城市无人机配送中，最短路径未必最节能。面对复杂多变的城市风场，如何平衡飞行路线与能耗成为关键难题。近日，田纳西大学、康考迪亚大学、麦吉尔大学及加州理工学院的研究团队联合提出 GeoWind2Plan 框架，通过将城市三维风场快速预测与无人机路径规划相结合，显著提升了飞行能效。
该研究由秦少翔、赵禹程等人完成，田纳西大学肖熊烨、康考迪亚大学王良柱及加州理工学院 Anima Anandkumar 担任通讯作者。实验数据显示，在模拟逆风环境下，该系统规划的航线可实现平均 12.7% 的节能效果，且局部风场预测耗时仅约 3 秒。
(来源:肖熊烨（DUAL）的主页)
突破计算瓶颈：从8小时到3秒的风场预测
城市建筑密集，气流受建筑物遮挡、加速或绕流影响，形成复杂的局部三维风场。传统计算流体力学（CFD）方法虽能提供高保真风场数据，但计算成本极高。例如，一个1.2公里尺度、米级分辨率的城市场景，CFD模拟需耗时约8小时，无法满足无人机即时任务的需求。
GeoWind2Plan 采用 3D 傅里叶神经算子（FNO）作为核心预测模型，通过从历史 CFD 数据中学习建筑几何与风场的映射关系，实现快速推断。为解决高分辨率三维网格数据量大及训练样本不足的问题，团队引入了多项创新策略：
首先，利用射线投射法提取建筑几何特征。系统从各位置向多方向发射射线，记录触及建筑物的距离。这一方法能有效呈现街道通道、建筑遮挡及周边开敞程度，帮助模型聚焦于对气流有直接影响的关键建筑结构，过滤无关信息。
其次，通过旋转坐标系适应风向变化。系统将城市建筑旋转至与背景风向对齐的参考坐标系进行预测，随后将结果转回原坐标系。这种方法将风向变化转化为建筑布局的变化，大幅减少了对不同来流角度训练数据的需求。
最后，利用物理规律简化风速调整。在建筑布局和风向不变的情况下，风速变化通常呈比例关系。系统只需根据实际风速与参考风速的比例调整预测结果，无需重新运行模型。
局部预测策略：兼顾效率与精度
无人机执行任务通常仅涉及城市局部区域。GeoWind2Plan 采取“只算局部”的策略，训练时将完整城市风场划分为多个局部空间块，让模型学习局部建筑结构与气流的关系；预测时仅计算起终点相关区域。
这种设计不仅降低了计算量，还通过提取大量局部样本增强了模型的泛化能力。多方向距离特征在切块前基于整座城市计算，确保每个小块仍包含外部建筑的影响信息。预测完成后，系统对各空间块进行拼接和平滑处理，生成完整的三维风场。
图｜GeoWind2Plan 的架构（来源：论文图 1）
实验表明，当预测区域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 15 秒缩短至 3 秒，且规划航线的能耗几乎无损失。若比例降至 10%，在遇到横跨预测区的高层建筑时，可能因空间不足导致路径规划失败。因此，20% 的比例在计算效率与规划安全性之间取得了最佳平衡。
智能路径规划：逆风节能率达12.7%
获得风场预测后，系统需将其转化为节能飞行策略。无人机能耗受飞行距离、风向、风速及自身速度多重因素影响。悬停和低速飞行虽阻力小但耗时长，高速飞行则瞬时能耗高。GeoWind2Plan 引入三维风场能耗模型，综合评估不同方案的总能耗。
规划阶段，系统利用快速探索随机树（RRT）算法生成多条避障候选路线，并结合预测风场进行优化。无人机可在连续三维空间中灵活调整方向、高度和速度，例如偏离直线以避开强逆风区，或利用建筑形成的有利气流。
在未参与训练的城市街区测试中，与传统不考虑风场的规划相比，GeoWind2Plan 在顺风、逆风和侧风任务中的平均能耗分别降低 6.9%、12.7% 和 4.5%。值得注意的是，尽管使用的是 AI 预测风场而非高精度 CFD 数据，其规划结果仍实现了后者大部分的节能收益，证明捕捉关键风场特征比追求极致精度更具实用价值。
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）
物理知识与AI融合：未来展望
GeoWind2Plan 的核心理念在于利用已有物理知识简化复杂问题。这一思路同样体现在团队的另一项研究 ScaleSplit-NO 中，该研究针对湍流预测，将大尺度全局流动与小尺度局部变化分离建模，在降低显存占用 79% 的同时，将单步预测误差降低了 53%。
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）
目前，GeoWind2Plan 主要预测平均风场，尚未充分涵盖瞬时湍流对飞行安全的影响。未来，团队计划提升湍流预测能力以识别危险区域，并利用少量现场观测数据校准模型，缩小模拟环境与真实城市风场的差距，推动技术从实验室走向实际应用。
（来源：arXiv）
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）
注：封面/首图由 AI 辅助生成