This thesis focuses on the quadcopter sector, which has recently garnered significant interest for various applications such as inspection, security and surveillance (including border patrols and monitoring of sensitive areas, as well as rapid response to emergencies and disasters), and more. Therefore, advancing these algorithms is of great interest to the research community to enhance the efficiency of drones in these contexts. When flying in the mountains or close to hills, the drone is often subject to wind on its vertical axis. Having a reliable estimate of the vertical wind is essential to guarantee good flight stability in these conditions. Understanding the wind affecting the drone will enable to account for this disturbance in the control and other algorithms, leading to more robust and efficient drone performance. In this thesis, a hybrid machine learning approach is utilized, combining a simple physical model that describes the thrust generated by the propellers as a function of motor speeds, motor currents, and roll and pitch angles, with a supervised learning method to predict vertical airspeed. The proposed solution uses motor currents, rotor speeds, derivatives of rotor speeds, the roll and pitch information and a feed-forward model. The proposed architecture is trained using experimental data gathered during outdoor flights on different types of drones. The method is evaluated on drones of the same type and on different types of drone. The proposed method is compared to a baseline model that attempts to solve the same problem using third-order polynomial regression. The proposed method outperforms the linear regression model, with an average prediction error of less than one meter per second. The model successfully captures both acceleration and steady-state phases. However, challenges persist in generalizing the model from one drone to another. The research community, particularly those interested in drone technology and learning-based methods, could find this work valuable.

Detta examensarbete fokuserar på drönarsektorn, som nyligen har fått stort intresse för olika applikationer som inspektion, säkerhet med mera. Därför är det av stort intresse för forskarvärlden att utveckla algoritmer för att förbättra drönarnas effektivitet i dessa sammanhang. När man flyger i bergen eller nära kullar utsätts drönaren ofta för vind på sin vertikala axel. Att ha en tillförlitlig uppskattning av den vertikala vinden är avgörande för att garantera god flygstabilitet under dessa förhållanden. Att förstå vinden som påverkar drönaren kommer att göra det möjligt att ta hänsyn till denna störning i kontrollen och andra algoritmer, vilket leder till mer robust och effektiv drönarprestanda. I denna rapport används en hybrid maskininlärningsmetod, som kom- binerar en enkel fysisk modell som beskriver dragkraften som genereras av propellrarna som en funktion av motorhastigheter, motorströmmar och drönarens vinklar, med en övervakad inlärningsmetod för att förutsäga vertikal flyghastighet. Den föreslagna arkitekturen tränas med hjälp av experimentell data som samlats in under utomhusflyg på olika typer av drönare. Metoden utvärderas på drönare av samma typ och på olika typer av drönare. Den föreslagna metoden jämförs med en modell baserad på tredje ordningens polynomregression. Den föreslagna metoden överträffar den linjära regressionsmodellen, med ett genomsnittligt prediktionsfel på mindre än en meter per sekund. Modellen fångar framgångsrikt både accelerations- och stationära faser. Men utmaningarna kvarstår med att generalisera modellen från en drönare till en annan. Forskarvärlden, särskilt de som är intresserade av drönarteknik och lärandebaserade metoder, skulle kunna finna detta arbete värdefullt.