1. 课程导入

无人机在真实环境中飞行时，风不是“偶发干扰”，而是持续存在、随空间和时间变化的外部作用力。对多旋翼而言，风会直接改变桨盘来流速度，导致升力与力矩偏移；对固定翼而言，风会改变空速、地速与航迹角之间的关系。若飞控只依赖IMU与GPS进行姿态和位置闭环，而不对风场进行估计与补偿，就会出现悬停漂移、航迹跟踪滞后、返航偏差增大，严重时触发姿态保护甚至失稳。因此，风场估计与抗风控制是无人机从“能飞”走向“飞得稳、飞得准、飞得安全”的关键工程能力。

一、工程意义：风是任务可靠性的第一外部变量

在电力巡检、应急测绘、物流投送、农业植保等场景中，任务质量往往由“抗风能力”决定。以电力巡检为例，无人机需在导线附近保持稳定悬停，侧风会导致机体横向偏移，使相机光轴偏离目标，图像模糊或漏检；在物流投送中，阵风会造成投放点偏差，影响签收精度；在测绘任务中，风引起的航迹弯曲会破坏航线重叠率，导致空三解算失败。风场估计的价值在于：把不可测的风转化为可观测、可估计、可补偿的状态量，使控制器从“被动抵抗”转为“主动前馈”。

二、学习目标：从估计到控制的完整闭环

本课程围绕“风场估计—抗风控制—验证评估”三条主线展开，学习完成后应达到以下目标：

• 理解风场建模的基本形式：平均风、阵风、风切变与湍流，以及它们在机体坐标系与地理坐标系中的表达。
• 掌握基于动力学模型的风场估计方法：利用加速度、速度、姿态与推力指令反演风扰，构建风估计器。
• 掌握抗风控制结构：前馈补偿、积分抗饱和、鲁棒控制与模型预测控制的基本思路与适用边界。
• 能够设计风场估计与抗风控制的验证方案：风洞、外场风标、飞行日志与仿真对比。
• 能够识别常见误区：把风估计当成“滤波器调参”、把抗风等同于“提高增益”、忽略执行器饱和与延迟。

三、核心概念与整体知识框架

风场估计的本质是状态观测问题：将风视为作用于机体的未知输入，通过可测状态（位置、速度、姿态、角速度、推力）构造观测器，估计风速与风向。抗风控制的本质是扰动抑制问题：在风扰存在时，仍保证姿态稳定、位置跟踪与能量效率。两者通过“风估计值”耦合：估计值越准，前馈补偿越有效；补偿越有效，反馈环压力越小，系统越稳定。

四、方法流程：从风扰到补偿的工程链路

工程上，风场估计与抗风控制通常按以下流程落地：

1. 风场建模：确定任务空域的风速范围、风向变化率与湍流尺度，建立平均风+阵风+湍流的组合模型。
2. 动力学建模：写出机体平动与转动方程，明确风扰进入系统的通道（力通道与力矩通道）。
3. 估计器设计：选择观测器或滤波器，利用IMU、GPS、空速等量测反演风速与风向。
4. 控制律设计：在姿态环与位置环中加入前馈补偿，并处理积分饱和、执行器限幅与延迟。
5. 验证与迭代：通过仿真、风洞与外场飞行对比估计值与真实风，评估跟踪误差与能耗。

五、案例场景：侧风悬停的估计与补偿

假设四旋翼在5 m/s侧风中悬停。若仅用位置反馈，机体先被吹偏，控制器再修正，形成持续振荡与稳态误差。加入风估计后，观测器根据姿态倾斜角与推力指令反演出侧风速度，控制器在位置环前馈一个反向速度指令，使机体提前倾斜抵抗风扰。结果是：位置偏差从米级降到分米级，姿态波动减小，电机转速更平稳。

风扰观测残差示例（简化）：
r_wind = a_meas - (T/m * R * e_z - g)
其中：a_meas 为加速度测量，T 为总推力，m 为质量，
R 为姿态旋转矩阵，g 为重力加速度。
r_wind 经低通滤波后即为风扰加速度估计。

六、常见误区与复盘