4. 传感器与测量

无人机本身不会“直接看见风”，它只能通过各类传感器间接推断风的存在与强度。理解每种传感器在风场感知中的角色，是设计风场估计与抗风控制方案的基础。本节将逐一分析风速风向传感器、空速管、IMU、GPS、视觉与激光雷达六类典型传感器的作用机理、可观测信息与固有局限，并给出多源融合的基本思路。

一、核心原理：从“测风”到“推风”

风场感知可分为两条技术路线。第一条是直接测量：在机体或地面安装风速风向传感器，直接获取相对气流的速度与方向。第二条是间接推断：利用IMU、GPS、空速管等测量无人机自身运动与相对气流，通过动力学模型反推风扰动量。实际工程中，两者往往互补使用。

从信息流角度看，风场估计的本质是：已知无人机对地速度、姿态、空速与推力指令，求解风速矢量。其简化关系可表示为：

V_wind ≈ V_ground - V_air
其中：
  V_ground：GPS/视觉里程计给出的对地速度
  V_air   ：空速管/气流角传感器给出的相对气流速度
  V_wind  ：待估计的风速矢量（含风向）

该式看似简单，但每一项都受传感器噪声、延迟、安装误差与量程限制影响，因此单一传感器几乎无法独立完成可靠的风场估计。

二、各类传感器的作用与局限

风速风向传感器（如杯式、超声式、热线式）可直接输出相对气流的速度与方向。机载超声风速计精度高、无机械磨损，但价格昂贵、对安装位置与机体绕流敏感；杯式与热线式多用于地面站或大型无人机。其核心局限是：只能测量传感器所在位置的局部气流，无法反映整机周围风场分布，且易受旋翼下洗流干扰。

空速管通过总压与静压差计算空速，是固定翼无人机最基础的风场感知手段。结合攻角/侧滑角传感器，可解算气流角。局限在于：低速时压差小、信噪比低；管口结冰或堵塞会导致严重错误；多旋翼的复杂气流环境使空速管安装与标定困难。

IMU提供三轴加速度与角速度，是风场估计中频率最高的信息源。风扰引起的加速度变化可被IMU快速捕捉，但加速度积分得到速度会漂移，无法单独给出绝对风速。IMU更多用于风扰的高频检测与姿态稳定。

GPS提供对地速度与位置，是计算“地速-空速=风速”的关键一环。其局限是更新率低（通常5～20Hz）、城市峡谷与室内易失锁、多路径效应导致速度噪声。在无GPS环境中，视觉里程计可部分替代。

视觉通过光流或特征跟踪估计无人机相对地面的运动，进而推断风致漂移。优点是重量轻、成本低、信息丰富；缺点是依赖地面纹理与光照，强光、弱光、水面、雪地等场景易失效，且计算延迟较大。

激光雷达可提供高精度点云与相对速度信息，用于地形匹配与障碍规避，间接辅助风场估计。其局限是重量与成本高、雨雾天气衰减严重、对无纹理表面测距不稳定。在小型无人机上通常仅用于特定任务。

三、传感器对比清单

四、案例与场景：多旋翼悬停抗风

假设一架多旋翼在6级风（约12 m/s）中执行悬停任务。GPS给出对地速度接近零，但IMU检测到持续的水平加速度扰动，空速管（若安装）显示相对气流约12 m/s。此时风场估计器需要融合：

• IMU高频加速度 → 快速检测风扰突变；
• GPS对地速度 → 提供绝对速度基准；
• 空速/气流角 → 提供相对气流方向；
• 视觉光流 → 在GPS退化时补充速度信息。

若仅依赖GPS，更新率低会导致风扰响应滞后；若仅依赖IMU，积分漂移会使估计风速逐渐偏离真实值。因此，工程上常采用互补滤波或卡尔曼滤波，将高频IMU与低频GPS/空速融合，输出带置信度的风速矢量。

五、常见误区与复盘

复盘时建议记录每次飞行中各传感器的原始数据与融合输出，对比风场估计值与地面气象站或伴飞参考值，逐步修正标定参数与融合权重。只有充分理解每类传感器的“能测什么”与“测不准什么”，才能设计出鲁棒的风场估计与抗风控制方案。