CN111324141A - 用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置 - Google Patents

用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置 Download PDF

Info

Publication number
CN111324141A
CN111324141A CN201911278444.0A CN201911278444A CN111324141A CN 111324141 A CN111324141 A CN 111324141A CN 201911278444 A CN201911278444 A CN 201911278444A CN 111324141 A CN111324141 A CN 111324141A
Authority
CN
China
Prior art keywords
state
aircraft
cost
iteration
calculation
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.)
Pending
Application number
CN201911278444.0A
Other languages
English (en)
Inventor
J-C·梅雷
R·安德鲁阿拉瓦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Airbus Operations SAS
Original Assignee
Airbus Operations SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Airbus Operations SAS filed Critical Airbus Operations SAS
Publication of CN111324141A publication Critical patent/CN111324141A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0005—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot with arrangements to save energy
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D43/00—Arrangements or adaptations of instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • G08G5/0073—Surveillance aids
    • G08G5/0091—Surveillance aids for monitoring atmospheric conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/02—Automatic approach or landing aids, i.e. systems in which flight data of incoming planes are processed to provide landing data
    • G08G5/025—Navigation or guidance aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

本发明涉及用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置。一种装置，包括单元(6)，该单元执行迭代处理以在每次迭代中通过将由生成单元(9)生成的多个下一状态的估计总代价考虑在内来根据所谓的计算状态确定所谓的下一状态，由代价计算单元(10)计算的每个估计总代价等于通过将预定的约束考虑在内而计算的直到所考虑的下一状态的实际代价与直到飞行器的当前状态的估计代价的加和，估计代价是使用基于飞行器的性能计算而不考虑能量约束的确定性神经网络(12)计算的，从而由此允许快速对估计代价进行计算、并因此对估计总代价进行计算，重复迭代处理，直到所确定的状态与飞行器的当前状态接近，相对应的轨迹部分形成最佳竖直轨迹。

Description

用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置
技术领域
本发明涉及一种用于实时生成旨在由飞行器、尤其是运输用飞行器遵循的飞行轨迹的至少一个最佳竖直轨迹的方法和装置。
更具体地，本发明的目的是使用机载器件实时生成优化的轨迹，所述优化的轨迹尤其是在受限的动态环境中(即，在可能包含飞行器必须避免碰撞的物体(或障碍物)的环境中)是可飞行的。
尽管不是排他的，本发明更具体地应用于下降并进场阶段中的进场轨迹，目的是在机场的着陆带上着陆。
背景技术
已知的是在飞行器、尤其是运输用飞行器的下降并进场期间的能量管理通常留给了飞行器的机组人员来判断，机组人员需要评估飞行器的能量状况并采取适当的驾驶行动，以便管理飞行器能量过剩或能量不足的任何情况。在飞行器已经偏离其参考轨迹(例如出于交通管理的原因)的某些情况下，这种能量管理和飞行计划的修改(其需要与飞行器系统的多次交互)的组合给机组人员带来大的工作量。
因此，着眼于到达目标点的飞行器的驾驶员可能对飞行器的能量管理不善，并且例如由于太快或以过高的高度到达所述目标点而超过这个目标点。如果进场阶段中的目标点是所谓的稳定点，那么飞行器必须在着陆前重复飞行模式，从而导致时间损失。
文献FR 3 043 456披露了一种用于为飞行器、尤其是运输用飞行器生成飞行轨迹的最佳竖直轨迹的方法和装置，该飞行轨迹是在可能包含障碍物(尤其是移动障碍物)的环境中限定的。该装置包括数据处理单元，该数据处理单元实施迭代处理，以便基于飞行策略生成初始状态与最终状态之间的最佳竖直轨迹。
所述装置允许产生优化的竖直轨迹，该轨迹不与周围障碍物、尤其是移动障碍物发生任何碰撞，并且符合能量约束。
然而，由于所有的轨迹和能量优化计算均由飞行器的装置(或计算机)执行，所以计算时间长。
发明内容
本发明的目的是克服这个缺点。本发明涉及一种用于为飞行器生成最佳竖直轨迹的方法，所述竖直轨迹限定在所述飞行器的所谓的当前状态与所谓的目标状态之间，所述当前状态包括所述飞行器的当前位置，所述目标状态包括目标位置(或点)。
根据本发明，所述方法包括由数据处理单元实施的处理步骤，所述处理步骤包括迭代地实施的一系列子步骤，所述处理步骤包括限定在每次迭代中根据所谓的计算状态确定所谓的下一状态，由此确定的每个下一状态具有在所述(初始)目标状态与所述下一状态之间的相关联的轨迹部分，
根据所述方法，对于给定的迭代在所述处理步骤中确定的所述状态在下一次迭代中用作计算状态，并且在所述第一次迭代期间考虑的所述计算状态是所述目标状态，
根据所述方法，实施所述处理步骤直到所确定的下一状态至少以预先确定的接近度与所述飞行器的当前状态接近，以预先确定的接近度与所述飞行器的当前状态接近的所述状态所关联的所述轨迹部分形成所述最佳竖直轨迹，
所述方法还包括由数据传输链路实施的数据传输步骤，所述数据传输步骤包括向至少一个用户系统传输至少所述最佳竖直轨迹，
显著之处在于，为了在每次迭代中确定下一状态，所述处理步骤包括以下一系列子步骤：
-生成子步骤，所述生成子步骤包括根据所述计算状态生成一个或多个下一状态；
-代价计算子步骤，所述代价计算子步骤包括计算在所述生成子步骤中生成的所述下一状态中的每一个下一状态的估计总代价，所述估计总代价等于通过将预先确定的约束考虑在内而在所述(初始)目标状态与所考虑的下一状态之间计算的实际代价同在所考虑的所述下一状态与所述飞行器的当前状态之间计算的估计代价的加和，所述估计代价使用基于所述飞行器的性能计算而不考虑能量约束的至少一个确定性神经网络来计算，所述状态与所述神经网络的节点相对应；以及
-识别子步骤，所述识别子步骤包括在所述生成子步骤中生成的所述下一状态当中识别具有最低估计总代价的所述状态，由此识别的所述状态表示所考虑的所述迭代中的所述所谓的下一状态。
因此，由于使用了允许通过打破约束(例如能量约束)来快速且精确地计算所考虑的下一状态(或节点)与最终状态(即飞行器的当前状态)之间的代价估计的神经网络，所以可以快速地计算所考虑的下一状态中的每一个下一状态的估计总代价，以便能够在迭代处理期间选择具有最低估计总代价的那些状态、或向其给予优先性。
因此，用于生成飞行轨迹的时间长度得以减小，从而允许克服前述缺点。
因此，根据本发明的方法允许使用合理的计算能力来实时创建优化的并且符合约束(例如能量约束)的竖直轨迹，所述竖直轨迹允许飞行器的当前位置(或当前点)连接至由操作者(通常是飞行器的飞行员)限定的目标位置(或点)。例如，这个目标位置可以与进场期间的稳定点相对应。
有利地，在所述代价计算子步骤中，对于所考虑的每个下一状态，所述下一状态和所述飞行器的当前状态被输入到所述神经网络中，所述神经网络计算所述下一状态与所述飞行器的所述当前状态之间的所述估计代价。
此外，在一个特定实施例中，在所述代价计算子步骤中，所述估计代价通过将大气条件考虑在内来进行校正，由此校正的所述估计代价用于计算所述估计总代价。
另外，有利地，在所述神经网络中，表示状态的节点至少由相对于预先确定的位置的距离、高度、速度、以及至少一个飞行参数来限定。
此外，以有利的方式，为了根据所述计算状态生成一个或多个下一状态，所述生成子步骤使用所述飞行器的将总斜率和能量分配因子值进行积分的运动方程。
在一个特定实施例中，所述方法包括在所述处理步骤之后实施的学习步骤，所述学习步骤包括使所述神经网络进行学习。
优选地，所述学习步骤使用的用于所述神经网络的学习的输入数据是多个最佳轨迹的初始位置、最终位置、以及代价，所述最佳轨迹是针对不同且无约束的初始条件和最终条件限定的。
本发明还涉及一种用于为飞行器生成最佳竖直轨迹的装置，所述竖直轨迹限定在所述飞行器的所谓的当前状态与所谓的目标状态之间，所述当前状态包括所述飞行器的当前位置，所述目标状态包括目标位置。
根据本发明，所述类型的装置包括：
-数据输入单元；
-实施迭代处理的数据处理单元，所述数据处理单元被配置成在每次迭代中根据所谓的计算状态确定所谓的下一状态，由此确定的每个下一状态具有限定在所述目标状态与所述下一状态之间的相关联的轨迹部分，在给定迭代中确定的所述状态在下一次迭代中用作计算状态，在所述第一次迭代期间考虑的所述计算状态是所述目标状态，所述数据处理单元重复所述迭代处理，直到所确定的下一状态至少以预先确定的接近度与所述飞行器的当前状态接近，以预先确定的接近度与所述飞行器的当前状态接近的所述状态所关联的所述轨迹部分形成所述最佳竖直轨迹；以及
-数据传输链路，所述数据传输链路包括向至少一个用户系统传输至少所述最佳竖直轨迹，
显著之处在于，所述数据处理单元包括：
-生成单元，所述生成单元包括在每次迭代中根据所述计算状态生成一个或多个下一状态；
-代价计算单元，所述代价计算单元包括计算由所述生成单元生成的所述下一状态中的每一个下一状态的估计总代价，所述估计总代价等于通过将预先确定的约束考虑在内而在所述(初始)目标状态与所考虑的下一状态之间计算的实际代价同在所考虑的所述下一状态与所述飞行器的当前状态之间计算的估计代价的加和，所述估计代价使用至少一个确定性神经网络来计算；
-所述神经网络，所述神经网络基于所述飞行器的性能计算而不考虑能量约束，所述状态与所述神经网络的节点相对应；以及
-识别单元，所述识别单元包括在所述生成单元生成的所述下一状态当中识别具有最低估计总代价(由所述成本计算单元计算)的所述状态，由此识别的所述状态表示所考虑的所述迭代中的所述所谓的下一状态。
在一个特定实施例中，所述装置包括作为用户系统的显示单元，所述显示单元被配置成显示至少所述最佳竖直轨迹。
附图说明
附图将阐明可以如何实施本发明。在所述附图中，相同的附图标记表示相似的元件。
[图1]图1是用于生成最佳竖直轨迹的装置的特定实施例的框图。
[图2]图2是图1的装置的数据处理单元的框图。
[图3]图3是允许对根据本发明生成最佳竖直轨迹进行解释的示意性表示。
[图4]图4是形成用于生成最佳竖直轨迹的装置的一部分的神经网络的示意性表示。
[图5]图5是由数据处理单元实施的处理步骤的相继子步骤的框图。
具体实施方式
允许对本发明进行展示、并且在图1中示意性表示的装置1旨在构建旨在由飞行器AC(图3)、尤其是运输用飞行器遵循的用于飞行轨迹的至少一个竖直轨迹TV。
所述飞行轨迹包括在水平面中限定的侧向(或水平)轨迹以及在竖直平面中限定的竖直轨迹。如图3所示，形成飞行轨迹以便将当前点(与飞行器AC的当前位置PC相对应)连接至目标位置(或点)Ptgt，飞行器AC在当前点处具有所谓的当前状态EC，飞行器AC在目标位置具有所谓的目标状态E0。
状态包括空间中的由飞行器AC的高度和其水平位置限定的点(或位置)、例如PC或Ptgt，并且包括其一个或多个飞行参数。优选地，所考虑的(多个)飞行参数与以下参数中的一个或多个参数相对应：
-飞行器AC的速度；
-飞行器AC的质量；
-飞行器AC的空气动力学构型。
在一个特定实施例中，可以考虑大气条件，诸如风和/或温度差ΔISA，该温度差与在相同高度下所测量的外部温度与ISA(国际标准大气)类型的温度之间的温度差相对应。
根据本发明，如图1所示，飞行器机载的所述装置1包括：
-包含一个或多个数据库的设备2(数据库)；
-数据输入单元5(数据输入单元)；
-数据处理单元6(数据处理单元)，该数据处理单元通过线3和4分别连接至设备2和数据输入单元5，并且该数据处理单元被配置成实施迭代处理，其目的是确定最佳竖直轨迹；以及
-数据传输链路7，该数据传输链路包括向一个或多个用户系统(用户系统)的设备8中的至少一个用户系统传输至少所述最佳竖直轨迹。
如下所述，数据处理单元6实施迭代处理。数据处理单元被配置成在这个迭代处理的每次迭代中根据所谓的计算状态确定所谓的下一状态。在给定迭代中确定的状态在下一次迭代中用作计算状态。在第一次迭代期间考虑的计算状态是所述目标状态E0(在目标位置Ptgt处)。
由此确定的每个下一状态都具有限定在目标状态与所述下一状态之间的相关联的轨迹部分。数据处理单元6重复迭代处理，直到所确定的状态至少以预先确定的接近度与飞行器AC的当前状态EC(在当前点PC处)接近。同与飞行器AC的当前状态EC接近的这个状态相关联的轨迹部分形成所生成的最佳竖直轨迹TV。
如图2所示，为了实施前述迭代处理，数据处理单元(或中央处理单元)6包括：
-生成单元9(生成单元)，该生成单元被配置成在给定(尤其是预先确定的)计算范围内根据飞行器的计算状态生成一个或多个下一状态。这个计算范围可以与给定飞行时间或给定飞行距离相对应；
-代价计算单元10(代价计算单元)，该代价计算单元通过链路11连接至生成单元9、并且被配置成计算由生成单元9生成的所述下一状态中的每个下一状态的估计总代价CG。所述估计总代价CG等于在将考虑预先确定的约束考虑在内的情况下在目标状态E0与所考虑的下一状态之间的所计算(以通常方式)的实际代价C1同所考虑的所述下一状态与飞行器AC的当前状态EC之间计算的估计代价C2的加和；
-神经网络12(神经网络)，该神经网络通过链路13连接至代价计算单元10、并且被配置成计算所述估计代价C2。所述神经网络12基于飞行器的性能计算，而不考虑能量约束。在本发明的上下文中，各种状态与神经网络12的节点相对应；以及
-识别单元14(识别单元)，该识别单元通过链路15连接至代价计算单元10、并且被配置成在由生成单元9生成的下一状态当中识别估计总代价CG(由代价计算单元10计算)最低的状态，由此识别的状态表示了所考虑的迭代中的所谓的下一状态。在给定迭代中由识别单元14识别的状态被生成单元9在下一次迭代中用作计算状态(合适的话)。
因此，数据处理单元6重复由单元9、10、12、以及14实施的迭代处理，直到由识别单元14识别的状态至少以预先确定的接近度与(最终)当前状态EC接近。(初始)目标状态E0与由此识别的状态之间的竖直轨迹表示由装置1的数据处理单元6生成的最佳竖直轨迹。
在本发明的上下文中，状态在当前状态EC与所考虑的状态之间的差值低于状态阈值时被认为与当前状态EC接近。这个状态阈值可以是距离或由状态的定义(位置、速度、(多个)飞行参数等)覆盖的判据的组合。
为了根据计算状态生成一个或多个下一状态，生成单元9使用飞行器AC的运动方程。在优选实施例中，生成单元9使用对飞行器AC的总斜率值和/或能量分配因子ESF值进行基于距离的积分的运动方程。以通常的方式，能量分配因子ESF展示总能量损失在动能与势能之间的分配。
因此，数据处理单元6从目标位置Ptgt(或飞行器AC的飞行方向F上的最终位置，如图3所示)、例如(固定的)稳定点开始向回执行处理，并且将飞行器AC的状态(在与方向F相反的方向上)朝向最接近其当前状态EC的状态(在当前点PC处)推展。因此，所生成的竖直轨迹TV肯定会通过目标位置Ptgt，并且即使竖直轨迹没有精确地从飞行器AC的当前状态开始，这种差异也可以通过导航来容易地校正。
为了加速收敛，数据处理单元6因此使用由神经网络12计算的代价估计(启发项)，这避免了距最优解最远(在所选试探的方向上)的节点的发展。例如，如果目标是优化飞行器AC的燃料消耗，则启发项(heuristic)是对飞行器AC为了在所考虑的节点Ena与飞行器AC的当前位置PC之间飞行所需的燃料的估计(图3)。
图4展示了用于估计启发项的神经网络12的简化示意性示例。图4示出了旨在接收用于所考虑的所谓的下一状态Ena的输入数据(即所述下一状态Ena和飞行器AC的当前状态EC)的输入层L1、多个隐藏层Li和Lj、以及在输出端提供估计代价C2的输出层L2。
除了目标位置Ptgt(表示目标状态E0)和飞行器AC的当前位置PC(表示当前状态EC)之外，图3示出了具有相关联的状态(或节点)的多个中间迭代，即具有状态E1a和E1b的迭代I1、具有状态E2a、E2b和E2c的迭代I2、以及具有状态Ena、Enb和Enc的迭代In。
基于当前迭代是具有要考虑的状态(或节点)Ena(作为所谓的下一状态)的迭代In，借助于由代价计算单元10计算以下各项的加和来对估计总代价CG进行估计：
-从目标状态E0到所述状态Ena的实际代价C1。这个实际代价C1由例如集成在代价计算单元10中的计算元件(未示出)以通常的方式计算，以及
-从所述状态Ena到当前状态EC的估计代价C2。所述估计代价C2由神经网络12计算。
代价CG(使得CG＝C1+C2)是(从E0到EC的)总代价，该总代价中的部分(C2)是估计的。
与所述状态Ena相关联的竖直(飞行)轨迹部分是图3中示出的轨迹Tna1，该轨迹通过先前生成并选择的状态E1a和E2a。图3还(以虚线)示出了仍待确定的直到飞行器AC的当前位置PC的剩余的轨迹部分Tna2。
因此预期的是，对于竖直飞行器曲线的情况来说并非无关紧要的启发参数的估计将通过使用基于飞行器的性能计算的确定性神经网络12来改进。实施这个代价估计的计算过程如下。计算是基于用于搜索图形的方法，称为A*。更确切地讲：
A/生成大量的对于没有能量约束的非常不同的初始条件和最终条件的最佳轨迹，以用于神经网络12的学习。初始点和最终点以及最佳轨迹的代价被用作用于神经网络12的学习的输入数据。使用数据库，该数据库具有根据各种判据在上游生成的所有轨迹；
启动算法，使得它生成数千个的轨迹和代价。使用所生成的轨迹中的每一个轨迹的初始状态和最终状态计算的这个代价被用作神经网络的输入。数据库仅用于优化判据。因此，如果潜在地存在改变优化判据的期望，则有必要为这个另一标准开发数据库并指导神经网络。优化判据可以尤其是所消耗的燃料、生成的噪音、气体排放、下降并进场时间；
例如，为了计算点P1与点P2之间消耗的燃料作为代价，从P1点开始直到到达P2点对飞行器(点质量)的动力学方程进行积分，同时观察可以适用在这些点P1与P2之间的所有限制因素(例如飞行包线等)；
B/神经网络12学习估计第一状态与第二状态之间的轨迹的代价。对网络的超参数(层数等)进行调整以改进性能。
由于所考虑的情况下的特定的中间能量约束，神经网络12不直接用于初始点与最终点之间。神经网络12用于计算当前节点Ena与当前位置PC之间的剩余代价C2的递减(diminishing)估计(通过打破能量约束)，以便向使估计总代价CG最小化的节点给予优先性。
由方法A*生成的每个节点调用神经网络12，该神经网络立即向该节点提供未来代价的估计(启发项)。这允许对所有节点进行有效的排序，并且允许通过发展在每次迭代中使这个代价估计最小化的第一且首要节点而更快地朝向最佳轨迹收敛。这一特性可以用于使飞行策略实时地重新适应环境的动态条件。
用于生成由神经网络的学习所使用的轨迹的方法是方法A*，但是没有与到达过程相关联的能量约束(也就是说，仅适用于飞行包线和加速度限度类型的限制因素约束)。神经网络12学习对计算轨迹代价所必需的所有内部计算和变量进行关联，并且能够简单地通过接收初始状态和最终状态来预测近似代价。
该估计是最低可能的(或递减的)，因为它基于没有约束的情况下的轨迹计算。因此，没有比所计算的轨迹更好的轨迹。一旦添加约束，最优性就会恶化。因此算法A*将通过使用代价近似(启发项)朝向解收敛。
所谓的能量约束是与给定的到达程序相关联的高度或者速度的约束类型，并且因此针对于这个给定的到达程序。相比之下，限制因素是针对于飞行器(例如，最大速度或针对乘客舒适性的加速度限度)的约束、并且因此与到达程序相独立。神经网络是为特定飞行器开发的，但必须能够用于任何进场程序。因此，针对神经网络的学习而生成的轨迹考虑了限制因素，但没有考虑能量约束，而实时生成的竖直轨迹考虑了限制因素和能量约束。
一旦已经完成神经网络12的学习，神经网络12就不存储所计算的轨迹，而是存储将允许该神经网络尽可能快地产生朝向递减解的收敛的权重/超参数、参数之间的关系。可以通过增加层数和/或每层的神经元的数量来改善神经网络的性能。
神经网络12被记录在数据处理单元6中。
因此，使用神经网络12来计算估计代价允许在不执行复杂计算的情况下获得快速估计。这允许在飞行器机载的一个或多个计算机中实时地实施处理。
特别地，数据处理单元6因此可以表示连接至飞行器AC的FMS类型的飞行管理系统的计算机。该数据处理单元可以是集成在FMS系统中的模块，或者是相对于FMS系统的远程模块、例如集成在连接至FMS系统的EFB(电子飞行包)类型的便携式电子单元中的模块。当最佳竖直轨迹由EFB类型的单元确定时，该最佳竖直轨迹被发送到飞行器的FMS系统以便被实施。可能地，这个轨迹可以通过考虑飞行器的其他判据(例如已释放起落架等)来修改。
此外，在优选实施例中，装置1的数据库的设备2可以尤其包括地面数据库、天气数据库和/或飞行器性能数据库，这些数据库允许通过在表格中进行差值来从其后应用飞行策略的先前状态来估计飞行器的新状态(高度、速度、质量、配置等)。
另外，数据输入单元5包括一组信息源，诸如飞行器的传感器(用于增强天气数据库的天气雷达、飞行器的构型传感器(襟翼、发动机速度、已释放的起落架等)或测量或计算系统。
数据输入单元5还包括人机接口16(接口)，该人机接口允许操作者、尤其是飞行器的驾驶员将诸如目标位置Ptgt和/或处理中使用的一个或多个判据(天气、噪音等)的参数输入到装置1中。这个人机接口16可以包括各种标准期间，例如便携式键盘/屏幕组，诸如便携式计算机或平板电脑，或者航空电子设备类型的内部器件(例如，驾驶舱中的屏幕、键盘、以及轨迹球)。
在一个特定实施例中，数据输入单元5还包括信息传输系统，以允许至少自动接收从飞行器外部接收的数据。
此外，所述装置1(图1)尤其包括作为设备8的用户系统的显示单元17(显示单元)，该显示单元被配置成在飞行器的驾驶舱中的可视显示屏上显示至少所述最佳竖直轨迹TV。
设备8还可以包括机载系统，诸如自动驾驶系统(例如最佳轨迹能够用作自动导航的参考)，或者用于通知空中交通管制(例如通过标准数据传输链路)所执行的处理的结果的装置。
而且，装置1可以与用于生成最佳侧向轨迹的标准系统相组合或者可以包括这样的系统，以便获得优化的4-D飞行轨迹。
除了来自所述数据库2的信息之外，装置1尤其使用由飞行员(使用接口16)配置的或者以默认值保留的一组参数。实施本发明唯一不可缺少的信息是目标位置Ptgt(也就是飞行员希望所生成的轨迹结束的点)。这个目标位置Ptgt处的目标状态E0由几何位置(纬度、经度、高度、路线)限定，但还可能由附加限制因素(速度、质量、构型等)限定。进场阶段中最常见的目标位置Ptgt是稳定点(在进场速度下，高于着陆带的阈值高度1000英尺，或者有时是1500英尺)。
在优选的应用中，装置1因此允许生成考虑到飞行器的当前能量状况的进场轨迹，并以最佳的方式将该飞行器带到进场的稳定点处的最佳能量状况。
由于使用了神经网络12(该神经网络允许通过打破现有约束(例如能量约束)来快速且精确地计算所考虑的下一状态(或节点)与将要达到的状态(即飞行器AC的当前状态E0)之间的代价C2的估计)，装置1能够快速地计算所考虑的下一状态中的每一个下一状态的估计总代价CG，以便能够在迭代处理期间选择具有最低估计总代价的那些状态、或向其给予优先性。因此，用于生成竖直轨迹的时间长度得以减小，并且可以实时实施。
因此，如上所述，装置1实时创建尤其具有以下特征的竖直(飞行)轨迹TV：
-它是优化的；
-它符合约束，例如能量约束；以及
-它允许飞行器AC的当前位置PC连接至操作者(通常是飞行器的驾驶员)限定的目标位置Ptgt。
因此，所述装置1具有以下优点：
-它允许机组人员在他们的机上决策过程中得到帮助。自动轨迹生成的目的是在被认为复杂的状况下减少机上机组人员的工作量。这些状况与(尤其是由于环境的变化(例如进场阶段中跑道的变化)引起的)飞行员的繁重工作量相关联；以及
-它允许产生系统性地穿过飞行器并且是最佳的竖直轨迹，以用于在机载屏幕上显示并且可能地传输至用于接收的空中交通管制。这个竖直轨迹可以用作参考、并且联接至用于自动跟踪(将飞行器的位置束缚在这个轨迹上)的导航计算机。
由装置1的数据处理单元6实施的迭代处理包括处理步骤S0。这个处理步骤S0包括图5中示出的一系列子步骤S1至S3。这一系列子步骤S1至S3是自动且重复地实施的。
如图2和图5所示，所述一系列子步骤包括：
-生成子步骤S1，该生成子步骤由生成单元9实施、并且包括根据所谓的计算状态生成一个或多个所谓的下一状态；
-代价计算子步骤S2，该代价计算子步骤由代价计算单元10实施并且包括计算在生成子步骤S1中生成的下一状态中的每一个下一状态的估计总代价CG。估计总代价CG等于计算的实际代价C1与使用神经网络12计算的估计代价C2的加和；以及
-识别子步骤S3，该识别子步骤由识别单元14实施、并且包括在生成子步骤S1中生成的所述下一状态当中识别具有最低估计总代价的状态，由此识别的状态表示所考虑的迭代的所谓的下一状态。
迭代地实施从S1到S3的这一系列子步骤，直到在识别步骤S3中识别的状态至少以预先确定的接近度与当前状态EC接近。于是，所获得的在目标状态E0与所述识别状态之间的竖直轨迹表示所生成的最佳竖直轨迹。
为了根据计算状态生成一个或多个下一状态，生成子步骤S1使用飞行器的、优选地基于距离而对总斜率和能量分配因子值进行积分的运动方程。
在代价计算子步骤S2中，对于所考虑的每个下一状态，所述下一状态和飞行器的当前状态被输入到神经网络12中，该神经网络计算在所述下一状态与飞行器的所述当前状态之间估计的代价。
在一个特定实施例中，在代价计算子步骤S2中，通过考虑大气条件(诸如风和/或ΔISA类型的温度差)来对估计代价C2进行校正。由此校正的估计代价用于计算估计总代价CG。

Claims (9)

1.一种用于为飞行器生成最佳竖直轨迹的方法，所述竖直轨迹(TV)限定在所述飞行器(AC)的所谓的当前状态(EC)与所谓的目标状态(E0)之间，所述当前状态包括所述飞行器(AC)的当前位置(PC)，所述目标状态包括目标位置(Ptgt)，
所述方法包括由数据处理单元(6)实施的处理步骤(S0)，所述处理步骤(S0)包括迭代地实施的一系列子步骤(S1，S2，S3)，所述处理步骤(S0)包括在每次迭代中根据所谓的计算状态确定所谓的下一状态，由此确定的每个下一状态(Ena)具有限定在所述目标状态(E0)与所述下一状态(Ena)之间的相关联的轨迹部分(Tna1)，
根据所述方法，对于给定的迭代在所述处理步骤(S0)中确定的所述状态在下一次迭代中用作计算状态，并且在第一次迭代期间考虑的所述计算状态是所述目标状态(E0)，
根据所述方法，实施所述处理步骤(S0)直到所确定的下一状态至少以预先确定的接近度与所述飞行器(AC)的当前状态(EC)接近，以预先确定的接近度与所述飞行器(AC)的当前状态(EC)接近的所述状态所关联的所述轨迹部分形成所述最佳竖直轨迹(TV)，
所述方法还包括由数据传输链路(7)实施的数据传输步骤，所述数据传输步骤包括向至少一个用户系统(8)传输至少所述最佳竖直轨迹(TV)，
其特征在于，为了在每次迭代中确定下一状态，所述处理步骤(S0)包括以下一系列子步骤(S1，S2，S3)：
-生成子步骤(S1)，所述生成子步骤包括根据所述计算状态生成一个或多个下一状态；
-代价计算子步骤(S2)，所述代价计算子步骤包括计算在所述生成子步骤(S1)中生成的所述下一状态中的每一个下一状态的估计总代价，所述估计总代价等于通过将预先确定的约束考虑在内而在所述目标状态(E0)与所考虑的下一状态(Ena)之间计算的实际代价同在所考虑的所述下一状态(Ena)与所述飞行器(AC)的当前状态(EC)之间计算的估计代价的加和，所述估计代价使用基于所述飞行器(AC)的性能计算而不考虑能量约束的至少一个确定性神经网络(12)来计算，所述状态与所述神经网络(12)的节点相对应；以及
-识别子步骤(S3)，所述识别子步骤包括在所述生成子步骤(S1)中生成的所述下一状态当中识别具有最低估计总代价的所述状态，由此识别的所述状态表示所考虑的所述迭代中的所述所谓的下一状态。
2.根据权利要求1所述的方法，
其特征在于，在所述代价计算子步骤(S2)中，对于所考虑的每个下一状态，所述下一状态和所述飞行器(AC)的当前状态(EC)被输入到所述神经网络(12)中，所述神经网络计算所述下一状态与所述飞行器(AC)的所述当前状态(EC)之间的所述估计代价。
3.根据权利要求1和2中任一项所述的方法，
其特征在于，在所述代价计算子步骤(S2)中，所述估计代价通过将大气条件考虑在内来进行校正，由此校正的所述估计代价用于计算所述估计总代价。
4.根据前述权利要求中任一项所述的方法，
其特征在于，在所述神经网络(12)中，表示状态的节点至少由相对于预先确定的位置的距离、高度、速度、以及至少一个飞行参数来限定。
5.根据前述权利要求中任一项所述的方法，
其特征在于，为了根据所述计算状态生成一个或多个下一状态，所述生成子步骤(S1)使用所述飞行器(AC)的将总斜率和能量分配因子值进行积分的运动方程。
6.根据前述权利要求中任一项所述的方法，
其特征在于，所述方法包括在所述处理步骤(E0)之后实施的学习步骤，所述学习步骤包括使所述神经网络(12)进行学习。
7.根据权利要求6所述的方法，
其特征在于，所述学习步骤使用的用于所述神经网络(12)的学习的输入数据是多个最佳轨迹的初始位置、最终位置、以及代价，所述最佳轨迹是针对不同且无约束的初始条件和最终条件限定的。
8.一种用于为飞行器生成最佳竖直轨迹的装置，所述竖直轨迹(TV)限定在所述飞行器(AC)的所谓的当前状态(EC)与所谓的目标状态(E0)之间，所述当前状态包括所述飞行器(AC)的当前位置(PC)，所述目标状态包括目标位置(Ptgt)，所述装置(1)包括：
-数据输入单元(5)；
-实施迭代处理的数据处理单元(6)，所述数据处理单元(6)被配置成在每次迭代中根据所谓的计算状态确定所谓的下一状态，由此确定的每个下一状态具有限定在所述目标状态(E0)与所述下一状态之间的相关联的轨迹部分，在给定迭代中确定的所述状态在下一次迭代中用作计算状态，在第一次迭代期间考虑的所述计算状态是所述目标状态(E0)，所述数据处理单元(6)重复所述迭代处理，直到所确定的下一状态至少以预先确定的接近度与所述飞行器(AC)的当前状态(EC)接近，以预先确定的接近度与所述飞行器(AC)的当前状态(EC)接近的所述状态所关联的所述轨迹部分形成所述最佳竖直轨迹(TV)；以及
-数据传输链路(7)，所述数据传输链路包括向至少一个用户系统(8)传输至少所述最佳竖直轨迹(TV)，
其特征在于，所述数据处理单元(6)包括：
-生成单元(9)，所述生成单元包括在每次迭代中根据所述计算状态生成一个或多个下一状态；
-代价计算单元(10)，所述代价计算单元包括计算由所述生成单元(9)生成的所述下一状态中的每一个下一状态的估计总代价，所述估计总代价等于通过将预先确定的约束考虑在内而在所述目标状态(E0)与所考虑的下一状态之间计算的实际代价同在所考虑的所述下一状态与所述飞行器(AC)的当前状态(EC)之间计算的估计代价的加和，所述估计代价使用至少一个确定性神经网络(12)来计算；
-所述神经网络(12)，所述神经网络基于所述飞行器(AC)的性能计算而不考虑能量约束，所述状态与所述神经网络(12)的节点相对应；以及
-识别单元(14)，所述识别单元包括在所述生成单元(9)生成的所述下一状态当中识别具有最低估计总代价的所述状态，由此识别的所述状态表示所考虑的所述迭代中的所述所谓的下一状态。
9.根据权利要求8所述的装置，
其特征在于，所述装置包括作为用户系统(8)的显示单元(17)，所述显示单元被配置成显示至少所述最佳竖直轨迹(TV)。
CN201911278444.0A 2018-12-17 2019-12-13 用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置 Pending CN111324141A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1873084 2018-12-17
FR1873084A FR3090090B1 (fr) 2018-12-17 2018-12-17 Procédé et dispositif pour générer une trajectoire verticale optimale destinée à être suivie par un aéronef

Publications (1)

Publication Number Publication Date
CN111324141A true CN111324141A (zh) 2020-06-23

Family

ID=66530233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911278444.0A Pending CN111324141A (zh) 2018-12-17 2019-12-13 用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置

Country Status (3)

Country Link
US (1) US11487301B2 (zh)
CN (1) CN111324141A (zh)
FR (1) FR3090090B1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3064762B1 (fr) * 2017-04-04 2020-07-31 Thales Sa Gestion de la phase de descente d'un aeronef
CN112947562B (zh) * 2021-02-10 2021-11-30 西北工业大学 一种基于人工势场法和maddpg的多无人机运动规划方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2682791B1 (fr) * 1991-10-18 1995-04-28 Thomson Csf Procede d'evitement des collisions entre aeronefs et ensemble optique destine a sa mise en óoeuvre.
US6727851B2 (en) * 2000-09-20 2004-04-27 The Corporation Of Mercer University System for signal emitter location using rotational doppler measurement
US20050230563A1 (en) * 2004-02-21 2005-10-20 Corcoran James J Iii Automatic formation flight control system
US7872948B2 (en) * 2008-04-14 2011-01-18 The Boeing Company Acoustic wide area air surveillance system
US8543265B2 (en) * 2008-10-20 2013-09-24 Honeywell International Inc. Systems and methods for unmanned aerial vehicle navigation
FR2939325B1 (fr) * 2008-12-04 2015-10-16 Parrot Systeme de drones munis de balises de reconnaissance
US8165171B2 (en) * 2009-03-19 2012-04-24 Raytheon Bbn Technologies Corp. Methods and systems for distributed synchronization
CA2812950A1 (en) * 2010-09-29 2012-04-19 University Of Virginia Patent Foundation Method, system and computer program product for optimizing route planning digital maps
US9275645B2 (en) * 2014-04-22 2016-03-01 Droneshield, Llc Drone detection and classification methods and apparatus
WO2015175440A1 (en) * 2014-05-12 2015-11-19 Unmanned Innovation, Inc. Unmanned aerial vehicle authorization and geofence envelope determination
US9354296B2 (en) * 2014-05-20 2016-05-31 Verizon Patent And Licensing Inc. Dynamic selection of unmanned aerial vehicles
US9454151B2 (en) * 2014-05-20 2016-09-27 Verizon Patent And Licensing Inc. User interfaces for selecting unmanned aerial vehicles and mission plans for unmanned aerial vehicles
US9728089B2 (en) * 2014-12-31 2017-08-08 AirMap, Inc. System and method for controlling autonomous flying vehicle flight paths
US9601022B2 (en) * 2015-01-29 2017-03-21 Qualcomm Incorporated Systems and methods for restricting drone airspace access
FR3043456B1 (fr) 2015-11-05 2018-09-21 Airbus Operations Procede et dispositif pour generer une trajectoire verticale optimale destinee a etre suivie par un aeronef.
WO2017139001A2 (en) * 2015-11-24 2017-08-17 Droneshield, Llc Drone detection and classification with compensation for background clutter sources
US20170178518A1 (en) * 2015-12-16 2017-06-22 At&T Intellectual Property I, L.P. Method and apparatus for controlling an aerial drone through policy driven control rules
US11572166B2 (en) * 2016-03-16 2023-02-07 Fujitsu Limited Unmanned aerial vehicle operation systems

Also Published As

Publication number Publication date
US11487301B2 (en) 2022-11-01
FR3090090B1 (fr) 2021-01-08
FR3090090A1 (fr) 2020-06-19
US20200192405A1 (en) 2020-06-18

Similar Documents

Publication Publication Date Title
US11257382B2 (en) System and method for optimizing a cruise vertical profile subject to a time-of-arrival constraint
US9224302B1 (en) Four dimensional flight management with time control system and related method
US10636313B2 (en) Method and device for generating an optimum vertical path intended to be followed by an aircraft
US11174034B2 (en) Optimizing aircraft control based on noise abatement volumes
US8825366B2 (en) Method and device for determining an optimal flight trajectory followed by an aircraft
JP6034130B2 (ja) 航空機パラメータを推定するための方法およびシステム
EP2947637B1 (en) Method of predicting with high accuracy a descent trajectory described by means of the aircraft intent description language (AIDL)
CA2935349C (en) System and method of refining trajectories for aircraft
CN110349445B (zh) 具有多个rta约束的有效飞行剖面
US11262746B1 (en) Simultaneously cost-optimized and policy-compliant trajectory generation for unmanned aircraft
WO2009091431A1 (en) Computing flight plans for uavs while routing around obstacles having spatial and temporal dimensions
US9507053B2 (en) Using aircraft trajectory data to infer atmospheric conditions
CN102915652A (zh) 飞行器交通分离系统
CA3004555C (en) System and method for determining uncertainty in a predicted flight path for an aerial vehicle
EP3598261B1 (en) Method and system for determining a descent profile
CN111324141A (zh) 用于生成旨在由飞行器遵循的最佳竖直轨迹的方法和装置
Quinones-Grueiro et al. Online decision making and path planning framework for safe operation of unmanned aerial vehicles in urban scenarios
US20220020277A1 (en) Assurance module
Fügenschuh et al. Flight planning for unmanned aerial vehicles
Fügenschuh et al. Mission planning for unmanned aerial vehicles
Banerjee et al. Uncertainty Quantification of Expected Time-of-Arrival in UAV Flight Trajectory
Wells et al. Application of interacting multiple model for future state prediction of small unmanned aerial systems
Zaychenko et al. Automation of Vehicle Control Systems and Emerging Networking
Czerlitzki The experimental flight management system: advanced functionality to comply with ATC constraints
Ayalew et al. Data Driven UAM Flight Energy Consumption Prediction and Risk Assessment

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