受到自然界内生物集群的启发,集群无人机技术近来得到了业内的广泛关注,正在成为无人机产业的下一个技术风口。集群无人机系统通过无人机个体彼此之间的紧密协作,相对于单个无人机平台可靠性更高、感知能力更强,能够执行更加复杂多样的任务。当集群无人机在城市、丛林、山川等复杂的飞行环境下执行特定任务时,需要机载导航定位系统提供实时的、高精度且高可靠的定位信息,从而保障集群无人机的安全飞行。为此,本文根据四旋翼无人机集群特点,考虑到复杂飞行环境因素,充分发挥无人机“集群”的优势,通过相邻无人机之间导航信息的共享,实现集群无人机协同定位,从而获得“1+1>2”的集群无人机系统整体定位性能提升,为集群无人机执行各项任务提供可靠的定位信息来源。为了设计出一种不过分依赖中心节点且系统逻辑架构鲁棒性较强的集群无人机协同定位方案,分析比较了不同的协同定位体系结构以及相应的数据融合技术,提出了一种基于因子图的、长僚结合的分散式协同定位方案;考虑到集群无人机协同定位过程中对相对导航信息的需求,给出了相邻无人机之间的相对导航方案,并基于扩展卡尔曼滤波获得相对导航估计值;针对相对导航系统中由超宽带设备的非视距误差造成的观测误差问题,研究了一种基于卷积神经网络的量测误差补偿方法,提高了无人机之间相对导航系统的估计精度,为开展集群无人机协同定位算法的研究奠定了基础。针对集群网络内低性能无人机定位精度过低的问题,研究了集群无人机协同定位信息处理方法。论文将图模型引入到集群无人机协同定位系统,构建了协同定位因子图模型,基于置信传播算法实现了集群无人机在协同定位过程中的消息传递和信息共享,从而获得无人机的定位估计解,提高了集群无人机的整体定位性能;此外,论文还研究了一种基于无人机状态后验信息的量测模型线性化方法,结合置信传播方法,提出了基于后验线性化置信传播的集群无人机协同定位算法,并给出了详细的算法执行步骤,进一步改善了协同定位算法的实时性。为了解决协同信息冗余问题,从获得对提高集群无人机协同定位精度贡献最大的协同信息入手,研究了集群无人机协同信息筛选方法。论文研究了基于Fisher信息和相对熵的协同信息评估方法,给出了集群无人机协同信息筛选标准,在损失部分定位精度的情况下,可有效排除低贡献度协同信息,减小协同定位算法计算量;此外,论文还基于深度强化学习方法分别提出了基于深度Q网络和基于策略梯度的协同信息筛选方法,通过深度神经网络训练得到集群无人机在协同定位过程中如何筛选协同信息的策略,同无筛选情形相比,在不牺牲定位性能的前提下,显著提高了协同定位算法的执行效率。最后,使用ROS/Gazebo搭建了集群无人机协同定位仿真平台,研究了集群无人机仿真模型和机载导航传感器插件的实现方法,并构建了模拟飞行环境;通过数量为30架的大规模集群无人机按照特定航迹飞行产生的机载传感器数据,验证了论文提出的复杂环境下集群无人机协同定位算法的有效性。