目前，慣性與衛(wèi)星組合導(dǎo)航作為無人作戰(zhàn)平臺的主要導(dǎo)航手段，在衛(wèi)星信號受到嚴(yán)重干擾或拒止時，導(dǎo)航系統(tǒng)誤差將隨時間增長而快速積累，甚至?xí)��?dǎo)致系統(tǒng)面臨“失效”的風(fēng)險(xiǎn)，因此，高精度自主導(dǎo)航就成為了無人作戰(zhàn)平臺亟待解決的關(guān)鍵技術(shù)之一。仿生導(dǎo)航已成為導(dǎo)航技術(shù)研究領(lǐng)域的熱點(diǎn)，有望為復(fù)雜環(huán)境下無人作戰(zhàn)平臺的高精度、長航時自主導(dǎo)航提供了一種全新的技術(shù)方案。
　　本書以地面和空中無人作戰(zhàn)平臺為應(yīng)用背景，借鑒哺乳動物大腦海馬區(qū)的建圖與識別機(jī)理及昆蟲復(fù)眼敏感偏振光定向機(jī)理，重點(diǎn)研究了基于網(wǎng)格細(xì)胞特性的導(dǎo)航拓?fù)鋱D構(gòu)建方法、基于多尺度的拓?fù)涔?jié)點(diǎn)識別與匹配定位方法、多目偏振視覺／慣性組合定向方法以及基于拓?fù)鋱D的節(jié)點(diǎn)遞推導(dǎo)航算法等內(nèi)容，并通過車載實(shí)驗(yàn)和遙感地圖飛行實(shí)驗(yàn)對所提出的技術(shù)方案和仿生導(dǎo)航方法的可行性進(jìn)行驗(yàn)證。主要研究工作與成果總結(jié)如下：
　　（1）在深入分析哺乳動物大腦海馬區(qū)網(wǎng)格細(xì)胞激活特性與空間表達(dá)結(jié)構(gòu)的基礎(chǔ)上，分別面向地面與空中無人作戰(zhàn)平臺，提出了一種基于網(wǎng)格細(xì)胞特性的導(dǎo)航拓?fù)鋱D構(gòu)建方法；根據(jù)平臺的運(yùn)動狀態(tài)和導(dǎo)航系統(tǒng)精度，給出確定拓?fù)涔?jié)點(diǎn)位置和空間尺度的邊界約束條件。與現(xiàn)有的導(dǎo)航拓?fù)鋱D相比，所構(gòu)建的拓?fù)鋱D具有多尺度的雙層復(fù)合結(jié)構(gòu)，能夠更有效地表達(dá)和度量運(yùn)動空間。
　�。�2）提出了一種基于多尺度的拓?fù)涔?jié)點(diǎn)識別算法。針對歐幾里得空間內(nèi)節(jié)點(diǎn)場景特征可區(qū)分性較弱的問題，研究了基于LMNN的特征識別空間重構(gòu)算法，增強(qiáng)了節(jié)點(diǎn)特征分布的可區(qū)分性，更有利于識別；結(jié)合地面與空中無人作戰(zhàn)平臺的導(dǎo)航拓?fù)鋱D，分別提出了基于自適應(yīng)多尺度和基于多尺度序列圖像匹配的拓?fù)涔?jié)點(diǎn)識別算法，與現(xiàn)有識別算法相比，可顯著提高節(jié)點(diǎn)識別的正確率：給出了一種改進(jìn)的節(jié)點(diǎn)特征匹配定位算法，將PnP問題求唯一解所需的最少匹配點(diǎn)數(shù)減至2個，降低了算法復(fù)雜度，增強(qiáng)了實(shí)用性。
　�。�3）研究了多目偏振視覺航向傳感器的標(biāo)定與定向算法。提出了一種基于L-M的多目偏振視覺航向傳感器標(biāo)定方法，可有效提高傳感器的測量精度：提出了一種基于偏振度梯度（GDOP）的偏振圖像噪聲抑制方法，能夠有效地抑制天空遮擋障礙對定向精度的影響；提出了一種基于全局最小二乘的多目偏振視覺／慣性組合定向算法，并給出了偏振光定向模糊度的求解方法，設(shè)計(jì)車載實(shí)驗(yàn)驗(yàn)證了該算法的有效性。
　�。�4）提出了一種基于拓?fù)鋱D的節(jié)點(diǎn)遞推導(dǎo)航算法。該算法以導(dǎo)航拓?fù)鋱D為基礎(chǔ)，根據(jù)系統(tǒng)的器件精度，自動地建立合適的拓?fù)涔?jié)點(diǎn)，通過拓?fù)涔?jié)點(diǎn)識別與匹配定位所獲取的位置觀測，以及多目偏振視覺航向傳感器所提供的航向觀測為約束條件，將慣性信息與偏振光航向信息進(jìn)行融合，可有效補(bǔ)償導(dǎo)航系統(tǒng)的累積誤差。車載實(shí)驗(yàn)與遙感地圖飛行實(shí)驗(yàn)驗(yàn)證結(jié)果表明：該算法能夠顯著提高導(dǎo)航系統(tǒng)的定位定向精度，即便在運(yùn)行過程中位置觀測信息有較大“跳變”的情況下，系統(tǒng)的定位定向誤差依然收斂在一定范圍內(nèi)，證明了該方法的有效性和可用性。