在非结构化越野环境及全球定位系统（GPS）拒止条件下，无人机与地面机器人之间的精确相对位姿估计仍面临巨大挑战，其根源在于崎岖地形引发的车轮打滑及传感器噪声干扰。本文提出一种基于三个耦合自适应扩展卡尔曼滤波器（AEKF）的多滤波器框架，其核心贡献在于三层自适应设计架构。首先，无人机过程噪声协方差依据惯性测量单元（IMU）信号的短期方差在线更新。其次，地面机器人运动估计模型中引入了源自轮角速度与估测地面坡度的地形滑移补偿项。第三，相对位姿滤波器依据无人机相对机动强度动态调整其过程噪声尺度。实验结果表明，相较于固定协方差滤波器，该框架性能提升显著，三维均方根误差（RMSE）均值降低43.8%，由0.32米降至0.18米。与前沿粒子滤波器（PF）的详细对比进一步凸显了该方法的优势：相对位姿精度提升42.5%，其中AEKF实现的RMSE为0.7623，而PF为1.3256。计算效率评估显示，AEKF平均CPU负载降低87.14%，运行占比为12.83%，而PF高达99.97%；单次更新执行时间由0.047652秒缩短至0.000043秒，从而在不造成资源饱和的前提下实现高频估计。与现有前沿自适应扩展卡尔曼滤波方法相比，所提自适应EKF总RMSE达0.762米，较基于新息、多模态、协方差膨胀及神经网络辅助的EKF分别提升精度33.5%、31.2%、9.8%及31.5%。上述结果证实，该框架能够提供精确、稳定且高效的相对位姿估计。本研究还在ROS-2环境中，结合Ardupilot Gazebo插件与Mission Planner地面站（GCS）进行了仿真验证。该方法非常适用于GPS拒止环境下的实时无人机-地面机器人协同任务，包括自主着陆、搜救及越野测绘。这种性能平衡有力支撑了在严苛时序与功耗限制下的长时间任务部署。

本文提出了一种多滤波器估计框架，旨在复杂条件下实现无人机对地面机器人位置的精确估计。该框架融合三个扩展卡尔曼滤波器，分别针对不同的误差源进行处理。

1. 自适应无人机状态估计EKF——该滤波器在估计无人机位置的同时，采用自适应过程噪声协方差矩阵Q。不同于标准方法中固定的Q值，其依据惯性测量单元（IMU）传感器噪声的变化实时调整Q，从而减轻由可变传感器噪声导致的精度损失。
2. 地形补偿式地面机器人状态估计EKF——该滤波器在运动模型中加入地形补偿项以估计地面机器人位置。该项可有效补偿崎岖地形中的车轮打滑，抑制未建模轮地效应引发的漂移，显著提升越野环境下的定位精度。
3. 带自适应噪声调谐的相对状态估计EKF——该滤波器用于估计无人机与地面机器人之间的相对位置。其依据相对角速度测量的变化自适应调整过程噪声协方差Q，从而在未建模旋转运动与传感器不确定性的工况下优化估计效果，提高相对位姿精度。

“相关研究”部分综述了地面机器人定位、自适应滤波及无人机辅助估计方法，并指出现有方法的主要局限。“研究方法”章节阐述了系统架构、传感器配置及自适应扩展卡尔曼滤波（AEKF）框架的具体实现。“结果与讨论”部分说明了基于无人机与地面机器人平台的仿真实验设置，并采用归一化估计误差平方（NEES）与均方根误差（RMSE）指标，将AEKF与标准EKF及粒子滤波器（PF）进行对比分析，同时探讨了各估计方案的计算开销。“结论”部分总结了研究成果，并对实时部署、多地面机器人跟踪及多传感融合等未来研究方向提出建议。