无人飞行器,通常也称为无人机,正以极快的速度应用于我们的社会。应用无人机的工业场景呈指数型增长。此外,无人飞行器也引起了其他领域的兴趣,如军事、应急响应、灾难救援、健康医疗、农业、矿业、基础设施建设、运动、教育等等。随着无人飞行器的实际应用不断增长,大量的挑战也随之而来,比如面对动态变化的、未见过的及非结构化的场景,如何进行最优的响应;不可靠的状态估计;在有限资源地约束下,同时进行实时的感知与决策。除此之外,机器人系统包括无人飞行器,同时面对着几个重大问题,包括感知、控制以及路径规划和定位,特别是在GPS延迟的环境中。这篇研究论文旨在探索并解决在社会中增长的无人机应用所带来的优势和挑战。论文在现有研究的基础上,提出了具备一定指引性的结果。这些结果可以强化无人飞行器在室内和室外场景下对外部扰动的处理能力。本论文首先介绍了无人飞行器在复杂的城市环境中基于事件驱动的路径规划和导航。为保证无人机的安全路径应对可能出现的突发事件和各种不确定性,本文将A*算法用于体素图和概率化图,将快速探索随机树二维网格用于基于随机采样、启发式和共线的三维运动规划,并在二维和三维现实环境中使用径修剪方法。为了在外部扰动比如阵风下控制无人机,本文提出了基于抗扰动的最优控制器。该控制器使用了一个二自由度PID控制器（2DOF-PID）和粒子群优化（PSO）来进行位置控制,同时基于鲁棒自适应积分反步法来进行角度控制。论文假设可以得到关于外部非结构化扰动的界限的先验信息。这个信息可以保证追踪系统的暂态性能以及稳态性能。在此基础上,为了优化在强阵风下的能量消耗,本论文使用了组合叶素动量理论（BEMT）模型,在保证追踪预定轨迹的同时,降低了能量的消耗。接下来,论文在仿真环境中开发基于动作感知的无人机竞速系统。无人机竞速是综合了计算机视觉、路径规划、状态估计和控制技术的一种学术挑战。为了攻克这种挑战,本文提出了一种结合了深度神经网络、前沿路径规划、状态估计以及控制算法的方案。具体地,提出了全新的可以高效检测门的VINS-Mono方法,用于检测门的边角以及获取无人机的运动信息。然后,结合上述信息提出了一个更加高效的扩展卡尔曼滤波算法（EKF）来获得门的地图和无人机的状态。规划器和控制器会用这些信息生成一个较短的并具有最小跳跃性的轨迹片段,并发送相应的电机指令来达到预定的控制目标。在本文的实验中证明了该方案在性能上超越了当今的主流方案,并且比诸多人类操控的飞行器飞行地更平稳。另外,在2019年举办的Alpha-Pilot Challenge竞赛（由洛克希德马丁和无人机竞速协会联合举办）中,本文所提出的方案成功地使无人机以最快7m/s的速度在窄道场景中通行。然后,本论文深入研究了安全、可靠的无人机自主轨迹跟踪,特别是在高动态环境中,并提出了一种卷积神经网络（Ka NET）,用于安全地驱动无人机和提高跟踪性能。同时,采用了级联PID+FF（前馈）算法控制飞行器的姿态/高度。实验证明,基于Ka NET的PID+FF方法能够有效地控制飞行器穿过复杂环境,并与附近的决策代理（如建筑物、其他飞行器）进行合作。最后,本文提出了新的深度强化学习（DRL）方法,并融合基于自适应反步法的线性参数变化模型预测控制（LPV-MPC）提出了一种安全深度强化学习方法。具体来说,本研究首先回顾并提出了在无人机路径规划、导航和控制背景下的DRL增强版本;然后,提出了一种安全强化学习方法来追踪机载摄像头和（或）其他传感器实时生成的安全路径,或者由程序给定的轨迹;最后,为了控制无人机的位置和姿态,提出了一种基于自适应反步法的LPV-MPC控制器。