大部分將運動目標點的決策和朝向目標點的運動規劃解耦，僅以目標點信息量選擇最優目標，而忽略了運動路徑上傳感器的信息增益。針對全路徑的信息優化問題仍需進一步研究。