由于在军民领域广阔的应用前景和潜在的技术优势,近年来,无人机集群技术受到国内外研究者的重视。在长时间、常态化的任务执行过程中,无人机集群离不开集群健康管理系统的支持。其中无人机自主降落充电桩的续航管理、无人机集群间感知和避碰是该健康管理系统中两个具有类似性的关键问题。本文主要针对无人机自主降落和群间避障两个问题,采用基于单目图像的深度学习端到端控制开展研究工作。本文主要研究内容及创新点如下:(1)提出了一种基于图像的视觉伺服控制方法,实现了基于机载单目视觉的无人机自主降落。区别于基于位置的视觉伺服方法,该方法无需解算无人机与地面目标之间的三维空间相对位姿,而是根据相机成像模型和标志中心的图像像素坐标,计算像素坐标与目标状态期望坐标位置的偏差;在此基础上设计控制器,直接生成无人机降落的四维速度控制量。进一步,借助ROS框架,论文在机载处理器上同时实现了图像识别和伺服控制律,并实现了基于视觉伺服控制的无人机自主降落飞行试验。大量飞行试验表明,该方法有效减少了合作标志识别和解算的时间,提高了算法的实时性和稳定性,具有准确性高、稳定性好的优点。(2)设计和构建了深度学习“图像-控制量”的端到端数据库。利用实现的视觉伺服控制算法和高精度的VICON定位系统,设计基于ROS时间戳的数据同步机制、数据采集方案、数据标定策略等,构建了包含6万余张图像-动作匹配的数据库。数据库构建中无需后期对图像内容进行标注来产生标签数据,而是将速度控制量的标签数据直接包含在数据库采集和生成过程中。目前形成的数据库包含无人机自主降落和群间避碰两部分内容,涵盖不同方位、光照变化、阳光直射、复杂背景等各种环境状态,具有容量大、准确度高、代表性强的特性。(3)针对自主降落和群间避碰问题,提出并设计了一种从单目视觉输入到无人机运动控制输出的统一的端到端深度学习网络模型和技术实现框架。基于构建的“图像-控制量”的端到端数据库和设计的深度学习模型训练框架,首先分别完成自主降落和群间避碰深度学习模型的选择、训练、测试和实验验证;而后通过格式化设计数据库处理和模型训练的流程,实现了自主降落和群间避碰两个类似性问题的深度学习模型结构和参数的统一,并在统一的数据库下得到控制性能更优的训练效果。两种应用场景的大量飞行验证表明,设计的深度学习端到端控制方案具有稳定性好、适应性强、准确度高、鲁棒性强的优点。