# 风扰动估计

本文提出WAND，一个面向密集障碍与时变风扰的四旋翼强化学习导航框架：它用时间卷积网络（TCN）从历史本体感知状态估计风致扰动加速度，经零初始化残差模块WindAdapter注入策略，同时复用该估计做底层前馈补偿；在12种风扰仿真设置中，其观测成功率相对仅用前馈补偿平均提升8.3个百分点，室内风扇扰动飞行测试20次成功18次。

本文提出WAND，一个面向密集障碍与时变风扰的四旋翼强化学习导航框架：它用时间卷积网络（TCN）从历史本体感知状态估计风致扰动加速度，经零初始化残差模块WindAdapter注入策略，同时复用该估计做底层前馈补偿；在12种风扰仿真设置中，其观测成功率相对仅用前馈补偿平均提升8.3个百分点，室内风扇扰动飞行测试20次成功18次。