1. 课程导入
当无人机在真实大气环境中飞行时，风不是背景噪声，而是持续作用在机体上的外部扰动。它既会改变地速与空速的关系，也会影响姿态控制、航迹跟踪、能量消耗和任务安全。对多旋翼而言，风会带来位置漂移和姿态倾斜；对固定翼而言，风会改变航程、爬升率和失速边界。因此，风速风向在线估计并不是附加功能，而是无人机实现自主、安全、长航时飞行的基础能力之一。
本课程围绕“如何在不额外增加昂贵风速传感器的情况下，利用无人机自身已有的惯性、GNSS、空速、姿态和动力系统信息，实时估计风速与风向”展开。课程强调工程可落地性：从坐标系与风三角关系出发，逐步建立观测模型、估计器、参数辨识、故障鲁棒和飞行验证方法。
一、为什么需要在线估计风速风向
风速风向在线估计的核心价值，在于把“不可测的环境扰动”转化为“可用的状态信息”。一旦飞控能够实时获得风估计值，就可以在控制、规划、任务决策和健康管理中形成闭环。
- 控制补偿：在位置环和速度环中前馈风扰，减少悬停漂移和航迹误差。
- 航迹规划：根据风场调整航向和速度，使航程更短、能耗更低。
- 安全边界：当估计风速接近机型抗风极限时，触发返航、降高或迫降策略。
- 任务质量：测绘、巡检、植保等任务需要稳定对地速度，风估计可提升作业一致性。
- 故障诊断：风估计残差可用于检测空速管堵塞、GNSS漂移或动力系统异常。
核心关系：地速矢量 = 空速矢量 + 风速矢量。无人机能测到地速和部分空速信息，但风矢量通常不可直接测量，因此需要借助模型和估计器反推。
二、典型应用场景
风速风向在线估计在不同任务中的侧重点不同。下表给出典型场景与关键需求。
| 应用场景 | 风估计的主要用途 | 关键挑战 |
|---|---|---|
| 多旋翼悬停与低速飞行 | 抑制位置漂移，提升定点精度 | 低速时空速信息弱，依赖姿态与加速度 |
| 固定翼长航时巡航 | 优化航向与油门，延长航程 | 空速管误差、侧滑与迎角耦合 |
| 测绘与巡检 | 保持对地速度稳定，提高成像质量 | 风场变化快，需低延迟估计 |
| 植保作业 | 避免药液飘移，判断可作业窗口 | 近地风场复杂，传感器易受扰动 |
| 物流配送 | 能耗预测与到达时间估计 | 载重变化影响动力模型 |
| 应急搜救 | 抗风飞行与安全返航决策 | 强风、阵风与湍流环境 |
三、课程目标与整体知识框架
本课程的目标不是只讲一个滤波器公式，而是建立从物理机理到工程实现的完整链路。学完课程后，应能够：
- 理解风三角、坐标系和空速/地速/风速之间的矢量关系。
- 建立多旋翼与固定翼的风扰动力学模型，明确可观测性条件。
- 设计基于卡尔曼滤波、扩展卡尔曼滤波或互补滤波的在线估计器。
- 利用飞行数据辨识气动参数与风场参数，完成仿真和半实物验证。
- 处理传感器噪声、延迟、故障和风场突变等工程问题。
- 在真实飞行中评估估计精度，并形成可复现的测试报告。
整体知识框架可以概括为“一条主线、三层模型、四类方法、五个环节”。一条主线是风矢量估计；三层模型包括运动学模型、动力学模型和传感器模型；四类方法包括几何法、滤波法、辨识法和学习法；五个环节是建模、观测、估计、验证和部署。
四、方法流程：从数据到风估计
工程上，风速风向在线估计通常遵循以下流程。每一步都需要明确输入、输出和验证指标。
步骤1：采集飞行数据
IMU：加速度、角速度
GNSS：位置、地速、航向
空速管：空速（固定翼/复合翼）
飞控：姿态、油门、推力估计
步骤2：坐标变换与预处理
机体坐标系 → 导航坐标系
时间同步、低通滤波、异常值剔除
步骤3：建立观测方程
Vground = Vair + Vwind
结合动力学模型补充推力/阻力关系
步骤4：运行估计器
KF / EKF / 互补滤波 / 参数辨识
输出：风速大小、风向角、置信度
步骤5：验证与部署
仿真对比、半实物测试、飞行试验
评估指标：RMSE、收敛时间、抗扰能力五、常见误区与复盘
误区一：把地速当成空速。有风时地速与空速差异显著，直接用地速计算风会引入系统性偏差。
误区二：忽略坐标系定义。风向角通常以正北为参考，若与航向角混用，会导致方向错误。
误区三：只做仿真不做飞行验证。真实风场具有阵风、切变和湍流特性，仿真参数往往过于理想。
误区四：忽视传感器延迟。GNSS和空速管存在延迟，直接融合会导致估计滞后甚至振荡。
复盘建议：每次飞行后，将估计风速与地面气象站或机载超声风速仪对比，记录误差随飞行状态的变化。重点检查悬停、爬升、转弯和阵风段的表现，形成可复现的测试用例库。
本课程后续将沿着上述知识框架逐步展开：先建立风三角与坐标系基础，再进入多旋翼和固定翼的风扰模型，随后讲解卡尔曼滤波、互补滤波和参数辨识的具体实现，最后通过仿真与飞行试验完成闭环验证。掌握这条主线，就能把“风”从不可控扰动变成可感知、可补偿、可利用的飞行信息。