近年来，无人机技术发展迅速，在各行各业都有广泛应用，而为了应对规模较大、复杂的任务场景并获得额外的系统性能增益，需要多智能体协同完成。本课题主要研究了未知流场中一阶多智能体球面编队跟踪控制问题，提出了一种基于自适应神经网络的未知流场估计及鲁棒球面编队跟踪控制器设计；对低空前向视角下公路车道线检测问题进行深入分析，提出了一种新颖的基于深度学习的车道线分割网络；针对车道线数量不确定的场景，设计了一种卷积神经网络与传统图像处理技术结合的车道线检测方案。
　　课题的主要的研究内容及创新点如下：
　　（1）未知流场中多智能体球面编队跟踪控制。研究了在完全未知的空间流场中的一阶多智能体球面编队跟踪控制问题。不同于未知流场时不变参数的自适应估计，本文提出了一种新颖的基于邻居信息的自适应神经网络估计及其鲁棒球面编队控制器，实现一阶多智能体球面着陆、入轨和编队。利用 Lyapunov 方法证明了系统误差的最终一致有界性。数值仿真验证了所提方法的有效性。
　　（2）空间池化网络设计下的轨线检测。研究了在无人机低空前向视角下的公路车道线图像分割问题。为了解决遮挡问题，提出了一种空间池化模块，使用水平和竖直方向池化的组合来实现沿车道线方向的斜向池化，从而增强了在车道线上的信息融合能力。为了进一步优化分割性能，设计了基于空间池化模块的空间池化网络来实现端到端的车道线分割。tuSimple数据集上的实验结果表明：所提方法可以改善网络在大跨度车道线中的信息感知与融合能力，提高车道线分割能力。
　　（3）未知轨线数量下的轨线检测设计。研究了车道线数量不确定场景下的车道线检测问题，基于空间池化网络和数字图像特征，提出了一种车道线检测综合方案。GAIAC数据集上的实验验证了该方法相比传统聚类算法表现更稳定，速度更快。此外，本文采用分段二次多项式车道线拟合算法使得锚点预测的准确率具有显著优势并且基于图像亮度信息的预测坐标修正算法也对预测结果有较大改善。