面向风场和近墙环境的空中操纵物理注入学习

空中操纵 (AM) 将 UAV 的能力从被动观察扩展到高海拔和其他不可到达环境中的接触式操作。尽管近期进展显示出前景，但大多数 AM 系统是在受控环境中开发的，忽略了关键的气动效应。简化的推力模型往往不足以捕捉现实环境中靠近基础设施时的非线性风扰动和近墙流动变化，而高保真 CFD 方法在实时使用时仍不实用。基于学习的模型在推理时计算效率高，但往往难以泛化到未见的情形。本文通过将基于物理的旋翼要素模型与学习基的残差力估计器相结合，并辅以扰动补偿的旋翼速度分配策略，形成统一的控制框架。旋翼要素模型在风力作用下计算每个旋翼的气动力，并提供更精细的前馈扰动估计。学习基的估计器 then 预测模型未捕捉的残差力，从而实现对未建模气动效应的补偿。进一步地，一种在线自适应机制联合更新残差力预测和旋翼速度分配，以减少期望推力与实际实现推力之间的差距。我们在近墙风环境中的自由飞行和墙面接触跟踪任务中对该框架进行了评估。结果表明，本方法在扰动估计和轨迹跟踪精度方面优于传统方法，能够在恶劣气动条件下实现稳健的墙面接触执行。