CN110111608A - 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 - Google Patents
基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 Download PDFInfo
- Publication number
- CN110111608A CN110111608A CN201910401652.9A CN201910401652A CN110111608A CN 110111608 A CN110111608 A CN 110111608A CN 201910401652 A CN201910401652 A CN 201910401652A CN 110111608 A CN110111608 A CN 110111608A
- Authority
- CN
- China
- Prior art keywords
- track
- scene
- model
- level ground
- machine level
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/06—Traffic control systems for aircraft, e.g. air-traffic control [ATC] for control when on the ground
- G08G5/065—Navigation or guidance aids, e.g. for taxiing or rolling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,基于向量机(SVM)统计分类理论实现运动目标雷达轨迹数据运行路线聚类,采用大数据Hadoop分布式运算架构,结合航空器或车辆的运动学模型,建立目标类型、型号、任务等属性特征和加速度、轨迹角、运动阶段等运动特征相结合的目标特征集;通过对目标特征集和运行意图信息的离线训练与在线测试,开展运行目标场面滑行路线意图分析,构建机坪场面运动目标运行意图识别模型,提高了意图推理能力。
Description
技术领域
本发明属于民用航空空中交通管制(ATC)的机场机坪管制自动化技术领域,具体涉及一种基于雷达轨迹构建机坪场面运动目标运行意图识别的方法。
背景技术
我国航空运输业处于高速发展期,国内机场规模越来越大,逐步形成了多跑道运行、双塔台协同等局面,不断增长的航班量使得塔台管制的工作量逐年增加,多跑道运行也会增加地面引导难度。按照统计,中国民航的航空器起降次数从2003年的211.9万次增加到2015年的856.5万次,2015年的起降次数是2003年的4.04倍,机场场面发生不安全事件的风险随之变得越来越大。
就现在而言,国内一些大型机场装备高级场面活动引导与控制系统(A-SMGCS),具备监视、告警功能,一定程度上提高场面运行安全,但是由于缺乏对航空器或车辆在场面运行意图的预先识别,尤其大部分机场还不具备对车辆运行的监视和预测能力,场面冲突告警不能满足管制员提前预警的要求,因此避免飞机侵入运行跑道以及避免滑行道上各类运行冲突主要依靠管制员通过场面监视雷达及目视观察完成。
目前,对机场场面活动目标进行自动化运行监控已成为世界各国大型机场建设的主要目标之一。一方面,场面运行数据种类、接口方式众多,而且具有封闭性,安全性要求高;如何在不影响机场场面管制运行安全的情况下采集各类数据,体现数据价值成为重要的关键点。另一方面,运行数据体量非常庞大,数据分布特征多样;尤其雷达航迹数据,传统的系统架构和运算方法已经难以满足目标运行意图识别和活动预测相关应用的计算要求。
有鉴于此,本发明的方法结合航空器或车辆的动力和运动学模型,并通过基于Hadoop的海量雷达轨迹数据,分析航空器或车辆在场面活动全航行阶段中的速度、位置等信息,构建场面运动目标运行意图识别模型,并使用实际航迹数据进行实时修正,最后在实际工程项目中完成相关验证工作,为提高了场面活动目标运行预测能力打下基础,从而能够提前解决潜在的冲突,保障航班场面运行安全。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,以解决现有技术中依靠管制员对航空器或车辆运行意图识别、运动位置进行人工预测,很难区别实际环境下的各类航空器或车辆,及对运行意图识别和运动轨迹预测误差大,预测结果偏离高,数据可用性不强的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,包括步骤如下:
步骤1):基于Hadoop的航空器或车辆运行目标特征集;
步骤2):根据机坪场面场地环境,构建该场地的场面运行意图模型,在运动目标机坪场面航行航迹样本库(简称航行航迹样本库)建立的基础上,把航行航迹样本库与场面运行意图模型进行关联,标注出航行航迹样本库所属运行意图模型类别,建立该机场机坪场面(简称本场)的运动目标运行意图识别模型。
进一步地,所述步骤1)具体包括:
11)对机坪场面航空器或车辆的航迹点记录的航迹数据做融合处理,处理后的数据与相应的运行路由计划信息匹配,建立场面运行目标航程记录信息;
12)利用任务类型号和标示号作为唯一性标识,按序列号排序相隔一个航迹点的两个航迹点航程记录信息构建数据文件的映射模型;
13)建立运动目标机坪场面航迹点之间的航向角算法模型;
14)保存Reduce(归约)阶段结果数据作为运动目标机坪场面航行航迹样本库,建立运动目标机坪场面运行航迹样本库。
进一步地,所述步骤11)中运行目标航程记录信息包括:运行目标类型(航空器或车辆)、型号(机型或车型)、任务类型号(航班号或任务单号)、标示号(机尾号/起落地时间或车牌号/任务发布时间)、航迹点、坐标位置、过点时间、过点速度。
需要说明的是,标示号:如航空器由“机尾号”和“起落地时间”拼建,如果为进港航班则采用落地时间,如果为出港航班则采用起飞时间;如车辆由“车牌号”和“任务发布时间”拼建。
以及,航迹数据和路由计划分为航空器和车辆两类;
一、航空器
航迹数据(多条数据):目标类型(航空器)、任务类型号(航班号)、航迹点、坐标位置、过点时间、过点速度;
路由计划(单条数据):目标类型(航空器)、型号(机型)、任务类型号(航班号)、机尾号、起落地时间、挡轮档时间(或撤轮档时间);
航迹数据和路由计划通过目标类型和任务类型号建立关联,如进港航班,则取航迹数据记录“过点时间”在路由计划记录“落地时间”和“挡轮档时间”之间数据;如出港,则取路由计划记录“撤轮档时间”和“起飞时间”之间数据。
二、车辆
航迹数据(多条数据):目标类型(车辆)、任务类型号(任务单号)、航迹点、坐标位置、过点时间、过点速度;
路由计划(单条数据):目标类型(车辆)、型号(车型)、任务类型号(任务单号)、车牌号、任务发布时间、任务结束时间;
航迹数据和路由计划通过目标类型和任务类型号建立关联,取航迹数据记录“过点时间”在路由计划记录“任务发布时间”和“任务结束时间”之间数据。
进一步地,所述步骤13)具体包括:雷达航迹三维位置观测数据采用WGS-84坐标系,BK为WGS-84坐标系K航迹点的经度,LK为WGS-84坐标系K航迹点的纬度,HK为WGS-84坐标系K航迹点的高度;航迹表示为:
TrajK={BK,LK,HK},K=1,...,N
首先将WGS=84坐标系转换到地心地固直角坐标系ECEF,转换公式如下:
XK=(Ne+HK)COS(LK)COS(BK)
YK=(Ne+HK)COS(LK)SIN(BK)
ZK=(Ne(1-e2)+HK)SIN(LK)
式中,XK是ECEF坐标系x轴值;YK是ECEF坐标系y轴值;ZK是ECEF坐标系z轴值;Ne是主垂直面的曲率半径,e是地球椭球偏心率,
其中,a是地球椭球的长半轴,即地球赤道半径,a取6378137米;b是地球椭球的短半轴,即地球极半径,b取6356752.3米;
在ECEF坐标系下,原心为地球质心,航迹表示为:
TrajK={XK,YK,ZK},K=1,...,N
然后,采用TrajK-1和TrajK+1航迹点的ECEF坐标位置、过点速度、过点时间计算TrajK航迹点的航向角和加速度ak,并作为Reduce阶段结果数据保存;
航向角用来描述航行航迹在机坪场面上转弯机动特征,公式如下:
加速度ak用来描述航行航迹在机坪场面上加减速运动特征,公式如下:
式中,VK和TK分别为场面运行目标航程记录信息中“过点速度”及“过点时间”。
进一步地,所述步骤2)具体包括:
21)在机场机坪场面道路图上,航空器或车辆的运动意图改变基本在交叉路口区域,以交叉点为中心,设定附近区域为运动意图识别区;
22)分析各类运动意图识别区的特点,对运动意图识别区的运行意图类型进行分类;
23)把航行航迹样本库、运动意图识别区与场面运行意图模型进行关联,标注出航行航迹样本库所属运行意图模型类别;
24)保存Reduce阶段结果数据作为经验数据模型,利用运行目标特征集、模拟或实时采录现场航迹运行数据去修正,同时结合航空器或车辆的运动学模型,通过运行意图信息的离线训练与在线测试开展自我学习,保证识别模型的完整性和唯一性,最终建立该机场机坪场面运动目标运行意图识别模型。
本发明的有益效果:
1、采用大数据分布式体系架构替代传统体系架构,解决了传统体系架构对海量数据难以运算的问题,高效的获得运算结果;
2、通过大数据支撑获得的识别模型替代人工经验,结合各种类型航空器和车辆运动学模型,细化了识别模型分类,减少了意图模型识别属性单一性,提高预测的精确性;
3、采用人工智能方法,根据实际数据对意图识别模型不断实时修正,进一步提升航行预测准确度,为下一工作提早做好规划,大大降低乃至避免场面冲突,提升场面运行安全。
4、高精度的意图识别和航行预测同时提高交通安全水平和效率水平,在一定程度上也会提升场面运行流量,减轻管制员的工作负荷,提升航空运输服务能力。
附图说明
图1为机场机坪场面道路图;
图2为动目标从路口R11经过四叉路R1的运行改变意图;
图3为示例中运行目标以加速度ak识别运行意图模型图;
图4为示例中运行目标以航向角识别运行意图模型图;
图5为地心地固直角坐标系图。
具体实施方式
本发明的方法结合航空器或车辆动力和运动学模型,并通过基于海量场面雷达轨迹数据,采用大数据Hadoop分布式运算框架,分析航空器或车辆在场面活动全航行阶段中的速度、位置等信息,建立目标类型、型号、任务等属性特征和加速度、轨迹角、运动阶段等运动特征相结合的目标特征集;通过对目标特征集和运行意图信息的离线训练与在线测试,开展运行目标场面滑行路线意图分析,构建机坪场面运动目标运行意图识别模型,模型涉及主要关键因子包括目标类型、型号、任务属性、运动意图、位置、航向角(即飞机和航天飞机的纵轴与地球北极之间的夹角)和加速度识别范围等,并在真实场景中使用本发明的运动意图识别模型对轨迹预测进行实时修正,取得非常好的效果,为研究新型全面的场面航空器和车辆轨迹预测打下基础。这种推算的结果越准确,就越有可能将场面活动目标之间的冲突尽早探测出来,并加以调整消解,从而大大降低乃至避免场面冲突的可能性,提升场面运行安全;而另一方面,这种推算的结果越准确,就越有利于在当前时间点之前对所有场面运行情况进行总体把握,从而可以较早的平滑交通流,增加交通通过量,提升了交通效率。所以说,高精度的意图识别和航行预测是同时提高交通安全水平和效率水平的重要手段,在一定程度上也会提升场面运行流量,减轻管制员的工作负荷,产生较大的经济和社会效益。
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种基于机坪场面运动目标雷达轨迹构建目标运行意图识别模型的方法,包括步骤如下:
步骤1):基于Hadoop的航空器或车辆运行目标特征集;具体包括步骤如下:
11)对机坪场面航空器或车辆的航迹点记录的航迹数据作融合处理,清洗过后的数据与相应的运行路由计划信息匹配,建立机坪场面运行目标航程记录信息。在关系型数据库的海量场面运行目标滑行记录表中,每一条机坪场面航程记录由运行目标类型(航空器或车辆)、型号(机型或车型)、任务类型号(航班号或任务单号)、标示号(机尾号/起落地时间或车牌号/任务发布时间)、航迹点、坐标位置、过点时间、过点速度等属性组成。删除记录中有属性为空的无效记录;增加序列号字段,填写数值为此活动目标在场面运行过程中按过点时间排序。将序列号、运行目标类型、型号、任务类型号、标示号、航迹点、坐标位置、过点时间、过点速度九个维度的场面航程记录迁移到Hadoop集群的分布式数据库HBase中;
12)利用任务类型号和标示号作为唯一性标识,按序列号排序相隔一个航迹点的两个航迹点航程记录信息构建数据文件的映射模型;参见表1,其为HBase中场面航程记录信息,如下:
表1
在映射模型的Map阶段,Map过程将存储于HBase中的原始数据映射为间隔两个航迹点相关航程记录信息,Map的中间数据具体信息项如下表2;
表2
13)建立机坪场面航迹点之间的航向角算法模型;雷达航迹三维位置观测数据采用WGS-84坐标系(WGS-84坐标系是目前国际上统一采用的大地坐标系,GPS广播星历是以WGS-84坐标系为根据的),BK为WGS-84坐标系K航迹点的经度,LK为WGS-84坐标系K航迹点的纬度,HK为WGS-84坐标系K航迹点的高度。航迹表示为:
TrajK={BK,LK,HK},K=1,...,N
首先将WGS-84坐标系转换到地心地固直角坐标系ECEF,转换公式如下:
XK=(Ne+HK)COS(LK)COS(BK)
YK=(Ne+HK)COS(LK)SIN(BK)
ZK=(Ne(1-e2)+HK)SIN(LK)
图5为地心地固直角坐标系(Earth-Centered,Earth-Fixed,简称ECEF)简称地心坐标系,是一种以地心为原点的地固坐标系(也称地球坐标系),ECEF坐标系与地球固联,且随着地球转动。原点0(0,0,0)为地球质心,z轴与地轴平行指向北极点,x轴指向本初子午线与赤道的交点,y轴垂直于xOz平面(即东经90度与赤道的交点)构成右手坐标系。
式中,XK是ECEF坐标系x轴值;YK是ECEF坐标系y轴值;ZK是ECEF坐标系z轴值;Ne是主垂直面的曲率半径,e是地球椭球偏心率,
其中,a是地球椭球的长半轴,即地球赤道半径,取6378137米;b是地球椭球的短半轴,即地球极半径,取6356752.3米;
在ECEF坐标系下,原心为地球质心,航迹表示为:
TrajK={XK,YK,ZK},K=1,...,N
然后,采用TrajK-1和TrajK+1航迹点的ECEF坐标位置、过点速度、过点时间计算TrajK航迹点的航向角和加速度ak,并作为Reduce阶段结果数据保存;
航向角用来描述航行航迹在机坪场面上转弯机动特征,公式如下:
加速度ak用来描述航行航迹在机坪场面上加减速运动特征,公式如下:
式中,VK和TK分别为场面运行目标航程记录信息中“过点速度”及“过点时间”。
14)保存Reduce阶段结果数据作为运动目标机坪场面航行航迹样本库,建立机坪场面运行航迹样本库,具体记录信息包括序列号、运行目标类型、型号、任务类型号、标示号、航迹点、坐标位置、过点时间、过点速度、航向角和加速度等,作为航行运动意图识别方法的基础数据。
步骤2):根据机坪场面场地环境,构建该场地的场面运行意图模型,在运动目标机坪场面航行航迹样本库建立的基础上,把样本库与场面运行意图模型进行关联,标注运动目标机坪场面航行航迹样本库所属运行意图模型类别,建立该机场机坪场面的运动目标运行意图识别模型;具体包括步骤如下:
21)在机场机坪场面道路图上,航空器或车辆的运动意图改变基本在交叉路口区域,我们以交叉点为中心,设定附近区域为“运动意图识别区”。参照图1,图中黑点标注的位置即为“运动意图识别区”;
梳理整个机场机坪场面道路图,建立运动意图识别区参数表,主要包含2个属性,分别为运动意图识别区号、区域范围。
22)分析各类“运动意图识别区”特点,开展“运动意图识别区”运行意图类型分类;
“运动意图识别区”即交叉路口的设置基本分为四叉、三叉和两叉三种类型。图2为动目标从路口R11经过四叉路R1的运行改变意图,运动目标运行到P0点时,会有四种运行改变情况,分别为停止、左转、直行和右转,记为运行意图PR,I,R为道路口(或运动意图识别区)编号,I为运行意图类型编号,表3为动目标从路口R11经过四叉路R1的运行改变意图模型分类示例,如下:
表3
因此,航空器或车辆分别从不同路口经过四叉路就会有16种运行意图模型。同理,路过三叉、两叉路口,分别有九种、四种运行改变情况。
根据机坪场面的“运动意图识别区”和运行意图类别,建立场面运行意图模型库,主要包含3个属性,分别为运行意图模型编号、道路口、运行意图模型描述。
23)把航行航迹样本库、运动意图识别区与场面运行意图模型进行关联,标注出航行航迹样本库所属运行意图模型类别,特别注意样本库中同一标示号航迹运行路线与运行意图模型类别向对应,即航迹路线从哪个路口到哪个路口;同时根据场面航行航迹样本数据模拟补充运行意图模型类别缺少的航迹样本数据,如在路口“运行停止”等情况。并把关联数据构建数据文件的映射模型,在映射模型的Map阶段,Map过程将存储于HBase中的原始数据映射为中间数据,中间数据包括目标类型、型号、任务类型号、航迹点、坐标位置、航向角、加速度、运动意图识别区号和运行意图模型编号。规约模型Reduce阶段获取Map的中间数据,使用k-means(硬聚类算法),按照运行目标类型、型号、任务、运动意图、位置计算出航向角和加速度识别范围作为结果信息。
24)保存Reduce阶段结果数据作为经验数据模型,利用运行目标特征集、模拟或实时采录现场航迹运行数据去修正,同时结合航空器或车辆的运动学模型,通过运行意图信息的离线训练与在线测试开展自我学习,保证识别模型的完整性和唯一性,最终建立本场运动目标运行意图识别模型,识别模型主要包括运行目标类型、型号、任务、运动意图、位置,以及航向角和加速度识别范围等。
示例:波音B777飞机进港航班SC1224由跑道滑行至停机位,经R11路口通过R1叉路的四种情况识别示意图,通过加速度ak模型和航向角模型结合识别。
“运行停止”PR11,1主要以通过加速度ak模型识别,示意图如下图3所示,当加速度ak在K线以下为“运行停止”PR11,1,K线以上为“左转”PR11,2、“直行”PR11,3和“右转”PR11,4;
“左转”PR11,2、“直行”PR11,,和“右转”PR11,4主要以通过航向角模型识别,示意图如下图4,当航向角在线1和线2之间为“左转”PR11,2,线2和线3之间为“运行停止”PR11,1和“直行”PR11,3,线3和线4之间为“右转”PR11,4。
本发明方法经实践使用证明非常有效,该方法构建了航空器和车辆的场面运动意图识别模型,模型涉及主要关键因子包括目标类型、型号、任务属性、运动意图、位置、航向角和加速度识别范围等,并在真实场景中使用本发明的运动意图识别模型对轨迹预测进行实时修正,取得非常好的效果,为研究新型全面的场面航空器和车辆轨迹预测打下基础。确保了对正在场面活动的和即将活动的航空器或车辆快速准确意图识别、航迹运行预测,在提升场面运行流量、减轻管制员的工作负荷的同时,有效的提升机场场面交通安全水平和效率水平。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (5)
1.一种基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,其特征在于,包括步骤如下:
步骤1):基于Hadoop的航空器或车辆运行目标特征集;
步骤2):根据机坪场面场地环境,构建该场地的场面运行意图模型,在运动目标机坪场面航行航迹样本库建立的基础上,把航行航迹样本库与场面运行意图模型进行关联,标注出航行航迹样本库所属运行意图模型类别,建立该机场机坪场面的运动目标运行意图识别模型。
2.根据权利要求1所述的基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,其特征在于,所述步骤1)具体包括:
11)对机坪场面航空器或车辆的航迹点记录的航迹数据做融合处理,处理后的数据与相应的运行路由计划信息匹配,建立场面运行目标航程记录信息;
12)利用任务类型号和标示号作为唯一性标识,按序列号排序相隔一个航迹点的两个航迹点航程记录信息构建数据文件的映射模型;
13)建立运动目标机坪场面航迹点之间的航向角算法模型;
14)保存Reduce阶段结果数据作为运动目标机坪场面航行航迹样本库,建立运动目标机坪场面运行航迹样本库。
3.根据权利要求2所述的基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,其特征在于,所述步骤11)中运行目标航程记录信息包括:运行目标类型、型号、任务类型号、标示号、航迹点、坐标位置、过点时间、过点速度。
4.根据权利要求2所述的基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,其特征在于,所述步骤13)具体包括:雷达航迹三维位置观测数据采用WGS-84坐标系,BK为WGS-84坐标系K航迹点的经度,LK为WGS-84坐标系K航迹点的纬度,HK为WGS-84坐标系K航迹点的高度;航迹表示为:
TrajK={BK,LK,HK},K=1,...,N
首先将WGS-84坐标系转换到地心地固直角坐标系ECEF,转换公式如下:
XK=(Ne+HK)COS(LK)COS(BK)
YK=(Ne+HK)COS(LK)SIN(BK)
ZK=(Ne(1-e2)+HK)SIN(LK)
式中,XK是ECEF坐标系x轴值;YK是ECEF坐标系y轴值;ZK是ECEF坐标系z轴值;Ne是主垂直面的曲率半径,e是地球椭球偏心率,a是地球椭球的长半轴,即地球赤道半径,b是地球椭球的短半轴,即地球极半径;
在ECEF坐标系下,原心为地球质心,航迹表示为:
TrajK={XK,YK,ZK},K=1,...,N
然后,采用TrajK-1和TrajK+1航迹点的ECEF坐标位置、过点速度、过点时间计算TrajK航迹点的航向角和加速度ak,并作为Reduce阶段结果数据保存;
航向角用来描述航行航迹在机坪场面上转弯机动特征,公式如下:
加速度ak用来描述航行航迹在机坪场面上加减速运动特征,公式如下:
式中,VK和TK分别为场面运行目标航程记录信息中过点速度及过点时间。
5.根据权利要求1所述的基于雷达轨迹构建机坪场面运动目标运行意图识别的方法,其特征在于,所述步骤2)具体包括:
21)以交叉点为中心,设定附近区域为运动意图识别区;
22)分析各类运动意图识别区的特点,对运动意图识别区的运行意图类型进行分类;
23)把航行航迹样本库、运动意图识别区与场面运行意图模型进行关联,标注出航行航迹样本库所属运行意图模型类别;
24)保存Reduce阶段结果数据作为经验数据模型,利用运行目标特征集、模拟或实时采录现场航迹运行数据去修正,同时结合航空器或车辆的运动学模型,通过运行意图信息的离线训练与在线测试开展自我学习,保证识别模型的完整性和唯一性,最终建立该机场机坪场面运动目标运行意图识别模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401652.9A CN110111608B (zh) | 2019-05-15 | 2019-05-15 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
PCT/CN2019/110514 WO2020228228A1 (zh) | 2019-05-15 | 2019-10-11 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401652.9A CN110111608B (zh) | 2019-05-15 | 2019-05-15 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111608A true CN110111608A (zh) | 2019-08-09 |
CN110111608B CN110111608B (zh) | 2021-06-18 |
Family
ID=67490145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401652.9A Active CN110111608B (zh) | 2019-05-15 | 2019-05-15 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110111608B (zh) |
WO (1) | WO2020228228A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364034A (zh) * | 2019-08-26 | 2019-10-22 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机滑行通道描述方法及系统 |
CN111871843A (zh) * | 2020-08-17 | 2020-11-03 | 刘炎 | 一种基于大数据的垃圾自动分类系统 |
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN112308171A (zh) * | 2020-11-23 | 2021-02-02 | 浙江天行健智能科技有限公司 | 一种基于模拟驾驶器的车辆位置预测建模方法 |
CN114358211A (zh) * | 2022-01-14 | 2022-04-15 | 中科世通亨奇(北京)科技有限公司 | 基于多模态深度学习的航空器行为意图识别方法 |
CN114783214A (zh) * | 2020-04-28 | 2022-07-22 | 上海波若智能科技有限公司 | 路网动态数据采集方法及路网动态数据采集系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625236B (zh) * | 2021-06-30 | 2024-05-24 | 嘉兴聚速电子技术有限公司 | 多雷达数据融合方法、装置、存储介质和设备 |
CN114049602B (zh) * | 2021-10-29 | 2022-06-14 | 哈尔滨工业大学 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
CN113987036B (zh) * | 2021-12-03 | 2024-04-09 | 南京莱斯信息技术股份有限公司 | 一种空管实时数据转换成模拟训练场景的方法 |
CN114187783B (zh) * | 2021-12-06 | 2023-10-31 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
CN114783216B (zh) * | 2022-04-11 | 2023-08-15 | 南京莱斯信息技术股份有限公司 | 一种机场场面数字化引导系统及方法 |
CN115983613B (zh) * | 2023-03-21 | 2023-06-16 | 民航成都信息技术有限公司 | 一种航班拼接方法、装置、电子设备及存储介质 |
CN117076839B (zh) * | 2023-10-17 | 2023-12-26 | 中国民用航空总局第二研究所 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN103592949A (zh) * | 2013-11-28 | 2014-02-19 | 电子科技大学 | 一种用于无人机编队同时到达目标的分布式控制方法 |
CN105812733A (zh) * | 2016-03-15 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种民航空中交通管制的场面监视引导系统 |
CN107466414A (zh) * | 2015-04-10 | 2017-12-12 | 空中客车运营简化股份公司 | 用于辅助飞行器滑行的设备、系统和方法 |
US9969386B1 (en) * | 2017-01-10 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
CN208256104U (zh) * | 2018-01-23 | 2018-12-18 | 上海空地信息技术有限公司 | 一种基于ads-b的通航机场场面监视系统 |
CN109188423A (zh) * | 2018-08-29 | 2019-01-11 | 电子科技大学 | 一种基于多源聚类的分布式多目标跟踪方法 |
CN109598983A (zh) * | 2018-12-12 | 2019-04-09 | 中国民用航空飞行学院 | 一种机场场面光电监视告警系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8798898B2 (en) * | 2011-10-31 | 2014-08-05 | General Electric Company | Methods and systems for inferring aircraft parameters |
US10373404B2 (en) * | 2013-04-22 | 2019-08-06 | Latitude Technologies Corporation | Aircraft flight data monitoring and reporting system and use thereof |
CN104717468B (zh) * | 2015-03-06 | 2018-09-14 | 中国科学院大学 | 基于集群轨迹分类的集群场景智能监控方法及系统 |
EP3462430A1 (en) * | 2017-09-29 | 2019-04-03 | The Boeing Company | System and method for communicating high fidelity aircraft trajectory-related information through standard aircraft trajectory conventions |
CN108268597B (zh) * | 2017-12-18 | 2020-10-09 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
CN110111608B (zh) * | 2019-05-15 | 2021-06-18 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
-
2019
- 2019-05-15 CN CN201910401652.9A patent/CN110111608B/zh active Active
- 2019-10-11 WO PCT/CN2019/110514 patent/WO2020228228A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN103592949A (zh) * | 2013-11-28 | 2014-02-19 | 电子科技大学 | 一种用于无人机编队同时到达目标的分布式控制方法 |
CN107466414A (zh) * | 2015-04-10 | 2017-12-12 | 空中客车运营简化股份公司 | 用于辅助飞行器滑行的设备、系统和方法 |
CN105812733A (zh) * | 2016-03-15 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种民航空中交通管制的场面监视引导系统 |
US9969386B1 (en) * | 2017-01-10 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
CN208256104U (zh) * | 2018-01-23 | 2018-12-18 | 上海空地信息技术有限公司 | 一种基于ads-b的通航机场场面监视系统 |
CN109188423A (zh) * | 2018-08-29 | 2019-01-11 | 电子科技大学 | 一种基于多源聚类的分布式多目标跟踪方法 |
CN109598983A (zh) * | 2018-12-12 | 2019-04-09 | 中国民用航空飞行学院 | 一种机场场面光电监视告警系统及方法 |
Non-Patent Citations (2)
Title |
---|
DAVID THIRDE 等: "A Real-Time Scene Understanding System for Airport Apron Monitoring", 《PROCEEDINGS OF THE FOURTH IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION SYSTEMS》 * |
宫淑丽: "机场场面移动目标监视系统关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN110364034A (zh) * | 2019-08-26 | 2019-10-22 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机滑行通道描述方法及系统 |
CN114783214A (zh) * | 2020-04-28 | 2022-07-22 | 上海波若智能科技有限公司 | 路网动态数据采集方法及路网动态数据采集系统 |
CN111871843A (zh) * | 2020-08-17 | 2020-11-03 | 刘炎 | 一种基于大数据的垃圾自动分类系统 |
CN111871843B (zh) * | 2020-08-17 | 2021-08-31 | 信智慧通科技(北京)有限公司 | 一种基于大数据的垃圾自动分类系统 |
CN112308171A (zh) * | 2020-11-23 | 2021-02-02 | 浙江天行健智能科技有限公司 | 一种基于模拟驾驶器的车辆位置预测建模方法 |
CN114358211A (zh) * | 2022-01-14 | 2022-04-15 | 中科世通亨奇(北京)科技有限公司 | 基于多模态深度学习的航空器行为意图识别方法 |
CN114358211B (zh) * | 2022-01-14 | 2022-08-23 | 中科世通亨奇(北京)科技有限公司 | 基于多模态深度学习的航空器行为意图识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110111608B (zh) | 2021-06-18 |
WO2020228228A1 (zh) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111608A (zh) | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 | |
Zeng et al. | A deep learning approach for aircraft trajectory prediction in terminal airspace | |
CN112116830B (zh) | 一种基于空域网格化的无人机动态地理围栏规划方法 | |
Shi et al. | 4-D flight trajectory prediction with constrained LSTM network | |
CN104819724B (zh) | 一种基于gis的无人地面车辆自主行驶辅助系统 | |
Patron et al. | Flight trajectories optimization under the influence of winds using genetic algorithms | |
CN103310661B (zh) | 机场场面路网模型及机场场面冲突检测临界告警算法 | |
CN202221566U (zh) | 一种基于性能导航的飞行程序设计系统及验证平台 | |
CN109542876A (zh) | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 | |
CN104732808B (zh) | 飞行器告警方法及装置 | |
CN102867073A (zh) | 一种基于性能导航的飞行程序设计系统及验证平台和验证方法 | |
CN111508280B (zh) | 一种基于4d航迹的移动时隙航空管制方法 | |
CN103390355A (zh) | 一种基于a-smgcs系统的滑行道冲突检测方法 | |
CN110570694B (zh) | 一种基于空域分裂的时空关联航路碰撞解决方法 | |
CN106251628B (zh) | 一种确定机动车的交通出行量的方法及装置 | |
Dong et al. | Study on the resolution of multi-aircraft flight conflicts based on an IDQN | |
Saifutdinov et al. | Time and space discretization in the digital twin of the airport transport network | |
Lauderdale et al. | Automated separation assurance with weather and uncertainty | |
Cui et al. | Skip connection YOLO architecture for noise barrier defect detection using UAV-based images in high-speed railway | |
CN102103803A (zh) | 一种机场终端区航空器的监控方法 | |
CN114442673B (zh) | 一种基于混沌模型与dnn的飞行器智能轨迹规划方法 | |
Liu et al. | Optimization of Lateral Collision Risk of Aircraft Based on the Skid‐Slip Event Model | |
Di Vito et al. | Real-Time pilot support system for airborne Self-Separation | |
Wang et al. | A flight trajectory prediction method based on trajectory clustering | |
Sekine et al. | Rule Design for Interpretable En Route Arrival Management via Runway-Flow and Inter-Aircraft Control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |