Volumetrická predikce vetru z UAV měření

Abstract

Létání bezpilotního letounu (UAV) v městském prostředí je náročné kvůli složitým větrným jev\r{u}m způsobeným budovami, ulicemi a dalšími překážkami. Tyto prvky vytvářejí turbulence, poryvy a lokalizované víry, které mohou destabilizovat let. Konvenční metody predikce větru, jako jsou numerické předpovědi počasí, postrádají prostorové rozlišení potřebné pro let v nízkých výškách, zatímco vysoce přesné modely výpočetní dynamiky tekutin (CFD) jsou příliš pomalé pro použití v reálném čase. Tato práce představuje neuronovou síť, která predikuje časově průměrovaná větrná pole na základě městské geometrie a mezoměřítkových měření větru. Přístup kombinuje učení na datech generovaných pomocí CFD s následnou fázi učení z trajektorií UAV simulovaných pomocí diferenciovatelného dynamického modelu UAV. Tento proces je veden fyzikálně založenými ztrátovými funkcemi. Oba přístupy jsou trénovány a validovány na základě CFD simulací. Neuronový prediktor prokazuje schopnost přesně odhadovat větrná pole v malých městských oblastech v reálnym čase a jeho výstup je vhodný pro úlohy vysoké úrovně v rozhodovacích procesech UAV, jako je plánování trajektorie.Flying unmanned aerial vehicles (UAV) in urban environments is challenging due to complex wind patterns caused by buildings, streets, and other obstacles. These generate turbulences, gusts, and localized vortices that can destabilize flight. Conventional wind prediction methods like Numerical Weather Prediction lack the spatial resolution needed for low-altitude flight, while high-fidelity Computational Fluid Dynamics (CFD) models are too slow for real-time use. This thesis presents a neural network that predicts time-averaged wind fields from urban geometry and mesoscale wind measurements. The approach combines supervised learning on CFD-generated data with a self-supervised refinement phase that learns from simulated UAV trajectories. A differentiable UAV dynamics model and physics-informed losses guide this refinement process. Both approaches are trained and validated using CFD simulations. The neural predictor is shown to produce accurate wind estimates in small urban environments, with output suitable for high-level UAV decision-making tasks such as path planning.