个人观点：可研究的方向

1. 静态规划方面：将控制与定位结合起来；修正回环检测误差，提高算法的计算精度和执行效率；

2. 动态规划方面：用神经网络识别运动物体的行进方向，行进速度等参数，动态的规划当前或者短时间内的行进路线；在不改变总体规划路线的情况下，小范围内实现灵活避障；

下面给出国内重点高校的软硬件方案：

天津大学

  硬件平台：

1. 惯性导航单元 荷兰Xcens公司 MTI
2. 超声波传感器 Devantech公司 srf-08
3. 激光雷达 日本Houkuyo公司 URG-04LX 精度10MM 半径4000mm 圆心角240°
4. 处理器 ARM+DSP28335

  激光雷达的位姿估计算法：

  特征-特征 需要从参考扫描和当前扫描数据中提取一组特征信息，如线段，角点

  点-特征 当前扫描的原始数据与参考扫描中的特征进行匹配

  前两种有很大的局限性，只适用于特征明显，结构简单的多边形环境

  点-点 直接利用两次扫描的距离数据进行匹配，通过定义一个合适的规则来对应参考扫描和当前扫描中的数据点，典型的匹配方法：迭代最近点算法 基于迭代最小方差解的算法

   问题：定位精度不高，没有做多传感器数据融合，没有将定位与控制结合起来；

浙江大学

  硬件平台：

1. 处理器 ARM+DSP+FPGA
2. 惯性单元 ADIS-16405
3. 超声波 HC-SR04
4. 激光雷达 hokuyo 04-LX

  算法：

   D&C SLAM/INS组合导航；精度 0.2m

  问题：应用到了实际的室内飞行控制系统中，且完成了起飞，悬停等简单任务；但算法不是在机载计算机上运行的，通讯延迟造成了一定的导航误差；

南京航空航天大学

  硬件平台：

1. 处理器 PCduino微型计算机 1Ghz ,双核ARM A7 Lubuntu系统
2. 激光雷达HOKUYO UTM-30LX
3. 姿态传感器 LPMS CURS
4. 超声波传感器 US-100

  问题： ICP算法数据匹配时，匹配率过低，匹配误差较大，定位精度不高；只完成了室内的自主定位，没有将控制方法应用于实际飞行控制中；

哈工大

  提出了改进A*算法的路径规划方法，设计出了基于backstepping思想的移动机器人轨迹跟踪控制；利用栅格法对机器人的工作环境进行建模；

  A*算法：一种启发式的状态空间搜索算法；基本原理是从状态空间的初始状态（初始栅格）出发，按照一定的顺序和条件对状态空间中的状态栅格进行遍历，最终找到目标状态栅格；

  硬件平台：

1. 大疆M100 轴距650mm
2. 处理器 ODROID-U3 四核ARM架构 内存2G 质量49g
3. 图像处理平台
4. 以太网接口数字相机 SG-100-DIC/M 500w像素 30FPS
5. 千兆网卡 用于摄像机图像传输
6. 工控机配置 NUVO-1000 图像处理地面站接口 可同时接入5路千兆Internet接口

  问题：受摄像机视野的影响，无法进行大范围的自主导航及路径规划；实验过程中没有采用实际的障碍物，是利用人为定义的虚拟障碍物；

江苏大学

  硬件平台：

1. PIXHAWK飞控板
2. ODROID XU4 ARM板
3. MVBlueFOX-MLC摄像头 广角摄像头 120FPS

  搭建了无人机双目视觉定位测试系统；以SIFT算法作为特征点提取和匹配的主要方法，解决了视觉定位中累计误差，提出了一种基于历史访问信息的视觉定位累积误差抑制方法。该方法通过路标识别进行全局误差消除的方法相似；具有很好的未知环境适应能力；

  算法首先将相对于当前位置具有高图像特征点匹配率的历史访问区域定义为可信空间，进而利用已存储的所有可信历史访问点的图像特征，对当前位置进行局部旋转和位移偏移量的重计算，并以图像匹配率为权重，对原始定位结果进行修正。

  SIFT 是一种机器视觉算法用来侦测与描述图片中的局部性特征，它在空间尺度中寻找极值点；具体包括 尺度空间极值检测，特征点定位，特征点方向确定和特征点描述；