第4章风速估计方法

4、风速估计方法：三角法风速估计、卡尔曼滤波风速估计、惯性导航辅助

风速估计，说白了就是搞清楚「空气相对于地面的运动」。你想想看，飞机在空中飞，地速是GPS测出来的，空速是皮托管测出来的，那风速不就是它俩的矢量差吗？道理很简单，但实际做起来坑不少。

我个人习惯把风速估计方法分成三类：三角法、卡尔曼滤波、惯性导航辅助。每种方法都有自己的脾气，咱们一个一个聊。

三角法是最直观的方法。它的核心思想就一句话：风速 = 地速 - 空速。注意，这是矢量运算，不是标量减法。

具体做法是这样的：

听起来简单吧？但我曾经在项目里吃过亏。有一次试飞，三角法算出来的风速忽大忽小，甚至出现逆风变顺风的荒唐结果。排查了半天，发现是GPS更新频率只有5Hz，而空速更新频率是50Hz，两个数据不同步导致的。

避坑指南：三角法对数据同步要求极高。我曾经因为没做时间戳对齐，导致风速估计误差超过10m/s。建议用插值法把GPS数据对齐到空速时间戳上。

三角法的优点是简单、计算量小，适合在低端飞控上跑。缺点也很明显：GPS信号差的时候（比如城市峡谷、树荫下），地速不准，风速估计直接崩掉。

卡尔曼滤波是解决「传感器都有噪声」这个问题的标准方案。它把风速当成一个状态量，用动力学模型预测，再用测量值修正。

我常用的状态向量是：

X = [Vn, Ve, Vd, Wn, We, Wd]^T

其中 Vn, Ve, Vd 是北东地坐标系下的空速分量，Wn, We, Wd 是风速分量。测量量是GPS地速和空速大小。

状态方程长这样：

V(k+1) = V(k) + (T/m) * (F_thrust + F_aero) + w1
W(k+1) = W(k) + w2

这里 w1 和 w2 是过程噪声。注意，我把风速建模为随机游走——说白了就是假设风速变化很慢，用白噪声驱动。

测量方程：

Vg_gps = V + W + v1
Va_pitot = ||V|| + v2

v1 和 v2 是测量噪声。嗯，这里要注意：空速测量是标量，地速测量是矢量，所以测量方程是非线性的，得用扩展卡尔曼滤波（EKF）。

个人经验：卡尔曼滤波的调参是个玄学。我习惯先离线跑一遍数据，用试错法调 Q 和 R 矩阵。Q 矩阵里的风速过程噪声我一般设得比空速过程噪声大一个数量级——因为风速变化比空速变化快。

卡尔曼滤波的好处是能融合多传感器信息，抗干扰能力强。坏处是计算量大，而且对模型误差敏感。模型建得不好，滤波会发散。

惯性导航辅助，说白了就是用IMU的数据来「填补」GPS失效时的空白。这个方法我在做城市低空物流无人机时用过，效果还不错。

核心思路是这样的：

具体实现上，我用了松耦合的INS/GPS组合导航架构。IMU提供加速度和角速度，积分得到位置和速度，GPS定期修正积分漂移。

风速估计的公式变成：

Vw_est = V_ins - Va_vec

其中 V_ins 是惯导推算的地速矢量。注意，惯导的漂移会直接影响风速估计精度，所以需要定期用GPS校准。

  关键点：惯性导航辅助不是替代GPS，而是「撑过」GPS失效的那段时间。我一般设定一个时间阈值——如果GPS失效超过30秒，就切换到纯空速模式，不再依赖风速估计。

三种方法的对比，我整理了一张表：

下面这张图展示了三种方法的核心逻辑关系：

最后说一句：实际项目中，我一般把三种方法都实现，然后根据GPS信号质量自动切换。GPS信号好时用三角法或卡尔曼滤波，信号差时切到惯导辅助。这样既保证了精度，又兼顾了鲁棒性。

  总结：风速估计没有银弹。三角法简单但脆弱，卡尔曼滤波稳健但复杂，惯导辅助能应急但有漂移。我的建议是——根据你的飞行环境和硬件资源，选一个主方案，再备一个降级方案。

公众号:蓝海资料掘金营，微信deep3321