[论文解读] Wind Estimation Using Quadcopter Motion: A Machine Learning Approach

Sam Allison, He Bai+1 more|arXiv (Cornell University)|Jul 11, 2019

Meteorological Phenomena and Simulations参考文献 38被引用 4

一句话总结

本文提出一种长短期记忆（LSTM）神经网络（NN），仅利用无人直升机的飞行状态测量值（滚转角、俯仰角和位置）来估计湍流风速，无需风速传感器。该模型在湍流风场的仿真飞行数据上进行训练，其性能优于传统的风三角法，平均风速估计误差降低高达50%，风向误差降低约50%，在Dryden和大涡模拟（LES）生成的风场中均表现出更高的精度。

ABSTRACT

In this article, we study the well known problem of wind estimation in atmospheric turbulence using small unmanned aerial systems (sUAS). We present a machine learning approach to wind velocity estimation based on quadcopter state measurements without a wind sensor. We accomplish this by training a long short-term memory (LSTM) neural network (NN) on roll and pitch angles and quadcopter position inputs with forcing wind velocities as the targets. The datasets are generated using a simulated quadcopter in turbulent wind fields. The trained neural network is deployed to estimate the turbulent winds as generated by the Dryden gust model as well as a realistic large eddy simulation (LES) of a near-neutral atmospheric boundary layer (ABL) over flat terrain. The resulting NN predictions are compared to a wind triangle approach that uses tilt angle as an approximation of airspeed. Results from this study indicate that the LSTM-NN based approach predicts lower errors in both the mean and variance of the local wind field as compared to the wind triangle approach. The work reported in this article demonstrates the potential of machine learning for sensor-less wind estimation and has strong implications to large-scale low-altitude atmospheric sensing using sUAS for environmental and autonomous navigation applications.

研究动机与目标

• 为解决小型无人机系统（sUAS）在低空飞行时缺乏精确、低成本风速感知的问题。
• 开发一种仅依赖标准无人直升机状态测量值（位置、滚转角、俯仰角）的无传感器风速估计方法。
• 改进依赖空速和姿态简化假设的线性方法（如风三角法）。
• 评估基于机器学习的风速估计在不同湍流风场中的泛化能力和鲁棒性，包括随机性（Dryden）模型和高保真LES模型。
• 证明深度学习能够有效捕捉无人直升机在湍流风中非线性动力学特性，实现精确的风场重构。

提出的方法

• 使用滚转角、俯仰角和位置作为输入，训练长短期记忆（LSTM）神经网络以预测风速，目标为强迫风速。
• 通过高保真仿真生成训练数据，模拟无人直升机在Dryden阵风模型和大气边界层（ABL）的大涡模拟（LES）风场中的飞行。
• LSTM模型学习无人直升机运动的时间依赖性，以推断机体坐标系中风分量（u, v, w）随时间的变化。
• 在合成Dryden风场和多个人工智能生成的LES风场中对网络进行评估，覆盖不同高度和湍流强度。
• 以风三角（WT）法为基准进行性能对比，该方法通过倾斜角近似空速并假设空速恒定。
• 该方法可推广至任何动力学特性与无人直升机模型相似的小型无人机系统（sUAS），适用于其他平台的适配。

实验结果

研究问题

• RQ1 机器学习模型能否仅使用标准无人直升机状态测量值（无直接风速测量）准确估计湍流风速？
• RQ2 与传统的风三角法相比，基于LSTM的方法在风速估计的平均误差和方差方面表现如何？
• RQ3 LSTM模型能否在不同风场模型（包括随机性Dryden模型和高保真LES模拟）之间实现泛化？
• RQ4 LSTM模型在不同湍流强度和飞行轨迹类型（如悬停与直线飞行）下的性能表现如何？
• RQ5 LSTM框架能否在剧烈机动飞行和湍流风环境中，优于线性估计方法，更准确捕捉无人直升机的非线性动力学？

主要发现

• 基于LSTM的风速估计方法在所有测试条件下，平均风速估计误差显著低于风三角法，平均误差降低50%。
• 风向估计误差降低了约50%，LSTM模型的平均风向误差为0.0388 rad（≈2.2°），而风三角法为0.0654 rad（≈3.7°）。
• 在高湍流条件下，LSTM模型在捕捉风速波动方面具有显著优势，风速和风向的误差方差均更低。
• 在所有测试场景中，包括Dryden和LES生成的风场，LSTM模型在多个高度和飞行模式下均优于风三角法。
• 风速估计的误差方差始终低于风三角法（例如，在60 m高度处，LSTM为0.1016 m²/s²，而风三角法为0.5284 m²/s²），表明其具有更高的稳定性和准确性。
• LSTM框架在多种风场和湍流强度下表现出强大的泛化能力，表明其在商业sUAS实际部署中具备鲁棒性。