# 时间卷积网络

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。

该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。

该研究以先前训练的时序卷积网络抹香鲸咔嗒声序列检测器为起点，在四个来源（BAL、CS、ICE、MED）上比较四种迁移方案——跨数据集基线评估、仅用500条目标录音从头训练、预训练后随机微调、预训练后主动（基于不确定性）微调——发现预训练模型在未见数据上性能下降，但用500条目标录音微调可有效缓解下降，主动微调在所有目标集上持续优于其他方案，不过相对随机微调的提升有限。