2. 风扰模型与传感器：理解阵风模型、IMU与光流/GPS在风中的表现差异
调参之前，得先搞清楚你的对手是谁。
风不是均匀的，传感器也不是完美的。我见过太多人一上来就调PID，结果飞起来还是晃，为什么？因为你根本没理解风是怎么作用在飞机上的，也没搞懂IMU和光流在风里各自是什么“脾气”。
这一章，咱们就把这两件事掰开揉碎了讲清楚。
2.1 阵风模型：风不是“推”一下那么简单
很多人以为风就是一股恒定的力，像有人一直推着飞机。其实不是。真实的风是阵风，是随机的、有频谱的。
我个人习惯把阵风模型拆成三部分来看：
- 平均风（稳态分量）：持续吹的风，比如5m/s的恒定侧风。飞控能通过积分慢慢消除稳态误差。
- 阵风（动态分量）：突然的 gusts，持续时间短，幅度大。这是最考验飞控响应速度的。
- 湍流（高频噪声）：风场中的小尺度涡旋，频率高，幅度小。IMU和光流对这种噪声的反应完全不同。
核心观点：抗风调参，本质上是让飞控在“响应阵风”和“抑制湍流噪声”之间找到平衡。只盯着稳态误差调，永远调不好。
我在项目中常用的是 Dryden 风模型，它用成形滤波器把白噪声变成符合大气湍流统计特性的风速序列。简单说，就是模拟出“真实的风”。
// Dryden 模型简化实现（C语言伪代码）
// 输入：高斯白噪声 w(t)
// 输出：阵风速度 v_gust(t)
// 时间常数 tau = L / V (L为湍流尺度，V为空速)
float v_gust = 0;
float tau = 50.0 / 10.0; // 假设湍流尺度50m，空速10m/s
void update_gust(float dt, float white_noise) {
v_gust += ( -v_gust / tau + white_noise * sqrt(2.0 / tau) ) * dt;
}
这段代码虽然简单，但能帮你理解：阵风是有“惯性”的，不是瞬间跳变。调参时，如果你发现飞机对风反应过于剧烈，往往不是P太大，而是D的微分项放大了阵风的高频成分。
我的经验：在仿真里先用 Dryden 模型注入阵风，观察姿态角的响应曲线。如果角度波动频率跟阵风频率接近，说明带宽匹配；如果出现高频抖动，说明D项需要降噪处理。
2.2 IMU在风中的表现：它“感觉”到了什么？
IMU（惯性测量单元）包含加速度计和陀螺仪。风本身不直接作用在IMU上，但风引起的机体运动，IMU全能测到。
这里有个关键点：IMU测量的是“本体系”下的加速度和角速度。风推着飞机平移，加速度计会感受到一个水平方向的加速度；风让飞机倾斜，陀螺仪会感受到旋转角速度。
但IMU有个天生的毛病——漂移。尤其是陀螺仪的零偏，会随着温度和时间缓慢变化。在阵风扰动下，如果你只用IMU做姿态估计，积分出来的角度会越偏越远。
| 传感器 | 风中优势 | 风中劣势 |
|---|---|---|
| 加速度计 | 对瞬时推力响应快，能快速感知风引起的加速度 | 受振动噪声影响大，阵风中的高频分量会被误读 |
| 陀螺仪 | 对角速度敏感，能快速捕捉风引起的旋转 | 零偏漂移，长时间积分后角度误差累积 |
避坑指南：我曾经在调一台大四轴时，发现悬停时姿态角一直在缓慢漂移。查了半天，发现是陀螺仪温漂在阵风引起的温度变化下被放大了。后来加了温度补偿，问题才解决。所以，别忽略IMU的温漂特性。
2.3 光流与GPS在风中的表现：谁更靠谱？
光流和GPS都是位置传感器，但它们在风中的表现天差地别。
光流：对“相对运动”敏感
光流传感器本质上是一个摄像头，它通过计算图像中特征点的移动来推算飞机的水平速度。在无风环境下，光流很准。但一旦有风，问题就来了：
- 阵风引起的高度变化：光流测速依赖于离地高度。阵风可能导致飞机上下起伏，高度变化会直接影响速度测量的准确性。
- 光照变化：阵风可能吹动树叶、草等地面纹理，造成光流特征点匹配错误。
- 低空 vs 高空：光流在低空（<10m）表现很好，高空（>20m）时地面纹理太模糊，基本失效。
GPS：对“绝对位置”敏感
GPS提供的是绝对位置和地速（相对地面的速度）。在风中，GPS的优势很明显：
- 不受阵风引起的机体姿态变化影响：GPS测的是卫星信号，跟飞机姿态无关。
- 无漂移：长时间积分不会累积误差。
但GPS也有硬伤：
- 更新率低：通常5-10Hz，对阵风的快速变化响应慢。
- 多路径效应：在城市峡谷或树荫下，信号反射会导致位置跳变。
| 特性 | 光流 | GPS |
|---|---|---|
| 更新率 | 50-200 Hz | 5-10 Hz |
| 风中精度 | 受高度、光照影响大 | 稳定，但延迟大 |
| 漂移 | 有累积漂移 | 无漂移 |
| 适用场景 | 低空、室内、无风或微风 | 高空、开阔环境、强风 |
我的建议：在强风环境下，优先信任GPS的位置和速度估计，用光流做辅助修正。我习惯在EKF（扩展卡尔曼滤波）里把光流的速度观测噪声设得比GPS大一些，这样风大时飞控会自动降低光流的权重。
2.4 传感器融合：如何“取长补短”？
既然每个传感器都有短板，那就要靠融合算法来互补。最常用的是 EKF，它把IMU的高频、短时精度，和光流/GPS的低频、无漂移特性结合起来。
融合的核心思想是：
- 预测步：用IMU的加速度和角速度积分，预测下一时刻的状态（位置、速度、姿态）。
- 更新步：用光流或GPS的测量值，修正预测的误差。
在风中，EKF的噪声矩阵需要动态调整。比如：
- 阵风强烈时，增大IMU加速度计的观测噪声（因为振动和瞬时加速度干扰大）。
- 光流质量下降时（比如高度变化大），增大光流速度的观测噪声。
// EKF 噪声调整示例（伪代码）
// 根据风速估计动态调整观测噪声协方差矩阵 R
float wind_speed_estimate = get_wind_speed(); // 从空速计或GPS地速估算
// 阵风强时，增大加速度计噪声
if (wind_speed_estimate > 5.0) {
R_accel = 10.0; // 默认是1.0
} else {
R_accel = 1.0;
}
// 光流质量下降时，增大光流噪声
if (height_variation > 0.5) { // 高度变化超过0.5m
R_optical_flow = 5.0;
} else {
R_optical_flow = 1.0;
}
注意：不要把所有传感器噪声都设成固定值。我见过有人把EKF参数调了一整天，结果风一来就炸机，就是因为没考虑风对传感器噪声的影响。动态调整噪声矩阵，是抗风调参的进阶技巧。
2.5 知识体系总览
下面这张图总结了本章的核心逻辑：风如何影响传感器，以及我们如何通过融合来应对。
这张图把本章的核心逻辑串起来了。你看，风扰模型是源头，它决定了传感器会“看到”什么。IMU、光流、GPS各有优劣，而EKF融合就是那个“和事佬”，通过动态调整噪声矩阵，让飞控在风中依然能输出稳定可靠的姿态、速度和位置估计。