1.一种用于无人机位姿估计的多传感器动态自适应融合方法，其特征在于，该方法包括以下步骤：S1：基于灰色理论进行位姿传感器自支持因子的构建，再结合自支持因子进行支持度函数的构建；

S2：基于支持度函数计算数据一致性，并建立基于数据一致性和自支持因子双指标的异常数据检测方法，再根据异常数据长度进行异常数据分类处理；

S3：设计窗口遗忘函数，并计算位姿观测数据的一致性均值和可靠性度量来获得该数据的权重，结合权重得到位姿传感器融合结果；

其中S2具体为：

S21：根据各传感器各时刻的支持度函数计算数据一致性；

S22：结合数据一致性和自支持因子计算检测系数，并计算异常数据的长度；

S23：根据异常数据长度进行分类并分别制定异常数据处理策略；

所述异常数据处理具体为：

当异常数据是峰值异常数据，即前后数据均合格时，采用剔除的处理方式；

当异常数据是短期异常数据，即异常数据连续但时间较短时，采用Prophet预测的处理方式；

当异常数据为长期异常数据，即异常数据连续且时间较长时，采用同时刻的位姿数据均值进行替换的处理方式，若是同一时刻其它位姿数据为短期异常数据，则用处理后的预测数据进行均值替换；

S3具体为：

S31：设计窗口遗忘函数，并根据窗口长度计算位姿数据一致性均值；

S32：根据一致性均值计算位姿数据的可靠性度量；

S33：根据一致性均值和可靠性度量进行权重计算，并进行误差评估。

2.根据权利要求1所述的一种用于无人机位姿估计的多传感器动态自适应融合方法，其特征在于：S1具体为：S11：根据传感器量测模型，建立无人机位姿数据观测模型；

S12：对于各个传感器的无人机位姿观测值，进行自支持因子构建；

S13：定义同一时刻不同传感器的位姿观测数据的差值为量测距离，并进行归一化；

S14：结合所述S12步骤中的自支持因子进行支持度函数构建。

3.根据权利要求2所述的一种用于无人机位姿估计的多传感器动态自适应融合方法，其特征在于：S12具体为：S121：根据无人机在某时刻的数据观测值，向两端取时间区间为t的观测值，构建参考序列；

S122：结合先验和后验数据，根据灰色关联度理论构建自支持因子，用于衡量该时刻位姿观测传感器数据自身的可信度。

4.一种用于无人机位姿估计的多传感器动态自适应融合系统，其特征在于包括：支持度函数构建模块，用于基于灰色关联度理论，计算自支持因子，进行支持度函数构造；

异常数据处理模块，使用基于支持度函数计算数据一致性，并建立基于数据一致性和自支持因子双指标的异常数据检测方法，再根据异常数据长度进行异常数据分类处理；

权重计算模块，用于结合窗口遗忘函数进行数据一致性均值计算，并根据数据一致性均值求得数据可靠性测度，结合二者进行权重设计，结合权重进行数据融合，并对数据融合进行误差评估；

异常数据处理模块执行以下操作：

根据各传感器各时刻的支持度函数计算数据一致性；

结合数据一致性和自支持因子计算检测系数，并计算异常数据的长度；

根据异常数据长度进行分类并分别制定异常数据处理策略；

所述异常数据处理具体为：

当异常数据是峰值异常数据，即前后数据均合格时，采用剔除的处理方式；

当异常数据是短期异常数据，即异常数据连续但时间较短时，采用Prophet预测的处理方式；

当异常数据为长期异常数据，即异常数据连续且时间较长时，采用同时刻的位姿数据均值进行替换的处理方式，若是同一时刻其它位姿数据为短期异常数据，则用处理后的预测数据进行均值替换；

权重计算模块执行以下操作：

设计窗口遗忘函数，并根据窗口长度计算位姿数据一致性均值；

根据一致性均值计算位姿数据的可靠性度量；

根据一致性均值和可靠性度量进行权重计算，并进行误差评估。

5.根据权利要求4所述的一种用于无人机位姿估计的多传感器动态自适应融合系统，其特征在于：所述异常数据处理模块：基于支持度函数计算数据一致性，并结合自支持因子计算检测系数，将检测系数作为异常数据检测的依据，并记录异常数据长度，作为异常数据分类标准，按照异常数据类别进行分类处理，并再次求解检测系数，检查数据处理结果是否合格。

6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至3任意一项所述的用于无人机位姿估计的多传感器动态自适应融合方法。

7.一种无人机位姿估计的多传感器动态自适应融合装置，包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至3任一所述方法。