面向风场不确定性的四旋翼无人机风适应引导强化学习轨迹跟踪方法研究

《Drones》：WAGRL: A Wind Adaptive Guidance Framework for Uncertainty-Aware UAV Trajectory Control

　　为应对四旋翼飞行轨迹跟踪中因风场不确定性、决策不一致性及安全风险所带来的挑战，本研究提出了一种风适应引导强化学习（WAGRL）框架。与依赖固定气动模型的传统控制器不同，WAGRL将集成策略学习与不确定性引导的强化学习相结合，以适应性地管理多种风况。通过训练一组数字专家策略来捕捉异质性的风场响应策略，并利用基于集成的估计机制量化认知不确定性，从而实现鲁棒的动作选择。此外，设计了一种由熵驱动的自适应干预模块，实时监控决策置信度，当不确定性超过自适应阈值时激活专家引导。为验证所提框架的有效性，在标称和受风干扰两种环境下进行了大量仿真测试，涵盖方框路径跟踪、几何路径跟随和阵风抑制等场景。结果表明，WAGRL实现了更快的收敛速度、更高的轨迹精度以及更平滑的姿态响应。实际飞行测试进一步证实，WAGRL在户外风扰环境下仍能保持稳定的可靠性能，展现了其在复杂空中环境中实现安全自适应无人机控制的潜力。