1.一种基于多传感器融合的无人机位姿估计方法，其特征在于，包括如下步骤：

(1)获取多传感器数据：

(1a)获取无人机携带的视觉传感器以10Hz‑30Hz的频率采集M幅不同的地面灰度图像X＝{Xm|1≤m≤M}，IMU传感器以100Hz‑200Hz的频率采集N组不同的无人机加速度数据A＝{An|1≤n≤N}和角速度数据W＝{Wn|1≤n≤N}，以及GPS传感器以20Hz‑100Hz的频率采集不同的Z组无人机位置数据G＝{(Oz,Lz,Hz)|1≤z≤Z},其中M≥20，Xm表示第m幅地面灰度图像，N≥200，An、Wn分别表示t时刻无人机的加速度、角速度，Z≥40，Oz、Lz、Hz分别表示t时刻无人机的经度值、纬度值、高度值；

(2)计算每个特征点Fc的视觉残差：

对每幅地面灰度图像Xm进行特征点提取，得到X对应的特征点集合X'＝{Xm'|1≤m≤M}，并计算特征点集合Xm'中每个特征点Fc的视觉残差Ec，其中Xm'表示Xm对应的包括C个特征点的特征点子集合F＝{Fc|1≤c≤C}，C≥30；

(3)计算每幅图像与相邻图像对应无人机位置之间的IMU残差；

采用预积分方法，通过t时刻无人机的加速度An和角速度Wn计算相邻地面灰度图像Xm及相邻图像Xm+1之间的位移增量P(m,m+1)、速度增量V(m,m+1)和旋转增量Q(m,m+1)，并通过P(m,m+1)、V(m,m+1)和Q(m,m+1)，计算Xm与Xm+1对应无人机位置之间的IMU残差E(m,m+1)；

(4)计算每幅图像对应无人机位置的GPS残差Ez：

将GPS采集的Z组无人机位置数据G转换为东北天坐标系下的坐标G'＝{(Oz',Lz',Hz')|

1≤z≤Z},并计算每幅图像Xm在Gz'下的对应无人机位置的GPS残差Ez；

(5)获取无人机位姿估计结果：

通过每个特征点Fc的视觉残差Ec、每幅图像Xm及相邻图像Xm+1对应无人机位置之间的IMU残差E(m,m+1)和每幅图像Xm对应无人机位置的GPS残差Ez，构建多传感器残差Etight，并采用非线性优化方法对Etight进行优化，得到t时刻无人机的位姿，其中：Etight＝Ec+W(m,m+1)·E(m,m+1)+Wz·Ez

其中，W(m,m+1)表示图像Xm及相邻图像Xm+1对应无人机位置之间的IMU残差E(m,m+1)的权重，Wz表示每幅图像Xm对应无人机位置的GPS残差Ez的权重。

2.根据权利要求1所述的基于多传感器融合的无人机位姿估计方法，其特征在于，步骤(2)中所述的计算特征点集合Xm'中每个特征点Fc的视觉残差Ec，计算公式为：其中，xc、yc、zc分别表示第Fc个特征点在第Xm幅图像归一化坐标系下的横坐标值、纵坐标值、竖坐标值，rc和vc分别表示第Fc个特征点在第Xm个图像像素坐标系下的横坐标值和纵坐标值。

3.根据权利要求1所述的基于多传感器融合的无人机位姿估计方法，其特征在于，步骤(3)中所述的相邻地面灰度图像Xm及相邻图像Xm+1之间的位移增量P(m,m+1)、速度增量V(m,m+1)和旋转增量Q(m,m+1)，以及Xm与Xm+1对应无人机位置之间的IMU残差E(m,m+1)，其计算公式分别为：其中，u1(t)、u2(t)分别表示t时刻无人机加速度和角速度中的噪声，R(m,t)表示从第Xm幅图像对应的无人机位置到t时刻无人机位置的旋转变化量，Pm表示第Xm幅图像与第1幅图像分别对应无人机的位置差值，Vm表示第Xm幅图像对应无人机的速度，qm表示第Xm幅图像与第

1幅图像分别对应无人机的旋转差值，Δt(m,m+1)表示第Xm幅图像与相邻的第Xm+1幅图像之间的时间差值，g表示重力加速度， 表示四元数乘法操作。

4.根据权利要求1所述的基于多传感器融合的无人机位姿估计方法，其特征在于，步骤(4)中所述的计算每幅图像Xm在Gz'下的对应无人机位置的GPS残差Ez，计算公式为：Ez＝Pm‑G'z(t)

其中，Pm表示第Xm幅图像与第1幅图像分别对应无人机的位置差值，G'z(t)表示t时刻与第1个图像时刻分别对应在东北天坐标下的坐标差值。

5.根据权利要求1所述的基于多传感器融合的无人机位姿估计方法，其特征在于，步骤(5)中所述的图像Xm及相邻图像Xm+1对应无人机位置之间的IMU残差E(m,m+1)的权重W(m,m+1)，以及每幅图像Xm对应无人机位置的GPS残差Ez的权重Wz，计算公式分别为：其中，R'm表示采用非线性优化后的第Xm幅图像所对应无人机的优化位姿，R(m,u)表示通过IMU数据获得的第Xm幅图像的初始位姿，R(m,g)表示通过GPS数据获得的第Xm幅图像的初始位姿，||·||表示取模运算。