围绕低空经济背景下低空无人机具身导航的发展需求，本文从理论基础、关键技术路径与应用挑战3个维度进行系统梳理与分析：明确了具身导航相较传统导航在语义理解、环境交互和群体协同等方面的优势与研究价值；从传统同步定位与地图构建（SLAM）发展至视觉语言导航（VLN）与视觉语言动作模型（VLA）的技术演进过程出发，构建了面向低空无人机的具身导航技术框架；通过分析两个典型的应用案例，探讨了低空无人机具身导航在复杂环境下的实际应用趋势；对低空无人机具身导航的未来发展方向进行了展望，期望为智能自主导航的理论研究与行业应用提供有益参考。
针对无人机在执行自主导航任务过程中控制稳定性、导航准确性和泛化能力不足等问题，提出了一种脑启发的卷积-脉冲循环神经网络（CNN-SRNN）模型，实现了泛化性强的端到端稳定飞行导航策略。该网络架构模拟了果蝇大脑飞行控制回路功能，利用卷积神经网络CNN通过特征提取感知目标以形成高层视觉表征，并融合注意力机制以增强目标识别和定位精度，以循环连接的脉冲神经网络（SRNN）作为飞行导航控制器，实现时序运动信息整合与飞行控制。此外，基于Gershgorin圆盘理论设计了正则化策略以增强导航控制稳定性。在多样化环境中对无人机导航性能的评估表明，CNN-SRNN网络具有出色的场景泛化性、噪声鲁棒性与决策稳定性。进一步分析了脉冲循环神经网络活动与无人机飞行轨迹之间的编解码关系，揭示了类脑神经网络的导航控制机制，提高了模型可解释性。
针对吊挂时变负载的四旋翼无人机传统建模方法步骤复杂，以及面对复杂风扰传统PID自适应能力差的问题，提出基于凯恩法的动力学建模方法和一种自适应学习率的模型参考自适应控制（Model Reference Adaptive Control， MRAC）方法。凯恩法通过力与偏速度相结合，避免了牛顿-欧拉法需显式分析绳缆约束力以及拉格朗日法需构建拉格朗日函数并计算二阶微分的步骤，简化了计算过程。自适应学习率的MRAC通过自适应学习率以及变参数控制，使得四旋翼无人机具有抵抗风扰以及时变负载变化的复合扰动的能力，实现对位置和姿态的准确控制。仿真结果表明，在时变负载和复杂风场的复合扰动下，自适应学习率的MRAC超调量抑制以及收敛速度均优于传统MRAC。
为综合优化传统无人机协同编队的鲁棒抗扰能力、收敛时间以及控制精度问题，提出了一种基于粒子群优化的多无人机快速鲁棒协同控制方法。设计了可实现有限时间收敛的多无人机协同编队控制器，加快了传统分布式编队的响应速度；设计了扰动快速观测器以补偿控制系统，该观测器可在有限时间内准确估计复合扰动，提升了编队控制精度和鲁棒抗扰性；在此基础上，同时考虑闭环系统的收敛时间以及控制误差，采用惩罚粒子群算法优化编队系统的设计参数，综合提升了多无人机鲁棒协同控制的飞行性能。
针对共轴无人机姿态在风扰环境下易产生显著偏移与持续振荡现象的问题，提出一种自适应反步姿态控制方法。首先，对共轴无人机采用机理建模的方式建立含风扰的姿态动力学模型；然后，针对风扰导致的力矩和模型不确定性采用神经网络估计干扰的幅值，并通过自适应反步控制器实现姿态控制；最后，采用仿真试验测试了控制系统的姿态跟踪性能与抗干扰性能，并与采用PID控制器的模型相对比。试验结果表明，自适应反步控制在姿态跟踪精度与抗扰鲁棒性方面具有显著优势，超调特性与振荡抑制能力明显优化，为复杂扰动环境下的共轴无人机姿态控制提供了有效解决方案。
针对无人飞行器飞行环境强干扰，离线轨迹优化方法难以快速准确地获得轨迹末端速度问题，提出一种基于改进门控循环神经网络算法的速度预测-控制一体化算法，速度预测部分基于轨迹数据样本库训练神经网络模型的参数，以目标点位置、当前高度、速度和倾角等十一维特征序列作为输入网络，以最终时刻的速度为输出，从而获得能够预测末速的神经网络模型。基于速度预测的结果，运用速度与位置解耦的控制方案进行落速控制，根据预测的终端状态偏差校正生成落速闭环控制量。最后对所设计的速度预测及控制方法进行六自由度仿真验证，仿真结果表明该算法可以在六自由度闭环条件下实现对末速较为准确有效的速度预测及控制。
利用无人机等设备进行低空巡检是未来低空经济中的典型应用场景，红外成像作为低空环境感知的重要手段，其可信的数据集获取面临成本高、保密性难以保证的问题。本文提出了一种基于风格迁移的目标移植方法生成仿真红外图片。该方法以有限元分析求解目标温度场为基础，再考虑大气传输效应渲染生成初步的仿真图像，最后使用基于卷积神经网络的风格迁移技术，实现目标与真实红外背景图像之间的高质量移植。在实验中与传统方法在3个不同场景下进行对比，并在信息熵、峰值信噪比等客观指标下进行定量评估。实验结果表明，本文的方法在3个场景中信息熵、峰值信噪比、标准差、平均梯度及空间频率分别平均提高了5.82%、1.03%、4.24%、10.5%及33.58%。证明了本方法生成的图片在高频信息与细节保留方面与传统方法相比取得明显优势。
针对密集障碍物环境下传统路径规划安全性不足的问题，提出基于面状障碍区Voronoi图的安全避障路径规划算法。首先，建立障碍区最小溢出率的圆形覆盖模型；然后，设计基于圆形覆盖的Voronoi图构建算法，构建可飞区域的骨架，进而基于可飞区域骨架，融合无人机运动学特性设计路径生成算法；最后，通过3次B样条实现了路径平滑。仿真实验表明，与改进的A*算法得到的路径相比，本算法得到的路径在保持长度的同时，路径更为光滑、与障碍区的距离更远，体现了算法在避障安全性方面的优势。研究成果为复杂城市环境下无人机安全飞行提供了实用性的解决方案。
本文提出了一种基于Chebyshev正交域变换的高轨道航天器定位方法，该方法通过Chebyshev正交域变换，将一段时间内时变的接收机坐标，变换到不变的Chebyshev系数域中，从而将航天器观测得到的、不同历元间的稀疏测距信息有效结合，实现对多历元观测量的联合解算。在可见卫星稀疏的情况下，该方法可借助历史观测信息为当前历元的定位提供有效约束，实现对中高轨道航天器连续且可靠的定位。此外，基于Chebyshev正交域变换的定位方法可以有效处理观测过程中出现的随机误差，在一定程度上提高GNSS定位的精度；经过实验和仿真模拟可得，该方法对于随机噪声的处理优于扩展卡尔曼滤波，在计算速度和定位精度方面均优于传统的最小二乘法，可以在高轨环境下实现对航天器伪距级的连续定位。
