如果一架配送无人机要把包裹送到几条街外，绕开建筑后尽量直飞，似乎就是最经济的选择。但如果这条直线恰好要顶着风，穿过一条风格外大的街道，无人机是该照直穿过去，还是稍微绕开一点，或者换个高度？最短的路线，一定最省电吗？
近日，来自田纳西大学、康考迪亚大学、麦吉尔大学、加州理工学院等机构的研究人员发布论文，提出 GeoWind2Plan 框架，将城市三维风场预测与无人机节能路径规划连接起来。这项工作由秦少翔（肖老师组访问学者），赵禹程（肖老师组博士）等人完成，田纳西大学的肖熊烨老师、康考迪亚大学的王良柱老师和加州理工学院的 Anima Anandkumar 共同担任通讯作者。
(来源:肖熊烨（DUAL）的主页: https://dual.xiongyexiao.com/)
GeoWind2Plan 系统只需接收建筑物的三维几何信息、背景风向与风速，以及任务起终点，就能预测相关区域的平均风场，再联合优化无人机的飞行路线与速度。在论文测试条件下，局部风场预测仅约需 3 秒；利用预测风场规划的航线，在模拟风场中评估时，逆风平均可实现 12.7% 的节能。
如果只是避开迎面吹来的风，似乎并不难。但在真实的城市环境中，风的流动远比想象中复杂。密集的建筑不断改变气流的速度和方向：风可能在狭窄的街道间加速，在高楼背后减弱，也可能绕过建筑群，形成复杂的局部流动。
那么，如何提前知道无人机沿途会遇到怎样的风？面对建筑布局各异、风向风速不断变化的城市环境，能否在短时间内准确预测复杂的三维风场？而当这些风场信息变得可用，又该如何将其转化为真正节能的飞行路线？
把复杂的风，算得更快
要让无人机真正利用风场信息规划路线，首先需要解决一个更基础的问题：如何知道城市中不同位置的风究竟是怎么吹的？
少翔和肖老师在接受 DeepTech 采访时解释，无人机路径规划本身已经是一个相对成熟的研究领域，但过去很少有方法能够充分考虑复杂的高分辨率城市风场。原因在于，建筑物让城市中的风结构变得十分复杂，准确的风场信息在现实中往往难以获得。如果无法获知无人机沿途的风场情况，即使有了路径规划算法，也很难真正利用风来降低能耗。
传统的计算流体力学方法，也就是 CFD，会把空间划分成网格，通过数值求解流体运动方程，计算建筑物周围的气流。这类方法能够提供高保真的三维风场，但计算成本较高。而且，风向或风速变化后，通常还需要重新计算。在我们的实验中，一个 1.2 公里尺度米级分辨率的城市场景，CFD 模拟约需 8 小时。而一次城市无人机任务，可能只持续几分钟到几十分钟。任务无法等到风场算完再出发，也不可能提前把所有风向、风速下的情况全部计算一遍。
近年来，神经算子（Neural Operator）的发展为解决这一问题提供了新的可能。GeoWind2Plan 就采用了 3D 傅里叶神经算子（FNO）作为局部风场预测模型。它先从 CFD 数据中学习建筑几何与风场之间的映射，任务开始时，再根据建筑信息快速推断气流。
图｜GeoWind2Plan 的架构（来源：论文图 1）
但直接把整座城市交给模型，并不容易。高分辨率三维风场包含海量网格，而高质量模拟数据的生成又十分昂贵。采访中，肖老师提到，如何利用二十多个城市样本，让模型适应新的建筑布局，是研究中的关键挑战。
团队的一个做法，是先在整座城市上，从每个位置向多个方向发出射线，记录每条射线在多远处碰到建筑。相比单纯知道离最近的建筑有多远，这些距离信息能更直接地呈现街道通道、建筑遮挡和周边开敞程度，帮助模型判断建筑如何影响当地气流。
背后的考虑是，一个地方的风主要由周围能直接“看到”的建筑决定，被挡在后面的建筑影响很小。这相当于事先替模型筛掉了不必学习的建筑，有限的数据只需用在真正起作用的部分。由于射线会延伸到碰到建筑为止，之后即使切成小块，每块也带着块外能影响它的建筑信息。
接下来还有一个问题：假设模型只学过风从某个固定方向吹来的情况，实际任务中风从另一个方向吹来，该怎么办？
团队采用了旋转坐标系的方法。系统先把城市建筑转到一个与背景风对齐的参考坐标系中，使实际风向对应模型训练时的参考风向，再进行预测。预测完成后，风场的位置和速度向量一起转回原来的城市坐标系。这样，风向变化就被转化为模型所看到的建筑布局变化，减少了为不同来流角度分别准备训练数据的需求。
除了风向，风速也会发生变化。对此，研究团队同样利用了已有的物理规律：在一定条件下，如果建筑布局和风向不变，只是背景风速增大，那么城市各处的平均风速通常也会近似按比例增加，而整体的气流分布格局不会发生太大变化。因此，系统不必针对不同风速重新预测整个风场，只需要根据实际风速与训练时参考风速的比例，对预测结果进行调整。
通过这些已有物理关系处理，模型可以把更多学习能力放在建筑几何布局如何改变气流上。
只算局部，怎么预测整个城市？
对于一架执行具体任务的无人机来说，它通常只会经过城市中的一小部分区域，并不需要知道每条街道、每栋建筑周围的风速。因此，GeoWind2Plan 进一步缩小了预测范围，只计算与飞行任务相关的局部区域。
这一思路不仅体现在实际预测中，也贯穿了模型的训练过程。训练时，研究团队将完整的城市风场划分为许多局部空间块，让模型分别学习建筑结构与气流之间的关系；执行任务时，系统则根据无人机的起点和终点，确定需要预测的区域，而不必计算整座城市。
少翔解释，这样的设计不仅能够减少计算量，也有助于解决训练数据不足的问题。由于不同区域的气流遵循相同的基本物理规律，研究人员可以从一个完整的城市风场中提取大量局部样本，让模型学习具有共性的流动特征。与此同时，将模型的注意力集中在与局部气流相关的信息上，也有助于提高它在不同城市环境中的泛化能力。
多方向距离特征在切块前就已基于整座城市算好，因此每个小块仍能反映块外建筑的影响。完成预测后，系统再将各个空间块拼接起来，并对重叠区域进行平滑处理，最终形成可供路径规划使用的三维风场。
论文中的实验显示，当预测区域的总宽度设为起终点水平距离的 20% 时，风场预测时间从完整区域的约 15 秒缩短至约 3 秒，而规划航线的能耗几乎没有变化。
图｜GeoWind2Plan 与高精度 CFD 参考风场的无人机路径规划结果对比。（来源：论文图 2）
但当这一比例进一步降至 10% 时，如果有高度超过无人机飞行上限的建筑物横跨预测区域，无人机就可能无法在有限的空间内找到绕行路线，导致路径规划失败。因此，预测范围既不能太大，以免带来不必要的计算，也不能太小，否则无人机没有足够空间避开障碍、调整航线。
让无人机自己寻找更省电的路线
有了城市风场的预测结果，接下来的问题是：如何让无人机利用这些信息，找到真正省电的飞行路线？
首先需要弄清楚，无人机的能耗究竟由什么决定。除了飞行距离，风向、风速以及无人机自身的飞行速度都会影响耗电量。例如，同样以一定速度向前飞行，顺风时可以借助风力前进，逆风时则需要克服更大的空气阻力，消耗更多能量。
但这并不意味着飞得越慢就越省电。多旋翼无人机即使只是悬停在空中，也需要持续消耗能量。飞得慢，虽然可能减少空气阻力，却会延长飞行时间；飞得快，又可能增加瞬时能耗。因此，真正需要考虑的是，怎样选择飞行路线和速度，才能让整段旅程的总能耗最低。
为此，GeoWind2Plan 引入了一个考虑三维风场的无人机能耗模型，将飞行速度、当地风速、空气阻力、加速度等因素纳入计算，以此评估不同飞行方案的能耗。在具体规划时，系统首先利用快速探索随机树（RRT）算法，在建筑物之间生成多条能够避开障碍的候选路线，再结合预测的风场，对这些路线进行优化。
少翔在采访中解释，团队希望无人机能够在连续的三维空间中规划路线，而不是只能沿着预先划分的网格移动。这意味着，无人机可以根据风场变化，灵活调整飞行方向、高度和速度，例如稍微偏离原有路线，避开强逆风区域，或者利用建筑物形成的有利气流，从而降低能耗。
研究团队在多个未参与训练的城市街区中进行了测试。结果显示，与完全不考虑风场的路径规划相比，GeoWind2Plan 在顺风、逆风和侧风任务中的平均能耗分别降低了 6.9%、12.7% 和 4.5%。其中，逆风条件下的节能效果最为明显。
图｜不同风向条件下无人机优化后的飞行轨迹。（来源：论文图 3）
更重要的是，尽管 GeoWind2Plan 使用的是 AI 预测的风场，而非高精度 CFD 风场，其规划结果仍然实现了 CFD 参考方案大部分的节能收益。这说明，对于无人机路径规划而言，AI 并不一定需要精确还原城市里的每一处气流变化，只要预测结果能够捕捉影响飞行决策的关键风场特征，就有可能帮助无人机找到更节能的路线。
复杂世界，不一定需要复杂模型
相比一味追求风场预测的精确程度，GeoWind2Plan 更关注预测结果能否真正帮助无人机作出决策。这背后也体现了两位研究者在采访中反复强调的一种思路：面对复杂的物理世界和有限的训练数据，首先需要弄清楚，哪些信息是模型必须学习的，哪些问题可以利用已有的物理知识来简化。
这一思路也体现在团队的另一项研究 ScaleSplit-NO 中。ScaleSplit-NO 试图解决的是另一个问题：如何根据当前的湍流状态，预测下一时刻的流动变化。湍流包含不同尺度的复杂运动，如果让一个模型同时学习整个空间中的全部细节，不仅需要大量训练数据，也会占用巨大的计算资源。
（来源：arXiv）
研究团队利用了湍流的一项基本物理特征：大尺度运动影响范围广，但不需要很高的分辨率就能描述整体结构；小尺度运动则主要受到局部环境的影响。因此，他们设计了两个相互配合的模型，一个负责预测全局的大尺度流动，另一个结合前者的结果，进一步预测局部的精细变化。
这样一来，模型既不需要一次处理整个高分辨率流场，也能利用有限的数据学习复杂的湍流变化。在分辨率达 256 立方的湍流数据测试中，ScaleSplit-NO 的单步预测误差比现有表现最好的方法降低了 53%，训练显存占用则比最节省显存的对比方法减少了 79%。
尽管两项研究面向不同的问题，但它们有着相似的出发点：利用对物理世界的已有认识，将复杂问题拆解成更容易求解的部分，在有限数据和计算资源下实现更高效的预测。不过，从高效预测到真正应用于现实世界，仍然存在不小的距离。
图｜三维湍流预测结果及误差的可视化对比图。（来源：论文图 3）
肖老师指出，目前 GeoWind2Plan 主要预测的是城市平均风场，尚未充分考虑瞬时湍流的影响。而对于实际飞行中的无人机来说，复杂的湍流不仅影响能耗，也可能威胁飞行安全。
如果未来能够进一步提高对湍流的预测能力，系统就有望提前识别潜在的危险区域，帮助无人机避开不利的飞行环境。此外，真实城市的风场也远比模拟环境复杂。研究团队正在探索利用少量现场观测数据，对模型进行进一步校准，以缩小模拟与现实之间的差距。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
