CN114360301B - 一种基于滑行冲突风险预测的航空器滑行调度方法 - Google Patents
一种基于滑行冲突风险预测的航空器滑行调度方法 Download PDFInfo
- Publication number
- CN114360301B CN114360301B CN202210012161.7A CN202210012161A CN114360301B CN 114360301 B CN114360301 B CN 114360301B CN 202210012161 A CN202210012161 A CN 202210012161A CN 114360301 B CN114360301 B CN 114360301B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- sliding
- probability
- conflict
- taxiing
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于滑行冲突风险预测的航空器滑行调度方法,该方法根据不同机型航空器的最大滑行速度、最大滑行减速度,建立了运动学模型,以及建立航空器矢量化航向模型、航空器滑行冲突风险评估模块、更准确的判断进入冲突风险预测的时间,然后利用现代航空管制与滑行道的约束,使得航空器在滑行过程中驾驶员驾驶航空器在某段滑行道滑行距离基本符合截断式正态分布,建立滑行冲突风险预测方法;通过准确的判断进入冲突风险预测时间,以及对航空器位置概率的准确预测,达到对航空器冲突风险评估预测,提高预测评估精度;依据滑行冲突风险预测值建立了三种减低冲突风险的管制方法。
Description
技术领域
本发明涉及机场场面滑行、运行冲突以及降低冲突风险策略,具体是一种基于滑行冲突风险预测的航空器滑行调度方法。
背景技术
航空器冲突是指在某一时间内,航空器与特定目标(另一航空器、限制空域、地面障碍物等)之间的距离小于两者之间规定的最小间隔,以至于如果任何一方不改变其运动状态,并采取有效的避险措施,就有可能发生碰撞危险的现象。航空器运行冲突风险进行精准的预测评估,对提高机场场面运行效率,减少场面冲突等具有积极的作用。
随着民航事业的蓬勃发展,航空器数量的不断增加,机场滑行道区域越来越繁忙,原有冲突风险预测模型与滑行道使用现状越来越不匹配,在传统的风险在传统冲突风险预测方法中,航空器一般考虑为理想化模型,并没有分析不同机型下的航空器特性,将航空器的属性固定化将航空器的状态静态化,在动态复杂的机场条件下失去了原有的预测精度。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种基于滑行冲突风险预测的航空器滑行调度方法,该方法通过设计多机型范围模块和矢量判断模块更准确的判断进入冲突风险预测的时间,以及对航空器位置概率的准确预测,达到对航空器冲突风险评估预测,提高预测评估精度,基于风险预测值建立基于滑行冲突风险预测值的管制调节模型,能够有效的减少航空器滑行冲突的产生。
实现本发明目的的技术方案是:
一种基于滑行冲突风险预测的航空器滑行调度方法,包括如下步骤:
1)根据不同机型的航空器,提出航空器多机型作用范围方法,根据不同机型航空器的最大滑行速度、最大滑行减速度,建立运动学模型,划分不同的作用范围,表达式如下:
公式(1)中,Vmax为航空器最大滑行速度,λ为减速效果,a为航空器减速度,L为作用范围放缩系数;
2)建立航空器矢量化航向模型,具体如下:
2-1)建立航空器矢量化航向模块,将航空器滑行线路矢量化,沿航滑行方向为矢量向量的方向,航空器到滑行道交叉点为矢量向量大小;
2-2)建立基准坐标系,以交叉口为正交坐标系原点,建立标准二维正交坐标系;
2-3)将滑向向量带入正交坐标系运算;
2-4)矢量化航向冲突预判断,表达式如下:
公式(2)和公式(3)中(x1,y1),(x2,y2)为两架航空器基准二维正交坐标系下的向量坐标,d为两架航空器之间的距离,R1 R2为航空器作用范围半径,两架航空器矢量化航向表示为为基准二维正交坐标系有Y轴单位向量;
3)建立航空器滑行冲突风险评估模块:现代航空管制与滑行道的约束,使得航空器的滑行必须要签派人员制定相应的滑行路线,即航空器在滑行道之外的场面区域滑行的概率为0,在滑行过程中驾驶员驾驶航空器在某段滑行道滑行距离基本符合截断式正态分布;
3-1)假设一个随机变量X,其概率密度函数为f(x),累积分布函数为F(x),定义域均为无限集,在定义域限制在一定范围内(例如a<x≤b)时,概率密度函数具体表达式如下:
公式(4)中(a,b)为截断区间,F(a)为标准正太分布函数在a处的概率值,F(b)为标准正太分布函数在b处的概率值;
3-2)确定航空器滑行冲突风险概率积分区间,积分区间具体表达如下:
公式(5)为交叉滑行冲突风险概率区间,uA为航空器A距滑行道交叉点的距离,uB为航空器B距滑行道交叉点的距离,e为机身长,d为滑行道宽度,公式(6)为跟进式滑行概率积分区间,xAmin、yBmin分别为一个时间单元内航空器A、B最短滑行距离,xAmax、yBmax分别为一个时间单元内航空器A、B最远滑行距离;
3-3)航空器滑行冲突风险概率积分计算,具体公式如下:
公式(7)为跟进式滑行冲突风险概率,公式(8)为交叉滑行冲突风险概率,根据滑行两架航空器滑行冲突风险概率为非独立分布,则建立联合概率分布函数,交叉滑行的两架航空器为独立同分布类型,建立独立概率乘积;其中跟进式滑行冲突区间如图2所示;
4)建立基于滑行冲突风险预测值的管制调节模型,根据滑行冲突预测值,建立反比例减速模型,表达式如下公式(9),反比例滑行减速调节模型如图3所示:
其中V为建议管制员调配滑行速度,ε为调节系数,k为反比例系数,P当前冲突风险评估值,α为放缩系数,Vmin、Vmax分别为滑行最小速度和滑行最大速度,取1m/s和13m/s,v为当前滑行速度;
5)利用遗传算法求解ε、k、α的最优值,使得整个减速调节模型达到最优,设置参数区间,调节系数ε取(0,1],反比例系数k取(0,2],放缩系数α取[2,13],根据不同的机场环境求解不同ε、k、α最优解;
6)对航空器滑行冲突风险进行评估,如图1所示,具体运算步骤如下:
6-1)向滑行冲突风险预测的航空器滑行调度模型中输入航空器A、B型号以及航班号初始化数据集;
6-2)航空器型号进入数据库匹配机型;
6-3)航班号进入数据库匹配签派发布的滑行路径;
6-4)匹配机场数据;
6-5)获取航空器滑行实时数据;
6-6)采用航空器多机型作用范围方法,计算出航空器A、B作用半径R1、R2;
6-7)采用航空器矢量化航向模块,将航空器滑行线路矢量化,沿航滑行方向为矢量向量的方向,航空器到滑行道交叉点为矢量向量大小;
6-9)采用航空器滑行冲突风险评估模块,进行时间离散化概率求和,平衡冲突风险概率的精度与模型运算速度,其中时间离散是为0.1s的时间块;
6-10)将每个时间间隔点上的冲突概率密度数值与时间块长度相乘求和取得滑行冲突风险概率值P;
6-11)判断P≤0.05,P为公式(7)公式(8)所计算出的航空器滑行冲突风险概率值P,若为是,跳转至步骤6-5);若为否,执行步骤6-11);
6-12)判断0.05≤P≤0.4,若为是,跳转至步骤6-14);若为否,执行步骤6-12);
6-13)判断P≥0.4,若为是,跳转至步骤6-13);
6-14)根据滑行规定航空器等待或航空器改变滑行路径;
6-15)航空器进入基于冲突风险预测值的反比例减速模型,减小滑行速度;
6-16)判断0≤V≤Vmin,若为是,v=Vmin,跳转至步骤6-9);若为否,执行步骤6-17);
6-17)判断Vmin≤V<Vmax,若为是,v=V,跳转至步骤6-19);若为否,执行步骤6-18);
6-18)判断Vmax≤V,若为是,v=Vmax,跳转至6-19);
6-19)更新航空器滑行状态,跳转至6-5)。
本发明提供的一种基于滑行冲突风险预测的航空器滑行调度方法,该方法与现有技术相比,有如下优点:
1、相比较于现在预测方法,预测精度更高;
2、根据场面运行情况,能够有针对性地调节训练反比例减速模型系数,自适应性强。
3、冲突预测值利用微分离散化时间,所要求的计算量更小,实时性更好。
附图说明
图1为航空器滑行冲突风险评估的仿真流程图;
图2为跟进式滑行冲突区间示意图;
图3为反比例滑行减速调节模型示意图;
图4为实施例的仿真结果示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
采用上述技术方案所述的航空器滑行冲突风险评估方法,对航空器进行仿真,具体如下:
选取最大滑行速度13m/s、速度10m/s2、动效果为80%、安全半径放缩因子30进行仿真。
考虑到两架航空器在交叉滑行时两架影响两架航空器冲突概率的直接因素是据交叉点的距离,滑行速度也会影响两架航空之间的冲突概率所以本文将两架航空器的当前速度、两架航空器距离交叉点的距离、冲突概率在仿真时间上的分布进行六次仿真实验。以两架相同型号的航空器为例。选取十字型交叉路口为例。
两架航空后均向交叉点方向滑行,两架航空器当前速度均是8m/s,两架航空器距离交叉口起点距离70m以20m为一个离散单元最大距离170m进行matlab仿真,仿真结果图4所示。
1)从仿真结果可以得出当两架航空器同时向交叉口滑行时,在0-5内时两架航空器产生冲突的概率为0,当超过5s时两架航空器没有地面滑行管制时两个航空器产生冲突概率逐渐增大直到大约在15s时概率到达最大值约为0.9,表明在这一时刻两架航空器有百分之九十的可能性产生冲突。当超过20s时两架航空器产生冲突的概率急剧下降大约到23s时概率为0。这表明两架航空器安全无冲突经过交叉口且两架航空器在此时间段不在会产生冲突。
2)在相同仿真时间内航空器起始位置距交叉口的距离不但会影响冲突预估值的峰值大下还会对峰值出现位置产生细微影响。随着距离交叉口距离越小冲突概率的最大值出现的时刻后移峰值数数据开始急剧变大。同一时刻同一速度下的航空器冲突风险概率随着航空器据交叉口的距离变小急剧增大。
Claims (1)
1.一种基于滑行冲突风险预测的航空器滑行调度方法,其特征在于,包括如下步骤:
1)根据不同机型的航空器,提出航空器多机型作用范围方法,根据不同机型航空器的最大滑行速度、最大滑行减速度,建立运动学模型,划分不同的作用范围,表达式如下:
公式(1)中,Vmax为航空器最大滑行速度,λ为减速效果,a为航空器减速度,L为作用范围放缩系数;
2)建立航空器矢量化航向模型,具体如下:
2-1)建立航空器矢量化航向模块,将航空器滑行线路矢量化,沿航空器滑行方向为矢量向量的方向,航空器到滑行道交叉点为矢量向量大小;
2-2)建立基准坐标系,以交叉口为正交坐标系原点,建立标准二维正交坐标系;
2-3)将滑向向量带入正交坐标系运算;
2-4)矢量化航向冲突预判断,表达式如下:
公式(2)和公式(3)中(x1,y1),(x2,y2)为两架航空器基准二维正交坐标系下的向量坐标,d为两架航空器之间的距离,R1 R2为航空器作用范围半径,两架航空器矢量化航向表示为 为基准二维正交坐标系有Y轴单位向量;
3)建立航空器滑行冲突风险评估模块:
3-1)假设一个随机变量X,其概率密度函数为f(x),累积分布函数为F(x),定义域均为无限集,在定义域限制在一定范围内时,概率密度函数具体表达式如下:
公式(4)中(a,b)为截断区间,F(a)为标准正太分布函数在a处的概率值,F(b)为标准正太分布函数在b处的概率值;
3-2)确定航空器滑行冲突风险概率积分区间,积分区间具体表达如下:
公式(5)为交叉滑行冲突风险概率区间,uA为航空器A距滑行道交叉点的距离,uB为航空器B距滑行道交叉点的距离,e为机身长,d为滑行道宽度,公式(6)为跟进式滑行概率积分区间,xAmin、yBmin分别为一个时间单元内航空器A、B最短滑行距离,xAmax、yBmax分别为一个时间单元内航空器A、B最远滑行距离;
3-3)航空器滑行冲突风险概率积分计算,具体公式如下:
公式(7)为跟进式滑行冲突风险概率,公式(8)为交叉滑行冲突风险概率,根据滑行两架航空器滑行冲突风险概率为非独立分布,则建立联合概率分布函数,交叉滑行的两架航空器为独立同分布类型,建立独立概率乘积;
4)建立基于滑行冲突风险预测值的管制调节模型,根据滑行冲突预测值,建立反比例减速模型,表达式如下公式(9):
其中V为建议管制员调配滑行速度,ε为调节系数,k为反比例系数,P当前冲突风险评估值,α为放缩系数,Vmin、Vmax分别为滑行最小速度和滑行最大速度,取1m/s和13m/s,v为当前滑行速度;
5)利用遗传算法求解ε、k、α的最优值,使得整个减速调节模型达到最优,设置参数区间,调节系数ε取(0,1],反比例系数k取(0,2],放缩系数α取[2,13],根据不同的机场环境求解不同ε、k、α最优解;
6)对航空器滑行冲突风险进行评估,具体运算步骤如下:
6-1)向滑行冲突风险预测的航空器滑行调度模型中输入航空器A、B型号以及航班号初始化数据集;
6-2)航空器型号进入数据库匹配机型;
6-3)航班号进入数据库匹配签派发布的滑行路径;
6-4)匹配机场数据;
6-5)获取航空器滑行实时数据;
6-6)采用航空器多机型作用范围方法,计算出航空器A、B作用半径R1、R2;
6-7)采用航空器矢量化航向模块,将航空器滑行线路矢量化,沿航滑行方向为矢量向量的方向,航空器到滑行道交叉点为矢量向量大小;
6-9)采用航空器滑行冲突风险评估模块,进行时间离散化概率求和,平衡冲突风险概率的精度与模型运算速度,其中时间离散是为0.1s的时间块;
6-10)将每个时间间隔点上的冲突概率密度数值与时间块长度相乘求和取得滑行冲突风险概率值P;
6-11)判断P≤0.05,P为公式(7)公式(8)所计算出的航空器滑行冲突风险概率值P,若为是,跳转至步骤6-5);若为否,执行步骤6-11);
6-12)判断0.05≤P≤0.4,若为是,跳转至步骤6-14);若为否,执行步骤6-12);
6-13)判断P≥0.4,若为是,跳转至步骤6-13);
6-14)根据滑行规定航空器等待或航空器改变滑行路径;
6-15)航空器进入基于冲突风险预测值的反比例减速模型,减小滑行速度;
6-16)判断0≤V≤Vmin,若为是,v=Vmin,跳转至步骤6-9);若为否,执行步骤6-17);
6-17)判断Vmin≤V<Vmax,若为是,v=V,跳转至步骤6-19);若为否,执行步骤6-18);
6-18)判断Vmax≤V,若为是,v=Vmax,跳转至6-19);
6-19)更新航空器滑行状态,跳转至6-5)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012161.7A CN114360301B (zh) | 2022-01-07 | 2022-01-07 | 一种基于滑行冲突风险预测的航空器滑行调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012161.7A CN114360301B (zh) | 2022-01-07 | 2022-01-07 | 一种基于滑行冲突风险预测的航空器滑行调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114360301A CN114360301A (zh) | 2022-04-15 |
CN114360301B true CN114360301B (zh) | 2022-11-15 |
Family
ID=81107529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210012161.7A Active CN114360301B (zh) | 2022-01-07 | 2022-01-07 | 一种基于滑行冲突风险预测的航空器滑行调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114360301B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2898332B1 (fr) * | 2006-03-13 | 2009-02-27 | Messier Bugatti Sa | Procede de gestion du freinage d'un aeronef par prevision de son deplacement sur la plateforme aeroportuaire |
CN103310661B (zh) * | 2013-05-22 | 2015-07-22 | 中国民用航空飞行学院 | 机场场面路网模型及机场场面冲突检测临界告警算法 |
CN107862910B (zh) * | 2017-11-15 | 2019-12-06 | 南京航空航天大学 | 基于机场场面滑行多种冲突模式的滑行延误时间和离场延误时间预测方法 |
CN111429760B (zh) * | 2020-03-30 | 2021-10-08 | 中国民用航空飞行学院 | 一种多维度航空器碰撞冲突风险评价系统 |
-
2022
- 2022-01-07 CN CN202210012161.7A patent/CN114360301B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114360301A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lefevre et al. | A learning-based framework for velocity control in autonomous driving | |
US20200278686A1 (en) | Iterative Feedback Motion Planning | |
CN111016893B (zh) | 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法 | |
EP1770365B1 (en) | Method for planning the velocity of a craft along a route | |
CN111873998B (zh) | 一种自动驾驶车辆纵向加速度规划方法 | |
KR20140122945A (ko) | 자동주행 제어시스템 | |
CN113581182A (zh) | 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统 | |
Rodrigues et al. | Adaptive behaviour selection for autonomous vehicle through naturalistic speed planning | |
CN114932918A (zh) | 一种智能网联车在各种路况下行驶的行为决策方法及系统 | |
CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
Wei et al. | End-to-end vision-based adaptive cruise control (ACC) using deep reinforcement learning | |
CN115032999A (zh) | 面向多机器人编队的动态优化队形变换方法 | |
Jung et al. | Energy-efficient driving scheduling for heterogeneous electric vehicles with consideration of overtaking | |
CN114360301B (zh) | 一种基于滑行冲突风险预测的航空器滑行调度方法 | |
Xiong et al. | Surrounding vehicle trajectory prediction and dynamic speed planning for autonomous vehicle in cut-in scenarios | |
CN107992039B (zh) | 一种动态环境下的基于流场的轨迹规划方法 | |
CN115447617B (zh) | 一种车辆控制方法、装置、设备及介质 | |
Lee et al. | May i cut into your lane?: A policy network to learn interactive lane change behavior for autonomous driving | |
CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
CN113256988B (zh) | 一种基于稳定性分析的合流区混合交通速度协同控制方法 | |
Wu et al. | Research on lane-change strategy with real-time obstacle avoidance function | |
Keong et al. | Reinforcement learning for autonomous aircraft avoidance | |
Huang et al. | Automated turning and merging for autonomous vehicles using a Nonlinear Model Predictive Control approach | |
Tan et al. | RCP‐RF: A comprehensive road‐car‐pedestrian risk management framework based on driving risk potential field | |
CN114701517A (zh) | 基于强化学习的多目标复杂交通场景下自动驾驶解决方法 |
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 |