CN111780766B - 融合动态风险图和改进a*算法的动态改航规划方法 - Google Patents

融合动态风险图和改进a*算法的动态改航规划方法 Download PDF

Info

Publication number
CN111780766B
CN111780766B CN202010646414.7A CN202010646414A CN111780766B CN 111780766 B CN111780766 B CN 111780766B CN 202010646414 A CN202010646414 A CN 202010646414A CN 111780766 B CN111780766 B CN 111780766B
Authority
CN
China
Prior art keywords
risk
algorithm
points
dynamic
point
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.)
Active
Application number
CN202010646414.7A
Other languages
English (en)
Other versions
CN111780766A (zh
Inventor
李海
郭水林
周晔
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.)
Civil Aviation University of China
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Civil Aviation University of China
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
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 Civil Aviation University of China, Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Civil Aviation University of China
Priority to CN202010646414.7A priority Critical patent/CN111780766B/zh
Publication of CN111780766A publication Critical patent/CN111780766A/zh
Application granted granted Critical
Publication of CN111780766B publication Critical patent/CN111780766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Remote Sensing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种融合动态风险图和改进A*算法的动态改航规划方法。其首先利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图，并利用实时得到的机载气象雷达探测结果对初始化风险图进行定期更新，得到一个动态风险图，以此作为算法的搜索环境。然后，将航迹长度、航迹偏离度和危险值作为约束条件来构造算法的代价函数，基于该代价函数进行航迹规划，并增加了航迹平滑优化处理以提高飞行航迹的平滑性。最后，可以得到规划的最优飞行航迹。相较其他航迹规划算法，本方法优点：从航油消耗、经济环保、空域利用率等角度考虑，提供了保守策略和非保守策略的规避策略。仿真实验验证了本方法的有效性。

Description

融合动态风险图和改进A*算法的动态改航规划方法
技术领域
本发明属于动态改航规划技术领域，特别是涉及一种融合动态风险图和改进A*算法的动态改航规划方法。
背景技术
二十世纪八十年代以来，我国民航业得到了快速发展，空中交通流量也在不断上升，因此空域资源日益紧张，飞行航路正面临着严重的饱和。危险气象是影响航空器飞行安全和导致航班延误的重要因素。据2018年中国民用航空局发布的《2018年民航行业发展统计公报》，2018年全国客运航空公司共执行航班434.58万班次，其中正常航班348.24万班次，平均航班正常率为80.13％，其中在不正常航班原因分类统计中，天气原因的影响占比47.46％。因此，如何安全有效地规避飞行过程中的危险气象，对减少航班延误，保证飞行安全具有重要的现实意义。
目前，国内外在航迹规划方面的研究主要分为飞行前航迹规划和实时航迹规划。航迹规划算法包括：传统规划算法、智能仿生算法、结合图形学的规划方法、启发式搜索算法等。传统规划算法对航迹进行规划，为解决传统算法易陷入局部最优的问题，对算法进行了改进，但是规划后的航迹不够平滑。智能仿生算法对航迹进行规划，此类算法具有容易实现，鲁棒性强等优势，但算法的计算量大，而且无法保证所规划的航迹是全局最优的航迹。结合图形学的航迹规划方法，规划过程直观，而且能够兼顾规划时间和航迹质量，但算法复杂度随着危险区域增多时提升，因此不适用于复杂的危险气象场景。A*算法作为一种启发式搜索算法，在应用于复杂的气象环境场景下时，会出现搜索陷入死循环无法跳出和规划后的航迹不够平滑问题。
综上所述，目前关于航迹规划的研究大多数都没有利用机载气象雷达的探测信息，在这种情况下，规划的航迹就容易产生冗余的绕飞距离，导致无谓的航油消耗。机载气象雷达作为民航飞机的“双眼”，能够实时探测飞行航路前方的危险气象，为飞行员绕飞策略的制定提供了最直接的先验信息。现行的机载气象雷达采用的是单极化雷达，单极化雷达发射时发射垂直或水平单一极化信号，接收时也接收同一单一极化的雷达回波信号，目标在单极化雷达照射下只受垂直或水平单一极化电磁波激励。因此，单极化雷达仅能通过雷达反射率对降水目标的含水量予以检测，并用不同的颜色来表示不同的降水等级，并不具备降水粒子区分的功能。而作为下一代的机载气象雷达——双极化雷达，双极化雷达能够同时接收目标雷达回波信号的同极化和交叉极化分量。因此，双极化雷达能够对降雨粒子进行精确的分类，揭示各种降水系统中小雨滴、大雨滴、霰、冰雹、雪花、冰晶等多种水凝物粒子的分布，为飞行员绕飞策略的制定提供了更加精确的先验信息，能够在保证飞行安全的情况下，规划出更加合理的绕飞航迹，从而减少绕飞距离和航油消耗。
发明内容
为了解决上述问题，本发明的目的在于提供融合动态风险图和改进A*算法的动态改航规划方法。
为了达到上述目的，本发明提供的融合动态风险图和改进A*算法的动态改航规划方法包括按顺序进行的下列步骤：
1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；
2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段；
3)以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段。
在步骤1)中，所述的利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的方法是：将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图。
在步骤2)中，所述的利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的方法是：将实时得到的机载气象雷达的探测结果按步骤1)的方法进行处理，得到一个风险矩阵，利用不断定期更新的风险矩阵对初始化风险图进行定期更新，从而得到一个动态风险图。
在步骤3)中，所述的以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的方法是：根据步骤2)获得的动态风险图，以此作为A*算法的搜索环境，将航迹长度、航迹偏离度和危险值作为约束条件构造A*算法的代价函数，基于构造的代价函数进行飞行航迹规划，并对规划后的飞行航迹进行航迹平滑优化处理，以提高飞行航迹的平滑性，最终得到最优飞行航迹。
本发明提供的融合动态风险图和改进A*算法的动态改航规划方法，首先利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图，并利用实时得到的机载气象雷达探测结果对初始化风险图进行定期更新，得到一个动态风险图，以此作为算法的搜索环境。然后，将航迹长度、航迹偏离度和危险值作为约束条件来构造算法的代价函数，基于该代价函数进行航迹规划，并增加了航迹平滑优化处理以提高飞行航迹的平滑性。最后，可以得到规划的最优飞行航迹。相较其他航迹规划算法，本方法的创新点主要体现在1)利用机载气象雷达的探测结果，并对不同危险气象类型进行数字化风险评估，从而建立一个飞行区域的风险图。2)对算法的代价函数的构造，以航迹长度、航迹偏离度和危险值作为约束条件，并且对算法的搜索方式进行了改进，以及增加了航迹平滑优化处理。3)从航油消耗、经济环保、空域利用率等角度考虑，提供了保守策略和非保守策略的规避策略。仿真实验验证了本方法的有效性。
附图说明
图1为本发明提供的融合动态风险图和改进A*算法的动态改航规划方法流程图。
图2为飞行区域的初始化风险图。
图3为拐弯角示意图。
图4为飞行区域划分图。
图5为正向扩展式搜索流程图。
图6(a)为转弯单元格点筛选策略图。图6(b)为去除冗余转弯单元格点的结果。
图7为改进A*算法流程图。
图8为改进A*算法仿真结果图(T＝0)。
图9为改进A*算法仿真结果图(T＝0.2)。
图10为改进A*算法仿真结果图(T＝0.4)。
图11为蚁群算法仿真结果图(T＝0)。
图12为遗传算法仿真结果图(T＝0)。
图13为蚁群算法仿真结果图(T＝0.2)。
图14为遗传算法仿真结果图(T＝0.2)。
图15为蚁群算法仿真结果图(T＝0.4)。
图16为遗传算法仿真结果图(T＝0.4)。
具体实施方式
下面结合附图和具体实例对本发明提供的融合动态风险图和改进A*算法的动态改航规划方法进行详细说明。
如图1所示，本发明提供的融合动态风险图和改进A*算法的动态改航规划方法包括按顺序进行的下列步骤：
1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；
在此阶段中，将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图。
具体方法如下：
机载气象雷达的最大探测距离是600千米(600千米≈320海里)，运输航空完成一次转弯至少需要7.4千米(7.4千米≈4海里)。因此，本发明首先将机载气象雷达的探测结果进行离散化处理，并针对不同危险气象类型进行数字化风险评估，数字化风险评估表如表1所示。为简化模型，并保证航空器能在一个单元格内顺利执行一次转弯，本发明取边长为8.0海里的正方形作为一个单元格点，根据离散化后的机载气象雷达的探测结果得到一个M×N的探测结果矩阵，其中M＝40，N＝40。为简单起见，本发明只考虑航空器的巡航阶段，因为对于起飞和进近阶段也可以进行类似的考虑。
表1危险气象类型数字化风险评估表
气象类型 类型 可能值
冰雹 a [90-100]
湍流 b [70-100]
重/极雨 c [30-70]
轻/中雨(毛毛雨) d [0-10]
雪 e [0-20]
严重结冰 f [60-90]
轻/中度结冰 g [0-30]
风切变 h [70-100]
雷暴 i [0-10]
假设某一时刻得到的机载气象雷达的探测结果矩阵如表2所示。
表2机载气象雷达的探测结果矩阵
利用表1的数字化风险评估表对表2的机载气象雷达探测结果矩阵进行数字化风险评估，并进行归一化处理，得到一个M×N的风险矩阵，如表3所示，表中的不同数值表示不同危险气象类型的数字化评估结果。
表3风险矩阵
0 … 0.1 … 0.8 … 0.5 … 0
… … … … … …
0 … 0.125 … 0.75 … 0.25 … 0
… … … … …
0 … 0 … 0.6 … 0.1 … 0.1
… … … … …
0 … 0.15 … 0.5 … 0 … 0
利用表3的风险矩阵可以得到一个M×N的飞行区域的初始化风险图，如图2所示。为方便起见，本发明对初始化风险图中的单元格点进行编号Px,y(x＝1,2,...,N；y＝1,2,...,M)，故单元格点Px,y的坐标用(x,y)表示，对于单元格点Px,y处的风险系数用Fx,y表示，风险系数Fx,y即为风险矩阵中的数字化评估结果值。假设图2中左下方的黑色单元格点为改航起点S(Xs,Ys)，其中Xs＝1，Ys＝1；右上方的紫色单元格点为改航终点G(Xg,Yg)，其中Xg＝40，Yg＝40。图中不同位置单元格点的不同颜色表示不同危险气象类型的风险系数Fx,y，风险系数Fx,y的取值在0-1之间，图中白色区域表示风险系数为0。
在初始化风险图中，任意飞行航迹都可以用单元格点序列表示，相邻单元格点用直线连接起来。假设计划航迹的单元格点序列为{S,P2,2,P3,3,...,Px,y,...,G}(x＝y)，其中，S表示改航起点，G表示改航终点，Px,y表示初始化风险图中单元格点。
根据计划航迹的单元格点序列{S,P2,2,P3,3,...,Px,y,...,G}(x＝y)，将计划航迹的单元格点序列用直线连接起来，则，坐标满足式(1)的单元格点表示计划航迹：
y＝x (1)
式(1)中，x和y分别表示风险图中单元格点Px,y的横坐标和纵坐标。
2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段。
在此阶段中，利用实时得到的机载气象雷达的探测结果对步骤1)建立的初始化风险图进行定期更新，从而得到一个动态风险图。
具体方法如下：
将实时得到的机载气象雷达的探测结果按步骤1)的方法进行处理，得到一个风险矩阵，利用不断定期更新的风险矩阵，得到一个动态风险图。本发明中设定风险图的定期更新时间为5min。
3)利用步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段。
在此阶段中，根据步骤2)得到的动态风险图，以此作为A*算法的搜索环境，将航迹长度、航迹偏离度和危险值作为约束条件构造A*算法的代价函数，基于构造的代价函数进行飞行航迹规划，并对规划后的飞行航迹进行航迹平滑优化处理以提高飞行航迹的平滑性。
具体方法如下：
对于上述动态风险图，需要定义代价函数对扩展的单元格点进行评估，从而挑选出最优飞行航迹的单元格点，设计的代价函数由实际代价和启发函数组成，如下所示：
f(Px,y)＝g(Px,y)+h(Px,y) (2)
式(2)中，Px,y是待扩展的单元格点；g(Px,y)表示从改航起点到单元格点Px,y的实际代价(已经付出的代价)；h(Px,y)为启发函数，是从单元格点Px,y到达改航终点的预估代价(预计付出的代价)。
在航空器的飞行航迹规划过程中，不仅需要考虑航迹长度，同时还要考虑航空器与计划飞行航迹的偏离距离，以及航空器采取非保守策略进行危险气象规避时的风险值。因此，对式(2)中的实际代价进行如下所示的设计：
式(3)中，Lx,y表示单元格点Px,y到改航起点的距离；Cx,y表示单元格点Px,y与计划飞行航迹的偏离距离；Fx,y表示单元格点Px,y处的风险系数；Xs和Ys分别表示改航起点的横坐标和纵坐标；w1、w2、w3分别表示单元格点Px,y到改航起点的距离Lx,y、单元格点Px,y与计划飞行航迹的偏离距离Cx,y和单元格点Px,y处的风险系数Fx,y这三项指标的相应权重值，可根据实际飞行需求设置相应的权重值，本发明中设定的三项指标的权重值都为1。
常见的启发函数有曼哈顿距离、欧式距离、切比雪夫距离和Octile距离这四种。在此，为了减小航迹长度和转弯次数，对式(2)中的启发函数，本发明采用欧式距离，其公式如下：
式(4)中，Xg和Yg分别表示改航终点的横坐标和纵坐标。
在进行飞行航迹规划时，除了要避开设置的危险区域，还需要考虑航空器的飞行性能和飞行安全的约束。因此，需要考虑的约束条件有以下几个：
(1)最小航段距离限制
最小航段距离是指两个转弯点(改航点或航路点)之间的距离，其长度应满足在该距离内航空器可顺利完成2次转弯(θ≥90°)，假设该航段为D，最小航段距离为Dmin，根据不同的机型，则需满足：
D＝τ·Dmin (5)
公式(5)中，τ为不同机型航空器对应的拐弯距离系数。
(2)拐弯角度限制
转弯角度指飞行过程中航空器航向的改变量，航向指的是航空器纵轴所指的方向，如图3所示，假设航空器从A向B飞行，途中经过转弯点O进行转弯。出于飞行安全因素考虑，转弯角度∠AOB通常不小于90°，即∠AOB≥90°。
(3)危险区域限制
对于航空器来说，通常情况下对于雷达回波强度大于等于41dBZ的危险区域，不允许航空器穿越飞行，必须采取规避策略。
(4)危险系数设置
在规避危险气象的过程中，根据选择策略的不同，可设置相应的危险系数T(0≤T≤1)。在保守策略下，设置的危险系数T＝0；在非保守策略下可设置不同的危险系数T，需要注意的是设置的危险系数T越大，则规避时所面临的危险越高。
根据上述的约束条件，并结合式(1)，从改航起点S向改航终点G的方向进行正向扩展式搜索，利用设计的代价函数f(Px,y)来控制搜索方向，并对扩展的单元格点进行选择。关于正向扩展式搜索的搜索区域如下所示：
y＝x-d (6)
y＝x+d (7)
式(6)和(7)中的d＝3,6,9,...,3n(3n＜N)表示截距。其中，搜索区域上边界单元格点的坐标满足式(6)的约束，下边界单元格点的坐标满足式(7)的约束。
搜索过程以计划飞行航迹为分界，将飞行区域分为上下两部分，其中往上扩展的区域为飞行区域I，往下扩展的区域为飞行区域II。对于划分的飞行区域I和飞行区域II，首先对飞行区域I进行搜索，然后对飞行区域II进行搜索。在此，以飞行区域I为例，如图4所示，根据截距的取值d＝3,6,9,...,3n(3n≤N)所得到的约束边界(图4中黑色虚线)将飞行区域I分成若干个搜索区域，依次命名为A(3),A(6),A(9),...,A(3n)(3n≤N)。
正向扩展式搜索的具体流程图如图5所示。首先，初始化截距d＝3，并将飞行区域I内风险系数Fx,y＞T的单元格点设置为非可行单元格点(路障点)。其次，通过代价函数在搜索区域A(3)内进行搜索，当搜索陷入死区(被路障点包围，算法无法自动跳出的区域)时，则基于当前单元格点，在其相邻单元格点中随机选取未被遍历的可行单元格点并继续搜索。此时，当搜索到达改航终点时，则停止搜索，输出搜索得到的单元格点集合；否则，判定搜索区域A(3)内无法通行。然后，增大截距d的值，基于搜索区域A(3)约束边界上被遍历过的单元格点，随机选择其在搜索区域A(6)内的相邻可行单元格点并继续搜索(搜索区域包含搜索区域A(6)和搜索区域A(3))。此时，如果没有搜索到达改航终点，则继续增大截距d的值，基于搜索区域A(6)约束边界上被遍历过的单元格点，随机选择其在搜索区域A(9)内的相邻可行单元格点并继续搜索，并以此类推，直到在搜索区域A(3n)内搜索到达改航终点为止。在增大截距d进行搜索的过程中，如果d＞N时还没有搜索到达改航终点，则判定该飞行区域在当前危险系数T值下，航空器无法穿越飞行，搜索结束。对于飞行区域II的搜索操作同飞行区域I一样，在此不再赘述。
正式扩展式搜索结果存在以下三种可能：
情况1：飞行区域I和飞行区域II仅有一个区域能够搜索到达改航终点。此时，选择能够搜索到达改航终点的飞行区域，并获得该区域内搜索得到的单元格点集合。
情况2：飞行区域I和飞行区域II都搜索到达改航终点。此时，根据机载气象雷达的探测结果选择危险气象分布比较稀疏且危险气象的风险系数比较小的飞行区域，并获得该区域内搜索得到的单元格点集合。
情况3：飞行区域I和飞行区域II都没有搜索到达改航终点，则判定在当前危险系数T下航空器无法穿越飞行。此时，飞行员可以考虑在保证飞行安全的情况下，适当增大危险系数T的值并重新进行航迹规划，或者采取其他策略(例如：就地备降、上升飞行高度、降低飞行高度)。
经过上述的正向扩展式搜索操作之后，设最终搜索得到的单元格点集合为Q1＝{Pi(xi,yi)|i＝0,1,2,...,m}。
对于上述单元格点集合Q1中的航迹单元格点会在计划飞行航迹附近一侧呈散点状分布。因此，需要做进一步的优化筛选，去除冗余的单元格点。在此，本发明采用最小二乘法进行多项式拟合，拟合曲线的两端点分别是改航起点和改航终点，则拟合模型如下所示：
式(8)中，a0,a1,a2,...,an,表示多项式系数；k为自变量。
根据上述单元格点集合Q1＝{Pi(xi,yi)|i＝0,1,2,...,m}，将单元格点集合Q1中的坐标点{Pi(xi,yi),i＝0,1,2,m}带入式(8)中，得到如下方程组：
式(9)中，aj表示多项式系数；m表示单元格点集合Q1中单元格点的总数；表示单元格点Pi的横坐标xi的j次方。其矩阵形式如下：
利用上述最小二乘法可以求得经过改航起点和改航终点的单元格点集合Q1的拟合曲线，利用拟合曲线将距拟合曲线最近的单元格点筛选出来并保存，设优化筛选得到的单元格点集合为Q2＝{Pi(xi,yi)|i＝0,1,2,...,n}(n≤m)。
经过上述最小二乘法处理后，优化筛选得到的单元格点集合Q2中的单元格点是关于拟合曲线附近筛选保存出来的单元格点，是一个无序的单元格点集合，而且在越靠近改航起点S的部分，保存出来的单元格点的分布越密集；在越靠近改航终点G的部分，保存出来的单元格点的分布越稀疏。在此，为提高算法的搜索效率，并保证规划的航迹更优，本发明采取逆序搜索方式(从改航终点向改航起点进行搜索)进行航迹搜索。同样，本发明采用代价函数f(Px,y)来对搜索扩展的单元格点进行选择，并控制搜索方向，由此可以得到规划航迹的单元格点序列。设搜索得到的规划航迹的单元格点序列为Q3＝{Pi(xi,yi)|i＝0,1,2,...,r}(r≤n≤m)。
通过上述规划得到的飞行航迹可能还会存在多余的拐弯点和拐弯点处出现尖锐角的情况，不利于航空器的实际飞行，从而影响飞行安全，造成过多的航油消耗，因此需要对规划后的飞行航迹进行平滑优化处理，去除多余的转弯点，并将拐弯点处的尖锐角进行平滑处理。
首先，从搜索得到的规划航迹的单元格点序列Q3中提取拐弯点。设提取的转弯单元格点集合为P＝{P(i)|i＝1,2,...,I}。转弯单元格点筛选策略图如图6所示，假设I＝10，如图6(a)所示，首先连接转弯单元格点P1，PP2，若这两个转弯单元格点不经过风险图中设置的飞行危险区域，则继续连接转弯单元格点P1，1P3，直到转弯单元格点P1，PP(i)(i＝2,3,...,k)连线经过风险图中设置的大于危险系数T的飞行危险区域，则把转弯单元格点P(i-1)，P1依次连接起来，同时删除中间的冗余转弯单元格点，更新飞行航迹；然后，从转弯单元格点P2开始重复上述操作，直到飞行航迹中没有冗余转弯单元格点，最后，得到去除冗余转弯单元格点的结果如图6(b)所示。经过上述处理后，假设得到的航迹单元格点序列为Q4＝{Pi(xi,yi)|i＝0,1,2,...,l}(l≤r≤n≤m)，即为最优航迹单元格点序列。之后，将航迹单元格点序列Q4中的单元格点依次连接起来，并对飞行航迹中出现的尖锐角进行平滑处理，使飞行航迹变得平滑，最终获得最优飞行航迹。
为了定量本发明提供的评估融合动态风险图和改进A*算法的动态改航方法规划的飞行航迹与蚁群算法和遗传算法规划的飞行航迹的优劣性，在此设定三个评估指标：航程、侧向偏离度、风险值。根据步骤3)中规划得到最优航迹单元格点序列Q4＝{Pi(xi,yi)|i＝0,1,2,...,l}(l≤r≤n≤m)，本发明对上述三个评估指标定义如下。
航程：指航空器从改航起点到改航终点所飞行经过的航迹长度，其公式定义如下：
式(11)中，l表示最优航迹单元格点序列Q4中单元格点的总数；xi和yi分别表示最优航迹单元格点序列Q4中单元格点Pi的横坐标和纵坐标；xi-1和yi-1分别表示最优航迹单元格点序列Q4中单元格点Pi-1的横坐标和纵坐标。
侧向偏离度：指规划的航迹与计划航迹的偏离程度，结合式(1)，其公式定义如下：
风险值：指在非保守策略下穿越危险区域的总风险，其公式定义如下：
式(13)中，Fi表示最优航迹单元格点序列Q4中单元格点Pi处的风险系数。
具体方法如下：
模拟仿真实验数据采用图2中的飞行风险图，利用改进A*算法进行仿真实验。同时，在相同背景下，采用了A*算法、蚁群算法和遗传算法进行了仿真实验，并与融合动态风险图和改进A*算法的动态改航方法进行对比分析。
实验1：改进A*算法与A*算法的仿真对比实验。图8是在保守策略下，危险系数T＝0，融合动态风险图和改进A*算法的动态改航方法的仿真结果图。图9和图10是在非保守策略下，危险系数T＝0.2和T＝0.4，融合动态风险图和改进A*算法的动态改航方法的仿真结果图。在保守策略下，融合动态风险图和改进A*算法的动态改航方法规划的航迹成功地规避了所有的危险区域，而A*算法没有搜到航迹；在非保守策略下，分别以危险系数T＝0.2和T＝0.4进行规避，融合动态风险图和改进A*算法的动态改航方法规划的航迹成功地规避了大于危险系数T的危险区域，而A*算法没有搜到航迹。综上所述，融合动态风险图和改进A*算法的动态改航方法优于A*算法。
实验2：在相同背景下，利用蚁群算法和遗传算法进行了仿真实验，并与融合动态风险图和改进A*算法的动态改航方法做了对比分析。图11和图12是在保守策略下，当危险系数T＝0时，蚁群算法和遗传算法的仿真结果；图13和图14是在非保守策略下，当危险系数T＝0.2时，蚁群算法和遗传算法的仿真结果；图15和图16是在非保守策略下，当危险系数T＝0.4时，蚁群算法和遗传算法的仿真结果。
表4为保守策略下，危险系数T＝0，融合动态风险图和改进A*算法的动态改航方法、蚁群算法和遗传算法关于上述三个评估指标的仿真结果数据。
表4三种算法的对比评价表(保守策略T＝0)
表5为在非保守策略，危险系数T＝0.2，融合动态风险图和改进A*算法的动态改航方法、蚁群算法和遗传算法关于上述三个评估指标的仿真结果数据。
表5：三种算法的对比评价表(非保守策略T＝0.2)
表6为非保守策略下，危险系数T＝0.4，融合动态风险图和改进A*算法的动态改航方法、蚁群算法和遗传算法关于上述三个评估指标的仿真结果数据。
表6：三种算法的对比评价表(非保守策略T＝0.4)
从上面的三个评估指标的统计数据可知，在三种不同的规避策略下，当危险系数T＝0时，融合动态风险图和改进A*算法的动态改航方法规划的航迹在航程和侧向偏离度上都要比蚁群算法和遗传算法的小，因为在保守策略下，所以它们的规避风险值都为0；当危险系数为T＝0.2时，融合动态风险图和改进A*算法的动态改航方法规划的飞行航迹在航程和侧向偏离度上都要比蚁群算法和遗传算法的小。在风险值上，蚁群算法和遗传算法比融合动态风险图和改进A*算法的动态改航方法的小，但是这不足以弥补融合动态风险图和改进A*算法的动态改航方法在航程和侧向偏离度上相对蚁群算法和遗传算法的足够优势；当危险系数T＝0.4时，融合动态风险图和改进A*算法的动态改航方法规划的飞行航迹在航程、侧向偏离度都比蚁群算法和遗传算法小；在风险值上，融合动态风险图和改进A*算法的动态改航方法小于遗传算法，大于蚁群算法，但是这同样也不足以弥补融合动态风险图和改进A*算法的动态改航方法在航程和侧向偏离度上相对蚁群算法的足够优势。综上所述，融合动态风险图和改进A*算法的动态改航方法规划的飞行航迹要优于蚁群算法和遗传算法规划的飞行航迹。

Claims (1)

1.一种融合动态风险图和改进A*算法的动态改航规划方法，其特征在于：所述的方法包括按顺序进行的下列步骤：
1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段,将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图；
对初始化风险图中的单元格点进行编号Px,y，其中x＝1,2,...,N；y＝1,2,...,M，故单元格点Px,y的坐标用(x,y)表示，对于单元格点Px,y处的风险系数用Fx,y表示；风险系数Fx,y的取值在0-1之间；
在初始化风险图中，根据计划航迹的单元格点序列{S,P2,2,P3,3,...,Px,y,...,G}，x＝y，其中，S表示改航起点，G表示改航终点，Px,y表示初始化风险图中单元格点，将计划航迹的单元格点序列用直线连接起来，则，坐标满足式(1)的单元格点表示计划航迹：
y＝x (1)
式(1)中，x和y分别表示风险图中单元格点Px,y的横坐标和纵坐标；
2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段,将实时得到的机载气象雷达的探测结果按步骤1)的方法进行处理，得到一个风险矩阵，利用不断定期更新的风险矩阵对初始化风险图进行定期更新，从而得到一个动态风险图；
3)以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段,根据步骤2)获得的动态风险图，以此作为A*算法的搜索环境，将航迹长度、航迹偏离度和危险值作为约束条件构造A*算法的代价函数，基于构造的代价函数进行飞行航迹规划，并对规划后的飞行航迹进行航迹平滑优化处理，以提高飞行航迹的平滑性，最终得到最优飞行航迹；
对于上述动态风险图，需要定义代价函数对扩展的单元格点进行评估，从而挑选出最优飞行航迹的单元格点，设计的代价函数由实际代价和启发函数组成：
f(Px,y)＝g(Px,y)+h(Px,y) (2)
式(2)中，Px,y是待扩展的单元格点；g(Px,y)表示从改航起点到单元格点Px,y的实际代价；h(Px,y)为启发函数，是从单元格点Px,y到达改航终点的预估代价；对式(2)中的实际代价进行如下设计：
式(3)中，Lx,y表示单元格点Px,y到改航起点的距离；Cx,y表示单元格点Px,y与计划飞行航迹的偏离距离；Fx,y表示单元格点Px,y处的风险系数；Xs和Ys分别表示改航起点的横坐标和纵坐标；w1、w2、w3分别表示单元格点Px,y到改航起点的距离Lx,y、单元格点Px,y与计划飞行航迹的偏离距离Cx,y和单元格点Px,y处的风险系数Fx,y这三项指标的相应权重值；
在进行飞行航迹规划时，需要考虑的约束条件有以下几个：
(1)最小航段距离限制
最小航段距离是指两个转弯点之间的距离，其长度应满足在该距离内航空器可顺利完成2次转弯，θ≥90°，假设该航段为D，最小航段距离为Dmin，根据不同的机型，则需满足：
D＝τ·Dmin (5)
公式(5)中，τ为不同机型航空器对应的拐弯距离系数；
(2)拐弯角度限制
转弯角度指飞行过程中航空器航向的改变量，航向指的是航空器纵轴所指的方向，假设航空器从A向B飞行，途中经过转弯点O进行转弯；出于飞行安全因素考虑，转弯角度∠AOB不小于90°，即∠AOB≥90°；
(3)危险区域限制
对于航空器来说，对于雷达回波强度大于等于41dBZ的危险区域，不允许航空器穿越飞行，采取规避策略；
(4)危险系数设置
在规避危险气象的过程中，根据选择策略的不同，可设置相应的危险系数T,0≤T≤1；在保守策略下，设置的危险系数T＝0；在非保守策略下可设置不同的危险系数T，设置的危险系数T越大，则规避时所面临的危险越高；
将风险图中风险系数Fx,y＞T的单元格点设置为非可行单元格点；对计划航迹两侧进行正向扩展式搜索，根据上述的约束条件，并结合式(1)，从改航起点S向改航终点G的方向进行正向扩展式搜索，利用设计的代价函数f(Px,y)来控制搜索方向，并对扩展的单元格点进行选择；关于正向扩展式搜索的搜索区域如下所示：y＝x-d (6)
y＝x+d (7)
式(6)和(7)中的d＝3,6,9,...,3n，3n＜N表示截距，其中，搜索区域上边界单元格点的坐标满足式(6)的约束，下边界单元格点的坐标满足式(7)的约束；
利用最小二乘法对正向扩展式搜索得到的单元格点集合进行筛选；采取逆序搜索方式从改航终点向改航起点进行航迹搜索；航迹平滑优化处理；输出最优的航迹。
CN202010646414.7A 2020-07-07 2020-07-07 融合动态风险图和改进a*算法的动态改航规划方法 Active CN111780766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010646414.7A CN111780766B (zh) 2020-07-07 2020-07-07 融合动态风险图和改进a*算法的动态改航规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010646414.7A CN111780766B (zh) 2020-07-07 2020-07-07 融合动态风险图和改进a*算法的动态改航规划方法

Publications (2)

Publication Number Publication Date
CN111780766A CN111780766A (zh) 2020-10-16
CN111780766B true CN111780766B (zh) 2023-10-31

Family

ID=72759087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010646414.7A Active CN111780766B (zh) 2020-07-07 2020-07-07 融合动态风险图和改进a*算法的动态改航规划方法

Country Status (1)

Country Link
CN (1) CN111780766B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113147743A (zh) * 2021-04-27 2021-07-23 东风汽车集团股份有限公司 自动泊车方法、系统及存储介质
CN113642887B (zh) * 2021-08-12 2024-04-26 中国民航大学 一种基于dddas的航班运行风险分析与预测方法
CN113593306B (zh) * 2021-08-13 2022-05-24 中国民航大学 基于安全性的散点状雷暴危险天气下改航方法
CN117889854B (zh) * 2023-11-13 2024-07-12 武汉理工大学 一种防洪抢险救灾路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN106323295A (zh) * 2016-08-29 2017-01-11 中国船舶重工集团公司第七0九研究所 一种基于气象雷达数据的危险气象条件下的航空器改航方法
CN111024085A (zh) * 2019-12-18 2020-04-17 四川大学 一种具有端点方向和时间约束的无人机航迹规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN106323295A (zh) * 2016-08-29 2017-01-11 中国船舶重工集团公司第七0九研究所 一种基于气象雷达数据的危险气象条件下的航空器改航方法
CN111024085A (zh) * 2019-12-18 2020-04-17 四川大学 一种具有端点方向和时间约束的无人机航迹规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Aircraft hazard evaluation for critical weather avoidance;Sermi F，et al;《2015 IEEE Metrology for Aerospace Conference. Benevento》;第454 - 459页 *
Dynamic Graph-Search Algorithm for Global Path Planning in Presence of Hazardous Weather;M. Garcia · A. Viguria · A. Ollero;《J Intell Robot Syst》;第285–295页 *
吴晓光.《航空母舰设计概论 上》.国防工业出版社,2018,第165-168页. *
飞行危险天气下的航班改航路径规划研究;李雄;《工程科技Ⅱ辑》;第20-103页 *

Also Published As

Publication number Publication date
CN111780766A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111780766B (zh) 融合动态风险图和改进a*算法的动态改航规划方法
CN106323295B (zh) 一种基于气象雷达数据的危险气象条件下的航空器改航方法
CN110243359B (zh) 基于低空风预测模型的安全航迹规划方法
CN103208206B (zh) 一种适用于地形约束条件下的无人机起落航线编排方法
CA2944025C (en) System and method for routing decisions in a separation management system
CN110031004A (zh) 基于数字地图的无人机静态和动态路径规划方法
CN104991895A (zh) 一种基于三维空域网格的低空救援航空器航迹规划方法
CN102880186A (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN104596516A (zh) 基于动态新增毗邻区域的无人机覆盖航迹规划
CN103713642B (zh) 一种基于扰动流体动态系统的无人机三维航路规划方法
CN112102650B (zh) 改航航路生成方法、装置及存储介质
Savić Digital water developments and lessons learned from automation in the car and aircraft industries
Holzäpfel et al. Assessment of wake-vortex encounter probabilities for crosswind departure scenarios
Holzäpfel et al. Mitigating wake turbulence risk during final approach via plate lines
CN104916168B (zh) 机场场面活动目标的冲突规避系统及规避方法
CN106875756A (zh) 一种基于蚁群算法的连续下降进近的航空器噪声优化方法
Murrieta-Mendoza et al. Commercial aircraft lateral flight reference trajectory optimization
Matthews et al. Assessment and interpretation of en route weather avoidance fields from the convective weather avoidance model
WO2023081293A1 (en) Smart routing for aircraft flight planning and associated systems and methods
Toratani et al. A Study on the receding horizon guidance with the sequence optimization for the terminal area
CN115981377A (zh) 一种无人机动态避障方法及系统
Paraschi Aviation and Climate Change: Challenges and the Way Forward
Huang et al. Optimization of Path Planning Algorithm in Intelligent Air Traffic Management System
Matthews et al. Measuring the uncertainty of weather forecasts specific to air traffic management operations
Nakamura et al. Modeling of Aircraft Routes under Severe Weather Conditions

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