《Scientific Reports》：Physics-guided residual learning for phase-aware UAV trajectory prediction in urban environments
编辑推荐：
可靠且准确的轨迹预测对无人机（UAV）在复杂城市环境中的安全高效运行至关重要，在此类环境中，飞行动力学受到风扰动、密集障碍物场以及强烈的相位依赖行为的影响。传统的基于物理的方法受限于参数不确定性、简化假设和未建模扰动，而数据驱动模型在跨不同飞行阶段可能缺乏物理
可靠且准确的轨迹预测对无人机（UAV）在复杂城市环境中的安全高效运行至关重要，在此类环境中，飞行动力学受到风扰动、密集障碍物场以及强烈的相位依赖行为的影响。传统的基于物理的方法受限于参数不确定性、简化假设和未建模扰动，而数据驱动模型在跨不同飞行阶段可能缺乏物理合理性和鲁棒性。为解决这些局限，本文提出了一种物理引导的混合残差校正框架用于无人机轨迹预测。该方法将基于物理的模型与数据驱动的序列模型相结合，并学习一种残差校正机制，以补偿解析预测与观测飞行行为之间的偏差。此外，模型在训练过程中引入物理引导的可行性正则化，以促进合理的速度、加速度、加加速度和着陆下降行为。在真实世界测试集上的实验评估表明，与独立物理模型、LSTM模型及基于MLP的融合模型相比，所提方法在所有主要指标（包括RMSE、MAE、ADE和FDE）上均取得了更优的结果。分阶段分析进一步表明，巡航和着陆阶段性能提升显著，同时凸显起飞阶段是最具挑战性的阶段。结果表明，将物理结构与学习式残差校正相结合，为无人机轨迹预测提供了一种更准确、物理一致且具备运行可解释性的方法。
**物理引导的残差学习用于城市环境中的相位感知无人机轨迹预测：论文解读**
**1. 研究背景与问题**
随着城市空中交通（UAM）概念的兴起，无人机（UAV）在监视、应急响应、物流配送等城市运行场景中的应用日益广泛。在这些应用中，高精度的轨迹预测是实现安全导航、冲突检测、碰撞风险评估、飞行规划及空域管理的基础。然而，与开放空域不同，城市环境中的建筑物、受限飞行走廊、湍流及空间变化的风场，以及起飞和着陆阶段快速变化的运行条件，对轨迹预测模型提出了独特挑战。
当前主流的轨迹预测方法主要分为两类：一类是基于物理的方法，依赖运动学或动力学方程进行机制可解释的运动传播，但受限于参数不确定性、简化假设（如刚体动力学和稳态风）以及难以显式建模的未建模扰动，在复杂城市环境中预测性能会显著下降。另一类是数据驱动的方法，可直接从遥测数据中学习非线性时间依赖关系，但纯粹的数据驱动预测器可能需要大量代表性数据，在训练条件之外泛化能力较差，且可能产生统计上准确但物理上不合理的轨迹。此外，无人机在不同飞行阶段（起飞、巡航、着陆）的运动特性差异显著，而现有模型往往将轨迹视为同质序列，忽略了这种相位依赖性。同时，真实数据集中普遍存在类别不平衡问题，巡航阶段数据占主导，而起飞和着陆等安全关键阶段数据较少，导致模型在这些少数类阶段性能不佳。因此，亟需一种能够结合物理一致性与数据适应能力、并显式考虑飞行阶段差异的混合预测框架。
**2. 研究内容与结论**
为弥补上述研究空白，研究人员提出了一种物理引导的混合残差校正框架（PGRL）。该框架的核心思想是：由数据驱动的LSTM预测作为轨迹主干，基于物理的模型作为结构化引导信号，以输入特征和训练目标中的一致性项的形式参与，并由一个学习的门控机制控制物理信息校正的强度。研究得出以下主要结论：单独的物理模型或数据驱动模型均无法实现最佳整体性能，两者具有互补优势；所提出的PGRL模型在整体精度、分阶段性能和物理可行性方面均优于独立物理模型、LSTM模型和MLP融合基线。该研究为城市环境中安全关键型无人机运行提供了一种更准确、物理一致且具备运行可解释性的轨迹预测途径，相关成果发表于《Scientific Reports》。
**3. 主要关键技术方法**
研究人员使用了以下关键技术方法：
- **风感知的六自由度（6-DOF）灰箱动力学模型**：构建了包含位置、速度、姿态四元数和角速度的13维状态向量，建模重力、各向异性气动阻力、推力饱和及姿态倾斜约束，并采用四阶龙格-库塔（RK4）数值积分方法进行闭环保真。
- **数据驱动的长短期记忆（LSTM）网络**：采用编码器-解码器架构，使用6秒输入窗口预测30秒未来轨迹，并通过贝叶斯超参数优化（Optuna）确定最优配置。
- **自适应多层感知机（MLP）融合模型**：将物理模型和LSTM模型的输出拼接后输入MLP，学习非线性融合规则。
- **物理引导残差学习（PGRL）框架**：构建由主干网络、校正网络和门控网络组成的残差融合结构，训练目标结合多步预测误差与物理引导可行性正则化项。
- **数据划分与预处理**：基于完整飞行任务进行分组划分（前280架次作训练集），避免数据泄露；采用缺失值填充、异常值截断、最小-最大归一化及滑动窗口序列构造。数据集来源于公开二手数据源。
**4. 研究结果**
**整体定量性能**：与独立物理模型相比，PGRL将RMSE降低约45.8%，MAE降低76.3%，ADE降低28.9%；与LSTM模型相比，PGRL在RMSE、MAE、ADE和FDE四项指标上均有所改善。物理模型误差最大，LSTM次之，MLP融合模型在MAE上反而劣于LSTM，而PGRL在所有指标上取得最优结果。
**跨飞行阶段对比分析**：起飞阶段是所有学习型预测器面临的最大挑战，PGRL在此阶段取得了最佳MAE（2.904 m），但物理模型在该阶段取得了最佳RMSE和ADE。巡航阶段，PGRL在所有指标上均优于LSTM，取得最低RMSE（1.969 m）和FDE（3.134 m）。着陆阶段整体误差最小，PGRL在RMSE、MAE、ADE上取得最优值。
**预测轨迹的物理可行性**：物理模型的轨迹最为平滑，但PGRL在学习型模型中取得最佳物理可行性平衡。PGRL在所有阶段均实现零速度违例率，并在所有阶段取得比LSTM和MLP融合更低的加速度均方根；在着陆阶段，PGRL的下沉速率违例率（0.002）远低于LSTM（0.032）和MLP融合（0.030）。
**混合模型变体对比分析**：消融式比较表明，PGRL的增益并非来自物理或数据单一来源，而是源于将基于物理的预测作为结构化基线并学习数据驱动的残差校正。直接MLP融合虽能改善部分误差指标，但其整体FDE高于LSTM，且产生最高速度违例率和最大的加速度、加加速度值。
**定性轨迹比较**：PGRL模型在三维空间中与实测轨迹表现出最一致的定性吻合，其预测路径比物理模型更贴近真实轨迹，且总体上优于LSTM预测，证实了残差校正策略有助于减少轨迹漂移并保持结构化预测形式。
**5. 讨论与结论**
讨论部分指出，预测难度强烈依赖于飞行阶段：巡航和着陆阶段混合模型处理良好，而起飞仍是所有学习型预测器最困难的阶段。物理可行性分析表明，较低的数值误差并不自动意味着更真实的运动，将物理引导与学习式残差校正相结合的方式比单独使用任一方法或简单融合更为有效。
研究结论可总结为：混合预测比独立预测更有效，但集成方式至关重要。直接MLP融合会相对于LSTM降低整体RMSE、MAE、ADE和FDE，并产生物理上最不可行的轨迹；而结构化的多步PGRL公式在所有整体指标上取得最佳精度，在巡航和着陆阶段取得最佳分阶段性能，并在学习型模型中表现出最强的物理可行性。研究局限性包括：物理模型为简化灰箱先验，未显式建模完整控制器动力学、执行器延迟和详细空气动力学；评估基于单一数据集，风扰动建模为恒定风矢量；未来工作应针对起飞阶段改进相位感知建模和残差设计，并探索数字孪生（DT）驱动的实时部署架构。
