本文提出了一种在室外大尺度环境下使用四旋翼无人机与TDLAS气体传感器的气味源定位方法。此方法可应用于室外三维搜索空间下的有毒/有害气体或化学危险品的巡检、搜寻以及泄漏源的定位等领域。本文重点研究了三维环境下的化学烟羽跟踪和气味源位置估计,开展了以下几方面工作。本课题首先搭建了一套可用于三维搜索空间下化学烟羽跟踪的实验平台。实验平台采用四旋翼无人机,对其搭载的Pixhawk2飞控板进行了二次开发。通过飞控板内置的u ORB进程通讯机制与MAVLink通讯协议,自定义了MAVLink协议框架下的有效消息载荷(PAYLOAD)数据格式,进而通过无线数传模块实时获取旋翼无人机的飞行参数,为三维搜索空间下的化学烟羽跟踪奠定基础。其次,嗅觉机器人通过检测气味浓度和风速/风向信息以搜寻气味源,但针对旋翼无人机而言,风速仪过于沉重,不便机载,且无人机旋翼产生的下洗气流对局部风场产生强烈扰动,很难利用风速仪获得准确的风速/风向信息,因此不使用风速仪情况下对风速/风向(风矢量)的实时估计尤为必要。基于无人机动力学模型的风矢量估计方法是一种可行的方法,但存在一定局限性,其中两个重要参数(无人机推力系数与空阻系数)皆未知,且旋翼电机转速与PWM输入信号对应的等效电压之间关系较为复杂。本文提出了一种基于人工神经网络的风矢量实时估计方法,通过搭建人工神经网络风矢量计算的灰箱模型,可避免四旋翼无人机推力系数和空阻系数的确定,以及避免过于简化旋翼电机转速和PWM输入信号等效电压之间的关系,从而克服现有基于无人机动力学模型的风矢量估计方法的不足。通过分析无人机动力学模型,选择四旋翼无人机旋翼电压和矢量(由无人机质量、加速度和姿态角计算获得)作为神经网络输入,矢量(是无人机地速和姿态角、风速的确定函数)作为人工神经网络输出。通过标定实验获取无人机地速、加速度、姿态角和风速/风向信息对采用的神经网络进行训练,建立风矢量人工神经网络实时估计模型。实验中分别采用BP神经网络与RBF径向基神经网络对所提出的风矢量实时估计方法进行了实现和验证,结果表明这两种风矢量人工神经网络实时估计模型的均方根误差均小于0.02m/s,都具有较强的适用性与稳定性。最后,本文提出了一套基于TDLAS旋转扫描工作方式的旋翼无人机烟羽跟踪方法和气味源位置估计方法。为了提升四旋翼无人机在室外三维环境下的气味烟羽搜索效率,一方面使四旋翼无人机机载的TDLAS气体检测仪以一定偏角向下连续旋转扫描,从而增大检测空间范围;另一方面,构建气味浓度积分值的环形序列,并在TDLAS旋转扫描时同步更新该环形序列。在气味搜索过程中,在每个控制周期从气味浓度积分制环形序列中找到最大值及其对应方向角,由此规划出旋翼无人机下一步的搜索方向,从而逐渐接近气味源。在任务过程中通过实时判断无人机位置是否已经收敛,由此估计出地面气味源的位置并终止气味源搜索过程。仿真结果表明,本文所提出的基于TDLAS旋转扫描工作方式的旋翼无人机烟羽跟踪方法具有较高的搜寻效率与成功率,气味源位置估计方法有效准确。