风场

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。

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；

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。

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。

GeoWind2Plan就采用了3D傅里叶神经算子（FNO）作为局部风场预测模型。

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。

在论文测试条件下，局部风场预测仅约需3秒；

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。

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。

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？

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？

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。

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。

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。