1　引言

    中小型无人机具有成本低、飞行距离远（可达20~300km）、留空时间长、便于集群协同等优点，可实现远距离侦察、对特定目标反复探测、长时间通信中继等功能，是未来无人机的重要发展方向[1]。中小型无人机的发动机技术基本可满足常规应用需求，然而强干扰环境下的高精度、高可靠、高自主的导航制导与控制技术却一直是制约中小型无人机快速发展的关键技术。本文主要从导航技术、抗干扰滤波技术与系统集成三个方面论述强干扰环境下的中小型无人机的关键技术。

    惯性/GNSS组合导航技术成为目前中小型无人机应用最为广泛的组合导航方式。MIMU（MEMS Inertial Measurement Unit，微惯性测量单元）可连续提供全部运动参数，但误差随时间很快积累；GNSS（Global Navigation Satellite System，全球卫星导航系统）具有长期高精度的优点，但GNSS难以连续提供全部运动参数。二者结合可取长补短。然而中小型无人机飞行距离远[2]，将飞越未知环境或特殊环境区域，可能受到高压线电磁泄漏、广播电台、中继电台、雷达站甚至人为无线电波干扰的影响，干扰GNSS正常工作[3]，造成无人机失控。例如2011年12月，伊朗曾利用GPS干扰技术捕获了一架美军RQ-170“哨兵无人机”[4]。

    中小型无人机远距离飞行中，存在着对于同时来源于外部环境、传感器噪声和模型误差的多源干扰，严重影响无人机导航与控制系统精度。Kalman滤波只是针对统计特性为高斯白噪声的单一干扰，鲁棒滤波理论也仅仅适用于范数有界干扰，在无人机领域正在开展应用研究。对于多源干扰系统的抗干扰滤波问题，尚处于起步研究阶段。参考文献[37]作为该领域的第一部专著，阐述了多源干扰系统建模、分析和控制理论。

    中小型无人机导航制导与控制系统（俗称：自动驾驶仪）是无人机实现自主导航与自动飞行的核心部件。近年来，世界各国投入了大量的精力来研究小型自动驾驶仪及其关键器部件，使其精度有了大幅度的提高。然而，如何提高强干扰环境下的自动驾驶仪的可靠性和环境适用性，是一项需要长期深入研究的课题。

    2　仿生导航技术

    仿生导航技术是通过模仿自然界生物体某些感知能力，并将感知的信息转化与处理得到导航参数的一种技术。仿生导航具备不依赖GNSS、高性能、高自主、抗干扰等优势，能够解决中小型无人机受到未知环境电波干扰的难题，受到国内外各大研究机构的重视，成为当前国际导航领域的研究热点[5～7]。

     仿生导航技术起源于对生物体结构和感知能力的学习，生物体可以利用多种多样的外界信息来进行导航定位，从19世纪达尔文提出生物体可以利用航迹推算的方法进行定位[8]，到1973年诺贝尔生理学奖获得者卡尔·冯·费利对蜜蜂导航机理的研究[9～10]，再到2014年诺贝尔医学奖获得者O’Keefe发现的“位置细胞”[11],[12]，人类在仿生导航（仿生陀螺、仿生视觉）领域已经取得了较大进展。

    近年来，科学家发现自然界中的一些昆虫和脊椎动物，如某些鸟类、蜜蜂、蜘蛛、蚂蚁、龙虾等，依靠天空偏振光作为其主要或辅助导航方式。1990年，美国纽约州立大学教授Kenneth P.提出候鸟同时利用地磁、太阳、星光和天空偏振光来进行导航，在其随后的研究中发现，候鸟利用天空偏振光在白天对自身的地磁罗盘进行校正[13]，其研究结果相继发表于《NATURE》杂志。

    2006年，Rachel M.在对萨凡纳麻雀的定位实验中发现，这类候鸟利用天空偏振光对其地磁罗盘进行校正[14]，并将其研究结果发表于《SCIENCE》杂志。2009年，Christine M.发现Monarch蝴蝶也利用天空偏振光导航[15]。上述研究成果表明天空偏振光蕴含丰富的导航信息，且导航精度高于地磁导航。

    仿生偏振光传感器集成方面，2000年前后，Dimitrios L.利用沙蚁的偏振光导航策略成功开发出仿生偏振传感器并应用到移动机器人进行自主导航[16]； Amelie S.搭建了偏振光探测装置，利用室内人工偏振光源，进行了机器人路径跟踪实验[17]。2001年瑞士科学家Rüdiger W.综述了水下、水面、陆地上利用仿生偏振光导航的各类生物及其导航原理，提出不同种类的昆虫、脊椎动物等利用仿生偏振光导航的方式各不相同，并认为当时没有一种偏振光传感器能像生物体那样精确的导航，深入研究的空间和潜力很大[18]。

    2008年前后中国合肥工业大学[19]和大连理工大学[20]分别根据沙蚁的导航定位机理研制了偏振光导航传感器。2009年北京大学开展了天空偏振模式图动态特性分析[21]。2010年Andrew R.采用面阵列CMOS传感器，获取了可见光波段的全天空偏振光图像[22]。2011年德国科学家Nicole C.设计了一种仿昆虫的机器视觉系统，利用近紫外光学相机实现了一种天空偏振光传感器，并开展了地面机器人的导航研究[23]。2013年清华大学实现了天空偏振光模式自动探测装置，自动获取天空偏振图像[24]。仿生偏振光传感器的研究目前已取得了较大的进展，为与其他传感器的组合导航奠定了基础。但针对天空云层、大气浑浊干扰情况下的研究仍不够深入，仿生偏振传感器精度仍有较大的提升空间。

    仿生偏振组合导航研究方面，除美国航空航天局BEES计划外，国外研究报道较少。国内，2007年哈尔滨工业大学开展了基于偏振光/地磁/GPS/惯导组合导航方法研究[25]。2009年合肥工业大学开展了针对仿生偏振光的机理、仿生应用及与惯导/GPS/地磁组合导航研究[26]。2010年北京航空航天大学开展了仿生偏振组合导航方法及系统研究，设计了一种惯导/GPS/偏振光组合导航系统建模方法[27]，并应用于动基座导航初始对准，但自主性、抗干扰性尚待进一步提高。

    总之，仿生导航技术已成为目前国内外导航领域研究的热点，是导航领域未来发展的重要方向。

    3　抗干扰滤波技术

    中小型无人机长途跋涉中，发动机的不对称高频振动、穿越冷/暖气团、阵风、小尺度湍流等多类干扰源同时作用，将严重影响无人机导航与控制系统的精度。多源干扰条件下，提高导航与控制系统精度的核心技术之一是针对多源干扰的滤波方法。

    目前，在组合导航系统广泛应用的滤波方法主要是Kalman（卡尔曼）型滤波方法，作为一种最优的状态估计方法，由于结构简单、计算方便等优点在工程中受到广泛重视[28]。针对GPS/INS组合导航系统，Qi提出了一种直接Kalman滤波方法，将非线性组合系统离散化，使用扩展Kalman滤波方法取得了一定效果[29]。2004年，R. Merwe将扩展Kalman滤波推广到无迹Kalman滤波(SPKF)，并在GPS/IMU/气压计组合导航系统中应用，补偿了GPS测量延迟，提高了组合导航系统姿态和位置精度[30]。Kalman滤波方法已在GPS/INS组合导航系统中广泛应用，但只能针对单一干扰且统计特性假设为高斯白噪声，难以满足中小型无人机多源干扰使用环境要求。

    鲁棒滤波理论作为一种容许模型不确定性、建模误差等条件的滤波方法，近年来取得了丰硕的研究成果，参考文献[31]解决了系统中带有参数不确定性和非线性不确定条件下的H∞滤波器设计问题，针对同时含有白噪声和能量有限干扰的多项式离散系统，参考文献[32]设计了H2/H∞滤波器，可以实现对白噪声和能量有限干扰的同时抑制。鲁棒滤波理论在组合导航系统方面已开展了应用研究，针对GPS/SINS组合导航系统，西北工业大学研究团队2001年分别设计了H∞滤波和Kalman滤波，并进行了对比分析，表明了H∞滤波的应用优势[33]，2002年南京航空航天大学研究团队，则从降低导航系统阶次，提高滤波速度的角度出发，设计了H∞滤波器[34]。2002年，袁建平教授将H∞滤波技术应用到低成本组合导航系统[35]。H∞滤波设计过程中，通常将干扰假定为单一类型的能量有界型，针对实际的组合导航系统具有一定的局限性。针对同时含有模型不确定性和高斯白噪声的非线性系统，H2/ H∞滤波器可以很好地将干扰分别抑制[36]。针对同时含有高斯白噪声和能量有界干扰的组合导航系统，参考文献[37]将组合导航系统的模型转化为不确定系统多胞型描述，分别应用H2和H∞优化技术加以抑制，降低了计算量的同时，提高了导航精度，实现了多目标条件下的干扰抑制。针对特定的仿生导航系统，其特殊的机械结构，复杂多变的工作环境，仅仅针对假定系统含有一种或两种干扰设计滤波器，很难满足高精度、抗干扰的导航需求[38]。组合导航系统外部工作环境面临的载体振动、晃动、阵风等外部干扰无法避免[39]，参考文献[40]首次研究含多源干扰特性的惯性导航系统，针对静基座初始对准问题，设计具有抗干扰能力的滤波器，提高了初始对准的精度。参考文献[41]将其推广到大失准角情形下非线性系统模型问题，针对存在的多源干扰取得了良好的抑制和抵消效果。针对含有多源干扰的SINS/GPS组合导航系统，参考文献[42]设计了全阶多目标抗干扰滤波器。

    综上，对于多源干扰系统的抗干扰滤波问题，尚处于起步研究阶段，如何更好地在仿生组合导航系统中加以应用，将是一个极具生命力的研究方向。

    4　中小型无人机自动驾驶仪系统

    中小型无人机导航制导与控制系统（自动驾驶仪）是无人机实现自主导航与自动飞行的核心部件。中小型无人机自动驾驶仪一般由低成本的传感器以及低功耗的嵌入式处理器组成，传感器一般包括MEMS惯性器件、微型气压传感器、微型GPS接收机等[42]。这些传感器体积小，但精度较低。如何利用这些低精度传感器实现高精度自动驾驶是无人机导航与控制的难题。近年来，世界各国投入了大量的精力来研究小型自动驾驶仪及其关键器部件，使其精度有了大幅度的提高。很多研究成果已转化成产品，并投入市场。

    4.1　Piccolo II

图1 Piccolo II 自动驾驶仪

    Piccolo II是由美国Cloud Cap公司研制的一款小型无人机自动驾驶仪[43～44]，如图1所示。Piccolo II的核心自驾仪部分由一片MPC555处理器（40 MHz，内置448K Flash，26K SRAM）作为其中央处理器，系统集成了高速GPS、三轴陀螺仪和加速度计、气压传感器、温度传感器等。Piccolo II不同于一般的自驾仪，它是一台完整的航空电子系统。它不但包括核心自驾仪部分，还集成了气压传感器、导航、无线链路、载荷接口、硬件仿真支持和操作软件工具等，而且其功耗小于4W（包括电台），质量为220g，尺寸为142mm×46 mm×62.6 mm。

     Cloud Cap经过超过10年的研究，Piccolo II已成为符合无人机行业标准的飞行管理系统。可实现小型无人机全程自主驾驶（从弹射起飞到自动着陆），还具备软着陆、自主着陆、重构移动网格等多种功能。其强大的功能使其能够灵活地应用于固定翼、垂直起降飞机等先进无人机系统[44]。

     4.2　MP2128LRC2

 图2 MP2128LRC2自驾仪

     MP2128LRC2是MicroPilot公司开发并生产的一款远距离传输、高稳定性、集成化小型无人机自动驾驶仪[45]，如图2所示。其内部配置了远距离数据传输单元LRC，双重数据链路、双频工作方式保证数据传输稳定性，其飞行距离长达20～50km。由于其远距离传输与高稳定性，MP2128LRC2非常适合应用于小型无人机。目前，已成功使用在多旋翼、固定翼飞机和直升机等飞行平台。

     MP2128LRC2内部集成三轴陀螺、加速度计与GPS接收器，陀螺最大动态范围300 /s，加计最大量程2g，GPS更新频率1Hz。MP2128LRC2共有12通道舵机输出，30Hz的PID更新频率，支持自主起飞与着陆。MP2128LRC2在质量与体积上具有一定的优势（尺寸175×75×48mm，重量330g），系统配备了HORIZON mp地面软件完成任务规划和远程控制[46]。

     4.3　APM

图 3 APM飞控

     APM飞控是一款开源自动驾驶仪，源于PX4软、硬件开源项目，如图3所示。Pixhawk是APM飞控硬件部分，其使用了CortexM4内核处理器STM32F427作为主控制器（另备协处理器）。

     Pixhawk内部集成三轴陀螺加计、三轴磁力计、气压高度计，而且配备GPS接口与外部磁强计接口，并预留了UART、CAN等信号输入口，支持Futaba SBUS总线舵机信号，可扩展性强。

     APM飞控开发团队提供对应于固定翼飞机、多旋翼飞机、直升机、车、船与其他移动机器人的定位与控制代码，呈现出灵活、可靠的自动飞行控制。 Mission Planner地面控制软件嵌入了谷歌地图，有设置机体及控制对象类型的功能，并有记录并分析飞行路径、调节PID参数、无人机模拟飞行等功能。

     APM飞控是完全开源的一款项目，引起许多学术爱好者的研发兴趣。其目的也在于为学术爱好者和工业团体提供一款低成本的小型无人机及其他运输设备的自动驾驶仪。

     4.4　Athena 611

图4 Athena 611自动驾驶仪

     Athena 611是美国Rockwell Collins公司旗下的一款高端自动驾驶仪，如图4所示。其内部包含了战术级惯性传感与INS/GPS卡尔曼滤波器，Athena 611配备Rockwell Collins全套可选的地面站软件模块达到导航、飞行管理的目的[47]。

     Athena 611配备了战术级的IMU，其姿态、航向通道的漂移精度<0.003 /h。通过与GPS组合滤波，系统横滚、俯仰精度可达0.02 ，航向精度达到了0.1 。系统平均故障间隔时间大于20000h。

     4.5　GA-11

图5 GA-11自动驾驶仪

     GA-11是北京航空航天大学研制的一款高精度、强自主性的中小型无人机自动驾驶仪，如图5所示。其内部集成了三轴MEMS陀螺仪、三轴MEMS加速度计、温度传感器、气压计、GPS等传感器，外部扩展仿生导航传感器、地磁传感器等。陀螺仪最大动态范围为250 /s，加速度计最大量程为±5g。其软件算法采用INS/GPS/地磁/仿生偏振抗干扰滤波器，系统横滚、俯仰、航向精度可达0.2 。

     GPS信号丢失情况下，横滚、俯仰精度优于1.5 ，航向精度优于0.2 。GA-11按照军用的电气与物理标准设计，考虑温度、湿度、振动、电磁干扰等环境因素，并通过了严酷飞行环境的性能检测实验。GA-11配备全套地面站软件实现飞行管理。

     5　结语

     仿生导航技术作为近年来新兴的一种导航技术，受到了国内外导航领域的广泛重视。与抗干扰滤波技术相结合，将是强干扰环境下的实现中小型无人机高可靠、高自主自动驾驶的核心关键技术。然而仿生导航与抗干扰滤波技术的研究目前仍不够深入，需要与生物、医学、光学、电子等多学科技术相结合才能快速发展。我国无人机的应用已走在世界前列，迫切希望我国具有自主知识产权、适应强干扰环境的自动驾驶仪能够尽快达到世界领先水平！

     参考文献：

     [1] Integration of Civil Unmanned Aircraft Systems ( UAS ) in the NationalAirspace System(NAS) Roadmap[R]. FAA. 2013.

     [2] Unmanned Systems Roadmap 2007~2032[R]. US Department of Defense's.2007.

     [3] Nils Ole T., Christina P., Kasper B., etc. On the Requirements for SuccessfulGPS Spoofing Attacks, CCS’11, Chicago, Illinois, USA , October 17 - 21, 2011.

     [4] "Iran shows film of captured US drone". BBC News. 8 December 2011.Retrieved 12 December 2011.

     [5] Reid S. F., Narendra A., Hemmi J. M., et al. Polarised skylight and thelandmark　panorama provide night-active bull ants with compass informationduring route　following[J]. Journal of Experimental Biology, 2011, 214( 3 ):363 - 370.

     [6] Cronin T. W., Marshall J.. Patterns and properties of polarized light in airand　water[J]. Philosophical Transactions of the Royal Society B: Biological　Sciences, 2011, 366( 1565 ): 619 - 626.

     [7] 褚金奎,陈文静.基于偏振光传感器的导航系统实验测试[J]. 宇航学报,2011, 32( 3 ):489 - 494.

     [8] Darwin C. 1873. Origin certain instincts.Nature 7: 417 - 418.

     [9] Karl von Frisch, K. Decoding the language of the bee[J]. Science, 1974, 185(1452 ): 663 - 668.
 
     [10] Karl von Frisch, K. The Dance Language and Orientation of Bees[M]. NewYork: Harvard University Press,1993. 301 - 304.

     [11] O'Keefe J, Dostrovsky J. The hippocampus as a spatial map. Preliminary evidencefrom unit activity in the freely moving rat[J]. Brain Res, 1971, 34( 1 ): 171 – 5.

     [12] O'Keefe J. Place units in the hippocampus of the freely moving rat[J]. ExpNeurol, 1976, 51(1): 78 - 109.

     [13] Kenneth P. Able & Mary A. Able. Daytime calibration of magneticorientation in a migratory bird requires a view of skylight polarization[J].Nature, 1993: 523 – 525.

     [14] Rachel Muheim, John B. Phillips, Susanne Akesson. Polarized Light CuesUnderlie Compass Calibration in Migratory Songbirds[J]. Science, 2006: 837 – 839.

     [15] Christine Merlin, Robert J. Gegear, Steven M. Reppert. AntennalCircadian Clocks Coordinate Sun Compass Orientation in Migratory MonarchButterflies[J]. Science, 2009: 1700 - 1704.

     [16] Dimitrios, Lambrinosete. A mobile robot employ inset strategies fornavigation robots and autonomous systems[J]. Robots and Autonomous Systems.2000: 39 - 64.

     [17] Amelie Sehmolke and HanspeterA.Mallot. Polarization compass for robotnavigation. Fifth German Workshop on Artificial Life. March18-20,2002,LUbeek, Germany. 2002: 163 – 167.

     [18] Rüdiger Wehner. Polarization vision-a uniform sensory capacity[J]. TheJournal of Experimental Biology, 2001: 2589 - 2596.

     [19] 范之国, 高隽. 仿沙蚁POL-神经元的偏振信息检测方法的研究[J]. 仪器仪表学报, 2008, 29( 4 ): 745 - 749.

     [20] Kaichun Zhao, Jinkui Chu, Tichang Wang, and Qiang Zhang, A NovelAngle Algorithm of Polarization Sensor for Navigation[J]. IEEE TransactionsOn Instrumentation and Measurement, 2009, 58( 8 ): 2791 – 2796.

     [21] 关桂霞，晏磊，陈家斌等，天空偏振模式图动态特性分析[J].计算机应用与软件. 2009, 26( 12 ): 179 – 181.

     [22] Andrew R. Dahlberg, Nathan J. Pust, Joseph A. Shaw. All-Sky Image ofVisible-Wavelength Atmospheric Polarization At Mauna Loa, Hawaii[M]. IEEE,IGARSS 2010: 1683 – 1686.

     [23] Nicole Carey and Wolfgang St¨urzl. An Insect-Inspired OmnidirectionalVision System including UV-Sensitivity and Polarisation[M]. IEEE InternationalConference on Computer Vision Workshops, 2011: 312 – 319.

     [24] 赵开春, 卢皓, 尤政. 天空光偏振模式自动探测装置[J]. 光学精密工程.2013, 21( 2 ): 230 – 244.

     [25] 卢鸿谦,尹航,黄显林. 偏振光/MC/GPS/SINS组合导航方法[J]. 宇航学报，2007, 28:897-972.    

     [26] 范之国, 高隽, 潘登凯等. 利用偏振光、地磁、GPS进行多信息源融合导航方法的研究与实现[J]. 武汉大学学报, 2009, 11: 1324 – 1327.

     [27] 郭雷等. 一种SINS/GPS/偏振光组合导航系统建模及动基座初始对准方法[P]. 中国: 201310069511. 4.

     [28] Simon D.. Optimal state estimation: Kalman, H∞, and nonlinearapproaches[M].　New York: Wiley, 2006.

     [29] Honghui Qi, Moore. Direct Kalman filtering approach for GPS/INSintegration[J]. Aerospace and Electronic Systems, IEEE Transactions on, 2002,38( 2 ): 687 - 693.

     [30] Rudolph van der Merwe, Eric A Wan. Sigma-Point Kalman Filtersfor Nonlinear Estimation and Sensor-Fusion-Applications to IntegratedNavigation[J]. American Institute of Aeronautics and Astronautics, 2004.

     [31] Gao H, Lam J, Xie L, et al. New approach to mixed H2/H∞ filtering forpolytypic discrete-time systems[J]. Signal Processing, IEEE Transactions on,2005, 53( 8 ): 3183 - 3192.

     [32] Lu X, Xie L, Zhang H, et al. Robust Kalman filtering for discrete-timesystems with measurement delay[J]. Circuits and Systems II: Express Briefs,IEEE Transactions on, 2007, 54( 6 ): 522 - 526.

     [33] 岳晓奎, 袁建平. H∞滤波算法及其在GPS/SINS组合导航系统中的应用[J]. 航空学报, 2001, 22( 4 ): 366 - 368.

     [34] 赵伟, 袁信. 基于H∞滤波技术的GPS/INS全组合导航系统研究[J]. 宇航学报, 2002, 23( 5 ): 39 - 43    .

     [35] Yue X. K., Yuan J. P.. H∞ sub-optimal filter for low-cost integratednavigation systems[J]. Chinese Journal of Aeronautics, 2002, 23( 5 ): 39 - 43.

     [36] 王利学, 郭雷. 基于 LMI 的组合导航多目标控制[J]. 航空学报, 2008, 29(B05): 102 - 106.

     [37] Guo L, Cao S. Anti-disturbance control for systems with multipledisturbances[M]. CRC Press, 2013.

     [38] Titterton D H, Weston J H. 著, 张天光, 等译. 捷联惯性导航技术[M]. 北京: 国防工业出版社，2007.

     [39] Yanling Hao,Minghui Chen.Comparison of robust H∞ filter and Kalmanfilter for initial alignment of inertial navigation system[J]. Journal of MarineScience and Application, 2008, 7( 2 ): 116 - 121.

     [40] Cao S Y, Guo L. Multi-objective robust initial alignment algorithm forInertial Navigation Systems with multiple disturbances [J]. Aerospace Scienceand Technology, 2012, 21( 1 ): 1 - 6.

     [41] Guo L, Cao S Y, et al. Initial alignment for nonlinear inertial navigationsystems with multiple disturbances based on enhanced anti-disturbancefiltering[J]. International Journal of Control, 2012, 85( 5 ): 491 - 501.

     [42] Liu J, Zhang Y, Guo L, et al. A multi-objective anti-disturbance robustfilter for SINS/GPS navigation systems [J]. International Journal of IntelligentComputing and Cybernetics, 2013, 6( 3 ): 216 - 231.

     [43] Cloud Cap Technology,Piccolo Autopilot Flight Management System[EB/OL].www. cloudcaptech. com . 2014.

     [44] Cloud Cap Technology, Cloud Cap Technology Piccolo II，ExpandedCapability for Advanced Applications [EB/OL]. www.cloudcaptech.com. 2014.

     [45] Micropilot, MP2x28, family of UAV autopilots [EB/OL]. www.Micropilot.com.

     [46] Micropilot, MP2128LRC2 and MP2128HELI-LRC2 enclosed UAVautopilot [EB/OL]. www. Micropilot.com.

     [47] Rockwell Collins, Athena 611 [EB/OL]. www.rockwellcollins.com.2012.

     作者简介

     张霄（1981-），男，山东聊城人，讲师，硕士生导师，博士，现任教于北京航空航天大学自动化科学与电气工程学院，主要研究方向为飞行器导航、制导与控制。现主持国家军口863课题2项、国家自然基金课题1项，参与国家“863”、国防基础科研重大项目、国家自然科学基金重点项目等国家级课题10余项，目前已出版专著1部，发表学术论文10余篇，授权国家发明专利17项。

     王悦（1992-），女，江西上饶人，现就读北京航空航天大学仪器科学与光电工程学院研究生，主要研究方向为机器人导航制导与控制系统设计。

     郭雷（1966-），男，教授，博士生导师，现任教于北京航空航天大学自动化科学与电气工程学院，主要研究方向为控制理论与控制工程。教育部长江学者特聘教授，国家杰出青年科学基金获得者、北京市科技领军人才。“智能感知与控制一体化技术”北京市国际科技合作基地负责人，“飞行器抗干扰控制”教育部长江学者创新团队负责人。近五年承担国家863计划重大项目课题、973计划课题、国家自然科学基金等国家级项目20余项。在SCI期刊发表论文80余篇，2007年获教育部自然科学奖一等奖（排名第1）、国家科学技术进步二等奖（排名第7），2013年获国家自然科学二等奖（排名第1）。

     摘自《自动化博览》4月刊