FR3127616A1 - Aerial avoidance management process - Google Patents
Aerial avoidance management process Download PDFInfo
- Publication number
- FR3127616A1 FR3127616A1 FR2110126A FR2110126A FR3127616A1 FR 3127616 A1 FR3127616 A1 FR 3127616A1 FR 2110126 A FR2110126 A FR 2110126A FR 2110126 A FR2110126 A FR 2110126A FR 3127616 A1 FR3127616 A1 FR 3127616A1
- Authority
- FR
- France
- Prior art keywords
- aircraft
- fuzzy
- avoidance
- tree
- instructions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 title description 2
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- WFAULHLDTDDABL-UHFFFAOYSA-N Proxazole citrate Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O.C=1C=CC=CC=1C(CC)C1=NOC(CCN(CC)CC)=N1 WFAULHLDTDDABL-UHFFFAOYSA-N 0.000 description 8
- 238000005457 optimization Methods 0.000 description 3
- 235000021183 entrée Nutrition 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
- G08G5/0021—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located in the aircraft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0052—Navigation or guidance aids for a single aircraft for cruising
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0078—Surveillance aids for monitoring traffic from the aircraft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/04—Anti-collision systems
- G08G5/045—Navigation or guidance aids, e.g. determination of anti-collision manoeuvers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
La présente invention propose un procédé mis en œuvre par ordinateur de guidage d’un aéronef en vue d’éviter une collision avec un objet volant dit objet intrus, l’aéronef comprenant une pluralité de capteurs configurés pour fournir une pluralité de données relatives à la détection d’un objet intrus, et un module de traitement de données configuré pour : - générer des paramètres de caractérisation de l’environnement de l’aéronef à partir de données capteurs relatives à la détection d’un objet intrus ; - opérer un arbre génétique flou avec au moins lesdits paramètres, l’arbre génétique flou ayant été sélectionné dans une phase d’apprentissage consistant à évaluer la performance d’un arbre génétique flou par une fonction de récompense qui prend en compte la réussite d’un évitement aérien pour une pluralité de scenarii de vols fictifs dudit aéronef en utilisant une loi de guidage donnée ; et - transmettre des consignes de guidage de l’aéronef, lesdites consignes correspondant à des commandes d’évitement de l’objet intrus. Figure pour l’abrégé : Fig.8The present invention proposes a method implemented by computer for guiding an aircraft with a view to avoiding a collision with a flying object called an intruder object, the aircraft comprising a plurality of sensors configured to provide a plurality of data relating to the detection of an intruding object, and a data processing module configured to: - generate parameters for characterizing the environment of the aircraft from sensor data relating to the detection of an intruding object; - operating a fuzzy genetic tree with at least said parameters, the fuzzy genetic tree having been selected in a learning phase consisting in evaluating the performance of a fuzzy genetic tree by a reward function which takes into account the success of aerial avoidance for a plurality of hypothetical flight scenarios of said aircraft using a given guidance law; and - transmitting instructions for guiding the aircraft, said instructions corresponding to commands for avoiding the intruder object. Figure for the abstract: Fig.8
Description
Domaine de l’inventionField of invention
L’invention est dans le domaine technique de la gestion de la navigation d’aéronefs, et concerne plus particulièrement un procédé de gestion d’évitement aérien.The invention is in the technical field of aircraft navigation management, and relates more particularly to a method of air avoidance management.
Etat de la TechniqueState of the art
L’insertion de véhicules volants autonomes dans le trafic aérien est un défi majeur pour les utilisateurs de ces véhicules et les sociétés de régulation sont confrontées à un nombre croissant d’utilisateurs de cet espace aérien.The insertion of autonomous flying vehicles into air traffic is a major challenge for the users of these vehicles and the regulatory companies are faced with an increasing number of users of this airspace.
Il ressort un risque de plus en plus présent de collision aérienne entre véhicules volants, un véhicule volant au sens de la présente invention pouvant être un aéronef (avion ou hélicoptère), ou encore tout véhicule autonome sans humain à bord et équipé d'un système de pilotage automatique qui lui permet de circuler dans l’espace aérien sans intervention humaine dans des conditions de circulation réelles. Ce type de véhicule autonome est généralement désigné par drone ou UAV pour « Unmanned Aerial Vehicle » ou UAS pour « Unmanned Aircraft system ».An increasingly present risk of aerial collision between flying vehicles emerges, a flying vehicle within the meaning of the present invention being able to be an aircraft (plane or helicopter), or even any autonomous vehicle without a human on board and equipped with a system automatic pilot that allows it to circulate in the airspace without human intervention in real traffic conditions. This type of autonomous vehicle is generally referred to as a drone or UAV for “Unmanned Aerial Vehicle” or UAS for “Unmanned Aircraft system”.
Des systèmes d’évitement aériens existent, cependant les systèmes attendus doivent répondre à cette nouvelle problématique de nombre et de nature diverse des aéronefs.Aerial avoidance systems exist, however the expected systems must respond to this new problem of number and diverse nature of aircraft.
En effet, même en supposant qu’un aéronef pouvant amener un risque de collision avec un autre aéronef ou porteur, soit correctement caractérisé à proximité de ce porteur, la combinatoire de la manœuvre d’évitement à réaliser est extrêmement vaste en raison du nombre de paramètres impliqués et de la spécificité de ceux-ci.Indeed, even supposing that an aircraft which could bring about a risk of collision with another aircraft or carrier, is correctly characterized near this carrier, the combination of the avoidance maneuver to be carried out is extremely vast due to the number of parameters involved and their specificity.
De plus, l’évitement dépend non seulement de l’aéronef sur lequel le dispositif d’évitement est équipé, mais également de la nature de l’autre aéronef.Moreover, avoidance depends not only on the aircraft on which the avoidance device is equipped, but also on the nature of the other aircraft.
Cet évitement est d’autant plus critique dans le cas de vols autonomes, le système d’évitement devant alors prendre la main sur les commandes de l’aéronef.This avoidance is all the more critical in the case of autonomous flights, the avoidance system then having to take over the controls of the aircraft.
Les solutions d’évitement aérien de l’état de l’art, sont généralement basées sur l’intelligence artificielle avec des mécanismes d’apprentissage, utilisant soit des systèmes d’inférence flous mais qui sont définis sans processus d’optimisation, soit des logiques d’optimisation qui posent un problème d’interprétabilité ou d’explicabilité, i.e. la capacité d'expliquer ou de présenter une information dans des termes humainement compréhensibles.State-of-the-art aerial avoidance solutions are generally based on artificial intelligence with learning mechanisms, using either fuzzy inference systems but which are defined without an optimization process, or optimization logics that pose a problem of interpretability or explainability, i.e. the ability to explain or present information in humanly understandable terms.
La problématique de l’interprétabilité, i.e. le niveau de compréhension du fonctionnement d’un modèle d’apprentissage, est récente mais néanmoins majeure pour les prises de décision autonomes, en particulier dans des environnements comme celui de l’aérien, et plus spécifiquement celui de l’évitement aérien.The problem of interpretability, i.e. the level of understanding of the functioning of a learning model, is recent but nevertheless major for autonomous decision-making, in particular in environments such as that of the air, and more specifically that of aerial avoidance.
Aussi, il existe un besoin pour des systèmes et des procédés améliorés d’évitement aérien.Also, there is a need for improved aerial avoidance systems and methods.
La présente invention répond à ce besoin.The present invention meets this need.
Un objet de la présente invention est un procédé d’évitement aérien mettant en œuvre des systèmes d’inférence flou utilisant un algorithme génétique comme méthode d’optimisation.An object of the present invention is an aerial avoidance method implementing fuzzy inference systems using a genetic algorithm as an optimization method.
Un autre objet de l’invention est un dispositif d’évitement pour véhicule volant, ayant pour principales applications les vols autonomes pour drone, les opérations qui s’effectuent hors vue du télépilote, dites « Beyond Visual Line of Sight » (BVLOS). Le dispositif d’évitement peut être un assistant d’évitement dans les cas d’utilisation où un pilote contrôle un aéronef.Another object of the invention is an avoidance device for a flying vehicle, the main applications of which are autonomous flights for drones, operations which take place out of sight of the remote pilot, known as “Beyond Visual Line of Sight” (BVLOS). The avoidance device can be an avoidance assistant in use cases where a pilot controls an aircraft.
Le domaine d’exploitation de l’invention peut se situer dans toute opération mettant en œuvre un aéronef pouvant entrer en collision avec un objet volant, comme un autre aéronef, l’autre aéronef étant collaboratif ou non.The field of exploitation of the invention can be in any operation implementing an aircraft that can collide with a flying object, such as another aircraft, the other aircraft being collaborative or not.
Avantageusement, le procédé de l’invention permet à un véhicule volant autonome d’éviter une collision potentielle en actionnant les commandes du drone pour l’évitement si son vol est entièrement automatisé, ou en suggérant à un pilote une manœuvre d’évitement.Advantageously, the method of the invention allows an autonomous flying vehicle to avoid a potential collision by activating the controls of the drone for avoidance if its flight is fully automated, or by suggesting an avoidance maneuver to a pilot.
Pour obtenir les résultats recherchés, il est proposé un procédé mis en œuvre par ordinateur de guidage d’un aéronef en vue d’éviter une collision avec un objet volant dit objet intrus, l’aéronef comprenant une pluralité de capteurs configurés pour fournir une pluralité de données relatives à la détection d’un objet intrus, et un module de traitement de données configuré pour :
- générer des paramètres de caractérisation de l’environnement de l’aéronef à partir de données capteurs relatives à la détection d’un objet intrus ;
- opérer un arbre génétique flou avec au moins lesdits paramètres, l’arbre génétique flou ayant été sélectionné dans une phase d’apprentissage consistant à évaluer la performance d’un arbre génétique flou par une fonction de récompense qui prend en compte la réussite d’un évitement aérien pour une pluralité de scenarii de vols fictifs dudit aéronef en utilisant une loi de guidage donnée ; et
- transmettre des consignes de guidage de l’aéronef, lesdites consignes correspondant à des commandes d’évitement de l’objet intrus.To obtain the desired results, there is proposed a method implemented by computer for guiding an aircraft in order to avoid a collision with a flying object called an intruder object, the aircraft comprising a plurality of sensors configured to provide a plurality data relating to the detection of an intruding object, and a data processing module configured for:
- generating parameters for characterizing the environment of the aircraft from sensor data relating to the detection of an intruding object;
- operating a fuzzy genetic tree with at least said parameters, the fuzzy genetic tree having been selected in a learning phase consisting in evaluating the performance of a fuzzy genetic tree by a reward function which takes into account the success of aerial avoidance for a plurality of hypothetical flight scenarios of said aircraft using a given guidance law; And
- Transmit instructions for guiding the aircraft, said instructions corresponding to commands for avoiding the intruder object.
Dans un mode de réalisation, la phase d’apprentissage est réalisée par des moyens de simulation, et comprend les étapes suivantes :
- définir la structure d’un arbre génétique flou à partir d’une pluralité de systèmes d’inférence flous, chacun des systèmes d’inférence flous mettant en œuvre une pluralité de fonctions d’appartenance et une ou plusieurs règles floues ; et définir des paramètres d’entrée de l’arbre génétique flou et des données de sorties de l’arbre génétique flou dites consignes de guidage;
- définir une pluralité de scenarii de vols fictifs pour ledit aéronef représentant des situations d’évitements d’objets intrus, en utilisant une loi de guidage donnée ;
- définir une fonction de récompense pour l’évaluation de la performance de l’arbre génétique flou ;
- entrainer l’arbre génétique flou, l’entrainement de l’arbre génétique flou comprenant des étapes consistant à :
- réaliser selon des consignes de guidage des procédures d’évitement aérien pour la pluralité de scenarii et de paramètres d’entrée ;
- évaluer la performance de l’arbre génétique flou par une fonction de récompense qui prend en compte la réussite de l’évitement aérien ;
- favoriser les arbres génétiques flous qui maximisent la fonction de récompense ;
- sélectionner l’arbre génétique flou ayant la meilleure fonction de récompense.In one embodiment, the learning phase is carried out by simulation means, and comprises the following steps:
- defining the structure of a fuzzy genetic tree from a plurality of fuzzy inference systems, each of the fuzzy inference systems implementing a plurality of membership functions and one or more fuzzy rules; and defining input parameters of the fuzzy genetic tree and output data of the fuzzy genetic tree called guidance instructions;
- define a plurality of fictitious flight scenarios for said aircraft representing intruder object avoidance situations, using a given guidance law;
- define a reward function for evaluating the performance of the fuzzy genetic tree;
- training the fuzzy gene tree, training the fuzzy gene tree comprising steps of:
- carry out, according to guidance instructions, aerial avoidance procedures for the plurality of scenarios and input parameters;
- evaluate the performance of the fuzzy genetic tree by a reward function that takes into account the success of aerial avoidance;
- favoring fuzzy gene trees that maximize reward function;
- select the fuzzy genetic tree with the best reward function.
Dans un mode de réalisation, l’arbre génétique flou est optimisé par un algorithme génétique.In one embodiment, the fuzzy genetic tree is optimized by a genetic algorithm.
Dans un mode de réalisation, l’étape de générer des paramètres de caractérisation de l’environnement de l’aéronef à partir d’une pluralité de données capteurs relatives à la détection d’un objet intrus comprend l’étape de calculer au moins des paramètres relatifs à :
- des données de vitesse relative de l’aéronef par rapport à l’objet intrus;
- des données de différence de vitesses horizontales et verticales de l’aéronef et de l’objet intrus;
- des distances séparant l’aéronef dudit objet intrus.In one embodiment, the step of generating parameters for characterizing the environment of the aircraft from a plurality of sensor data relating to the detection of an intruding object comprises the step of calculating at least parameters relating to:
- relative speed data of the aircraft with respect to the intruding object;
- horizontal and vertical speed difference data of the aircraft and of the intruding object;
- distances separating the aircraft from said intruder object.
Dans un mode de réalisation, l’évaluation de la performance de l’arbre génétique flou est faite par une fonction de récompense composée de différents indicateurs, comme par exemple un indicateur de sécurité et un indicateur de performance.In one embodiment, the evaluation of the performance of the fuzzy genetic tree is made by a reward function composed of different indicators, such as for example a security indicator and a performance indicator.
Dans un mode de réalisation, l’indicateur de sécurité prend en compte la distance minimale entre l’aéronef et l’objet intrus lors de l’évitement, et le fait que l’objet intrus soit entré dans un volume de sécurité ou dans un volume de collision avec l’aéronef.In one embodiment, the security indicator takes into account the minimum distance between the aircraft and the intruder object during avoidance, and the fact that the intruder object has entered a security volume or a collision volume with the aircraft.
Dans un mode de réalisation, l’indicateur de performance prend en compte le temps pris pour réaliser la procédure d’évitement, ou encore le pourcentage de temps passé à effectuer une action de rotation.In one embodiment, the performance indicator takes into account the time taken to perform the avoidance procedure, or even the percentage of time spent performing a rotation action.
Dans un mode de réalisation, l’étape de transmettre des consignes de guidage de l’aéronef consiste à transmettre des commandes permettant une procédure d’évitement latéral, ou des commandes permettant une procédure d’évitement horizontal ou des commandes permettant une procédure d’évitement latéral et horizontal.In one embodiment, the step of transmitting aircraft guidance instructions consists in transmitting commands allowing a lateral avoidance procedure, or commands allowing a horizontal avoidance procedure or commands allowing a lateral and horizontal avoidance.
Dans un mode de réalisation, l’étape de transmettre des consignes de guidage de l’aéronef consiste à transmettre ces consignes à un système de pilotage automatique dudit aéronef.In one embodiment, the step of transmitting instructions for guiding the aircraft consists in transmitting these instructions to an automatic pilot system of said aircraft.
Dans un mode de réalisation, l’invention est implémentée dans un dispositif de guidage d’aéronef qui comprend des moyens pour mettre en œuvre le procédé d’évitement aérien.In one embodiment, the invention is implemented in an aircraft guidance device which comprises means for implementing the aerial avoidance method.
L’invention porte aussi sur un produit programme d’ordinateur qui comprend des instructions de code permettant d’effectuer les étapes du procédé d’évitement aérien, lorsque le programme est exécuté sur un ordinateur.The invention also relates to a computer program product that includes code instructions for performing the steps of the aerial avoidance method, when the program is executed on a computer.
L’invention a aussi pour objet un procédé mis en œuvre par ordinateur d’apprentissage d’un modèle algorithmique de guidage d’un aéronef en vue d’éviter une collision avec un autre aéronef dit aéronef intrus, le procédé d’apprentissage comprenant les étapes suivantes :
- définir la structure d’un arbre génétique flou à partir d’une pluralité de systèmes d’inférence flous, chacun des systèmes d’inférence flous mettant en œuvre une pluralité de fonctions d’appartenance et une ou plusieurs règles floues ;
- définir des paramètres d’entrée de l’arbre génétique flou et des données de sorties de l’arbre génétique flou dites consignes de guidage;
- définir une pluralité de scenarii de vols fictifs pour ledit aéronef représentant des situations d’évitements d’aéronefs intrus, en utilisant une loi de guidage donnée ;
- définir une fonction de récompense pour l’évaluation de la performance de l’arbre génétique flou ;
- entrainer l’arbre génétique flou, l’entrainement de l’arbre génétique flou comprenant des étapes consistant à :
- réaliser selon des consignes de guidage des procédures d’évitement aérien pour la pluralité de scenarii et de paramètres d’entrée ;
- évaluer la performance de l’arbre génétique flou par une fonction de récompense qui prend en compte la réussite de l’évitement aérien ;
- favoriser les arbres génétiques flous qui maximisent la fonction de récompense ;
et
- sélectionner l’arbre génétique flou ayant la meilleure fonction de récompense.The invention also relates to a method implemented by computer for learning an algorithmic model for guiding an aircraft with a view to avoiding a collision with another aircraft, called an intruder aircraft, the learning method comprising the following steps :
- defining the structure of a fuzzy genetic tree from a plurality of fuzzy inference systems, each of the fuzzy inference systems implementing a plurality of membership functions and one or more fuzzy rules;
- defining input parameters of the fuzzy genetic tree and output data from the fuzzy genetic tree called guidance instructions;
- defining a plurality of fictitious flight scenarios for said aircraft representing avoidance situations of intruding aircraft, using a given guidance law;
- define a reward function for evaluating the performance of the fuzzy genetic tree;
- training the fuzzy genetic tree, the training of the fuzzy genetic tree comprising steps consisting of:
- carry out, according to guidance instructions, aerial avoidance procedures for the plurality of scenarios and input parameters;
- evaluate the performance of the fuzzy genetic tree by a reward function that takes into account the success of aerial avoidance;
- favoring fuzzy genetic trees that maximize the reward function;
And
- select the fuzzy genetic tree with the best reward function.
Description des figuresDescription of figures
D’autres caractéristiques et avantages de l’invention apparaîtront à l’aide de la description qui suit et des figures des dessins annexés dans lesquels :Other characteristics and advantages of the invention will appear with the aid of the following description and the figures of the appended drawings in which:
La
La
La
La
La
La
La
La
Claims (11)
- générer (802) des paramètres de caractérisation de l’environnement de l’aéronef à partir de données capteurs relatives à la détection d’un objet intrus ;
- opérer (804) un arbre génétique flou avec au moins lesdits paramètres, l’arbre génétique flou ayant été sélectionné dans une phase d’apprentissage (700) consistant à évaluer la performance d’un arbre génétique flou par une fonction de récompense qui prend en compte la réussite d’un évitement aérien pour une pluralité de scenarii de vols fictifs dudit aéronef en utilisant une loi de guidage donnée ;
et
- transmettre (806) des consignes de guidage de l’aéronef, lesdites consignes correspondant à des commandes d’évitement de l’objet intrus.A computer-implemented method (800) for guiding an aircraft to avoid a collision with a flying object called an intruder object, the aircraft comprising a plurality of sensors configured to provide a plurality of data relating to the detection of 'an intruder object, and a data processing module configured to:
- generating (802) parameters for characterizing the environment of the aircraft from sensor data relating to the detection of an intruding object;
- operating (804) a fuzzy genetic tree with at least said parameters, the fuzzy genetic tree having been selected in a learning phase (700) consisting in evaluating the performance of a fuzzy genetic tree by a reward function which takes into account the success of aerial avoidance for a plurality of hypothetical flight scenarios of said aircraft using a given guidance law;
And
- Transmitting (806) instructions for guiding the aircraft, said instructions corresponding to commands for avoiding the intruder object.
- définir (702) la structure d’un arbre génétique flou à partir d’une pluralité de systèmes d’inférence flous, chacun des systèmes d’inférence flous mettant en œuvre une pluralité de fonctions d’appartenance et une ou plusieurs règles floues ; et définir (704) des paramètres d’entrée de l’arbre génétique flou et des données de sorties de l’arbre génétique flou dites consignes de guidage;
- définir (706) une pluralité de scenarii de vols fictifs pour ledit aéronef représentant des situations d’évitements d’objets intrus, en utilisant une loi de guidage donnée ;
- définir (708) une fonction de récompense pour l’évaluation de la performance de l’arbre génétique flou ;
- entrainer (710) l’arbre génétique flou, l’entrainement de l’arbre génétique flou comprenant des étapes consistant à :
- réaliser selon des consignes de guidage des procédures d’évitement aérien pour la pluralité de scenarii et de paramètres d’entrée ;
- évaluer la performance de l’arbre génétique flou par une fonction de récompense qui prend en compte la réussite de l’évitement aérien ;
- favoriser les arbres génétiques flous qui maximisent la fonction de récompense ;
- sélectionner (512) l’arbre génétique flou ayant la meilleure fonction de récompense.
- defining (702) the structure of a fuzzy genetic tree from a plurality of fuzzy inference systems, each of the fuzzy inference systems implementing a plurality of membership functions and one or more fuzzy rules; and defining (704) input parameters of the fuzzy genetic tree and output data of the fuzzy genetic tree called guidance instructions;
- define (706) a plurality of fictitious flight scenarios for said aircraft representing intruder object avoidance situations, using a given guidance law;
- defining (708) a reward function for evaluating the performance of the fuzzy gene tree;
- training (710) the fuzzy gene tree, training the fuzzy gene tree comprising steps of:
- carry out, according to guidance instructions, aerial avoidance procedures for the plurality of scenarios and input parameters;
- evaluate the performance of the fuzzy genetic tree by a reward function that takes into account the success of aerial avoidance;
- favoring fuzzy gene trees that maximize reward function;
- selecting (512) the fuzzy gene tree having the best reward function.
- des données de vitesse relative de l’aéronef par rapport à l’objet intrus;
- des données de différence de vitesses horizontales et verticales de l’aéronef et de l’objet intrus;
- des distances séparant l’aéronef dudit objet intrus.
- relative speed data of the aircraft relative to the intruding object;
- horizontal and vertical speed difference data of the aircraft and the intruding object;
- distances separating the aircraft from said intruder object.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110126A FR3127616B1 (en) | 2021-09-27 | 2021-09-27 | Aerial avoidance management method |
| DE102022124047.9A DE102022124047A1 (en) | 2021-09-27 | 2022-09-20 | Procedure for controlling evasive maneuvers in airspace |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110126 | 2021-09-27 | ||
| FR2110126A FR3127616B1 (en) | 2021-09-27 | 2021-09-27 | Aerial avoidance management method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3127616A1 true FR3127616A1 (en) | 2023-03-31 |
| FR3127616B1 FR3127616B1 (en) | 2024-03-22 |
Family
ID=80595079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2110126A Active FR3127616B1 (en) | 2021-09-27 | 2021-09-27 | Aerial avoidance management method |
Country Status (2)
| Country | Link |
|---|---|
| DE (1) | DE102022124047A1 (en) |
| FR (1) | FR3127616B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861241A (en) * | 2023-07-11 | 2023-10-10 | 北京天工科仪空间技术有限公司 | Space debris collision probability prediction method, system, terminal and storage medium based on artificial intelligence |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243383A1 (en) * | 2006-12-12 | 2008-10-02 | Ching-Fang Lin | Integrated collision avoidance enhanced GN&C system for air vehicle |
| US20210089134A1 (en) * | 2019-09-19 | 2021-03-25 | Bao Tran | Air transportation systems and methods |
| US20210103295A1 (en) * | 2019-10-03 | 2021-04-08 | Thales | Machine learning for mission system |
| US20210225182A1 (en) * | 2019-12-31 | 2021-07-22 | Zipline International Inc. | Acoustic based detection and avoidance for aircraft |
-
2021
- 2021-09-27 FR FR2110126A patent/FR3127616B1/en active Active
-
2022
- 2022-09-20 DE DE102022124047.9A patent/DE102022124047A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243383A1 (en) * | 2006-12-12 | 2008-10-02 | Ching-Fang Lin | Integrated collision avoidance enhanced GN&C system for air vehicle |
| US20210089134A1 (en) * | 2019-09-19 | 2021-03-25 | Bao Tran | Air transportation systems and methods |
| US20210103295A1 (en) * | 2019-10-03 | 2021-04-08 | Thales | Machine learning for mission system |
| US20210225182A1 (en) * | 2019-12-31 | 2021-07-22 | Zipline International Inc. | Acoustic based detection and avoidance for aircraft |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861241A (en) * | 2023-07-11 | 2023-10-10 | 北京天工科仪空间技术有限公司 | Space debris collision probability prediction method, system, terminal and storage medium based on artificial intelligence |
| CN116861241B (en) * | 2023-07-11 | 2024-02-20 | 北京天工科仪空间技术有限公司 | Space debris collision probability prediction method and system based on artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102022124047A1 (en) | 2023-03-30 |
| FR3127616B1 (en) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10061316B2 (en) | Control policy learning and vehicle control method based on reinforcement learning without active exploration | |
| US11783568B2 (en) | Object classification using extra-regional context | |
| US11531899B2 (en) | Method for estimating a global uncertainty of a neural network | |
| US20210334651A1 (en) | Learning point cloud augmentation policies | |
| EP3572332A1 (en) | Apparatuses for detecting anomalous aircraft behavior | |
| CN110395257B (en) | Lane line example detection method and device and automatic driving vehicle | |
| US20220390964A1 (en) | Cloud & hybrid-cloud flight vehicle & robotic control system ai & ml enabled cloud-based software & data system method for the optimization and distribution of flight control & robotic system solutions and capabilities | |
| EP4066224A1 (en) | Decision assistance device and method for managing aerial conflicts | |
| CN111874007A (en) | Knowledge and data drive-based unmanned vehicle hierarchical decision method, system and device | |
| Plathottam et al. | Next generation distributed and networked autonomous vehicles | |
| Aibin et al. | Survey of RPAS autonomous control systems using artificial intelligence | |
| FR3127616A1 (en) | Aerial avoidance management process | |
| US11899750B2 (en) | Quantile neural network | |
| CN114724412A (en) | Flight segment terminal visualization system and method for flight segment terminal visualization | |
| CN111959526B (en) | Unmanned vehicle-based control method and device, unmanned vehicle and electronic equipment | |
| US20200192405A1 (en) | Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft | |
| US20230023544A1 (en) | Simulation architecture for safety testing of aircraft monitoring software | |
| CN115311486A (en) | Training distilled machine learning models using pre-trained feature extractors | |
| Smirnov et al. | Knowledge elicitation and representation for module based perceptual capabilities onboard UAVs | |
| Sayal et al. | Introduction to Drone Data Analytics in Aerial Computing | |
| Campbell et al. | Benchmark Problem for Autonomous Urban Air Mobility | |
| EP4138039A2 (en) | System and method for hybrid lidar segmentation with outlier detection | |
| FR3086404A1 (en) | METHOD FOR CONSTRUCTING A MOBILE POINT JOINT PATH, METHOD FOR JOINING A MOBILE POINT, COMPUTER PROGRAM PRODUCT AND RELATED MODULE | |
| Liang et al. | RLaGA: A Reinforcement Learning Augmented Genetic Algorithm For Searching Real and Diverse Marker-Based Landing Violations | |
| US20240029570A1 (en) | Outcome assessment model for artificial intelligence decision makers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230331 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |