CN115064009A - 一种终端区无人机与有人机冲突风险等级划分方法 - Google Patents

一种终端区无人机与有人机冲突风险等级划分方法 Download PDF

Info

Publication number
CN115064009A
CN115064009A CN202210505832.3A CN202210505832A CN115064009A CN 115064009 A CN115064009 A CN 115064009A CN 202210505832 A CN202210505832 A CN 202210505832A CN 115064009 A CN115064009 A CN 115064009A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
manned
collision
machine
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
Application number
CN202210505832.3A
Other languages
English (en)
Other versions
CN115064009B (zh
Inventor
羊钊
李娜
朱仁伟
张洪海
谢华
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210505832.3A priority Critical patent/CN115064009B/zh
Publication of CN115064009A publication Critical patent/CN115064009A/zh
Application granted granted Critical
Publication of CN115064009B publication Critical patent/CN115064009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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]
    • G08G5/04—Anti-collision systems
    • G08G5/045—Navigation or guidance aids, e.g. determination of anti-collision manoeuvers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种终端区无人机与有人机冲突风险等级划分方法，包括：获取有人机、无人机的轨迹数据；对获取的无人机与有人机轨迹数据进行数据处理与分割，设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；分别进行有人机轨迹的位置点预测和无人机轨迹的位置分布预测；判断无人机与有人机是否具有冲突风险，并计算具有冲突风险的无人机与有人机的冲突概率；通过蒙特卡洛模拟仿真计算冲突概率预测的准确率；计算无人机与有人机在相遇最近点时的冲突概率及预计到达相遇最近点的时间，划分无人机与有人机的冲突风险等级。本发明针对无人机与有人机之间的冲突风险进行预测，为低空环境下无人机与有人机的安全运行提供理论支持。

Description

一种终端区无人机与有人机冲突风险等级划分方法
技术领域
本发明属于无人机交通管理技术领域，具体涉及一种终端区无人机与有人机冲突风险等级划分方法。
背景技术
近年来，无人机入侵机场周边空域、干扰民用载人航空器(有人机)的事件时有发生，导致机场进港航班备降他处，出港航班的大面积延误。由于机场周边入侵的无人机大多为非合作类无人机，无人机与有人机之间的飞行信息无法及时交互，在探测到无人机时，面临无人机下一时刻的位置难以确定，无人机与有人机不确定性冲突风险难以估算、风险等级不明确等问题，因此进行无人机与有人机之间的冲突风险评估是实现机场安全管理的重要手段。通过低空环境下无人机与有人机的冲突概率预测以及风险评估，可以为无人机与有人机冲突风险预警告警提供技术支持。
现有的冲突概率预测方法大多需要基于误差服从某一假设分布，计算误差带来的不确定性所得到的冲突概率；此外，现有的冲突预警和告警技术大多是研究航空器的静态保护区，并且对无人机和有人机的信息依赖度较高，在实际情况中，在机场终端区内运行的无人机，通常是用于娱乐用途或者执行特殊任务的无人机。无人机对于其他有人机来说，可能是信息匮乏的以及动态不确定的，这些特征使得无人机与有人机空中冲突风险评估具有较高难度，同时影响无人机与有人机冲突预警的准确性和可靠性。
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终端区无人机与有人机冲突风险等级划分方法，以解决现有技术中无人机与有人机冲突风险难以评估、风险等级不明确的问题；本发明方法面向有人机不同的飞行阶段和飞行高度区间，基于有人机轨迹预测和无人机轨迹分布预测的结果，计算无人机与有人机冲突发生的概率，将冲突概率和预计到达相遇最近点的时间相结合，对无人机与有人机的冲突风险等级进行划分，为有人机无人机冲突提前预警、告警提供技术支撑。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种终端区无人机与有人机冲突风险等级划分方法，步骤如下：
(1)获取有人机在机场终端区起飞、降落阶段的轨迹数据，以及机场周边探测范围内无人机的轨迹数据；
(2)对步骤(1)中获取的无人机与有人机轨迹数据进行数据处理与分割，对有人机起飞阶段和降落阶段的飞行高度区间进行划分，设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；
(3)针对步骤(2)中处理后的无人机与有人机轨迹数据，分别进行有人机轨迹的位置点预测和无人机轨迹的位置分布预测；
(4)针对有人机轨迹预测位置点和无人机轨迹预测位置分布，判断无人机与有人机是否具有冲突风险，并计算具有冲突风险的无人机与有人机的冲突概率；
(5)根据步骤(4)中得到的冲突概率判断无人机与有人机之间的冲突发生情况，通过蒙特卡洛模拟仿真计算冲突概率预测的准确率，当准确率达到预测精度要求时进入步骤(6)，否则，返回步骤(1)；
(6)计算无人机与有人机在相遇最近点时的冲突概率及预计到达相遇最近点的时间，划分无人机与有人机的冲突风险等级。
进一步地，所述步骤(1)中有人机和无人机的轨迹数据均包含多个轨迹点，其中有人机起飞阶段和降落阶段每个轨迹点记录的信息包括：航班唯一标识码、航空器类型、经度、纬度、高度、地速、航向角、监视时间、起飞机场四字码、落地机场四字码；无人机每个轨迹点记录的信息包括：时间戳、纬度、经度、高度、水平速度、垂直速度、航向角、俯仰角以及滚轴角。
进一步地，所述步骤(2)的具体过程如下：
(21)有人机轨迹数据的处理与分割；
(211)坐标系转化；
将步骤(1)中基于空间球面坐标系采集到的有人机轨迹数据中的经度和纬度转化到ECEF直角坐标系：
Figure BDA0003636038940000021
式中，h为高度，N为曲率半径，
Figure BDA0003636038940000022
为纬度对应弧度，λ为经度对应弧度，坐标转化后的经纬度单位为米(m)，X为转化后的经度，Y为转化后的纬度；
(212)生成等间隔时间序列数据；
针对有人机轨迹数据中的高度和地速及步骤(211)中转化后的经度X和纬度Y，通过线性插值生成等间隔时间序列数据；
(213)量纲处理与样本分割；
对步骤(212)中的等间隔时间序列数据通过归一化处理消除量纲的影响，采用滑动时间窗口将归一化后的等间隔时间序列数据切分为固定长度的时间序列切片，将每个切片样本包含的轨迹点减去该样本的初始位置值，分别生成包含轨迹预测模型中输入和输出数据的起飞阶段和降落阶段的切片样本集，每个切片样本集包括纬度、经度、高度和地速四个变量；
(22)无人机轨迹数据的处理与分割；
(221)噪声处理与等间隔数据选择；
对无人机初始飞行时采集数据过程中存在的不稳定轨迹点的数据进行清理，对清理后的无人机轨迹数据按照步骤(212)中有人机时间序列数据的间隔大小进行等间隔数据选择；
(222)坐标系转化；
步骤(221)中处理后的无人机轨迹数据在WGS-84坐标系中以经纬度的形式呈现，将该坐标系中的经度和纬度转化到ECEF直角坐标系下的垂直与水平方向距离，得到坐标系转化后的无人机轨迹数据；
(223)量纲处理与样本分割；
对步骤(222)中的无人机轨迹数据进行归一化处理，消除量纲的影响，采用滑动时间窗口将归一化后的轨迹数据切分为固定长度的时间序列切片，生成包含轨迹预测模型中输入和输出数据的切片样本集，每个切片样本集包括纬度、经度、高度、x方向上的速度、y方向上的速度、垂直速度、航向角、俯仰角以及滚轴角九个变量；
(23)设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；
(231)划分不同飞行高度区间；
无人机与有人机之间的冲突多发生在有人机的起飞阶段和降落阶段，将0-300m(米)的飞行高度以100m为间隔进行高度区间划分(轻型旋翼无人机的飞行高度通常在0-300m范围内)；
(232)设定0-100m的飞行高度区间内无人机与有人机之间的安全运行分离间隔标准；
针对有人机起飞阶段和降落阶段的飞行速度随机体距地高度的变化而变化的特点，结合步骤(231)中划分的飞行高度区间，以不同飞行高度区间内有人机速度的均值作为该区间的有人机飞行速度表征，设定在0-100m的飞行高度区间对应的速度均值下无人机与有人机安全运行的分离间隔标准为水平距离609.6m，垂直距离76.2m，以有人机轨迹预测位置点为中心形成一个圆柱体的外层保护区；
(233)设定100-200m和200m-300m的飞行高度区间内无人机与有人机的保护区；
根据步骤(232)中定义的0-100m的飞行高度区间内无人机与有人机的保护区大小，设定在100-200m和200-300m的飞行高度区间对应的速度均值下，无人机与有人机在水平和垂直方向上安全运行的分离间隔标准，以0-100m保护区的大小为基准按速度均值的比例进行扩大，得到在100-200m和200-300m的飞行高度区间内有人机的保护区。
进一步地，所述步骤(3)的具体过程如下：
(31)基于GRU轨迹预测模型预测有人机轨迹位置点；
(311)设定GRU轨迹预测模型输入层和输出层参数；
确定起飞阶段和降落阶段的单批次训练样本数量和输入信息的时间步长，设定每个样本的输入数据维度和输出数据维度；
(312)设定GRU轨迹预测模型网络层参数；
设定起飞阶段和降落阶段的网络最大迭代次数、学习率，确定起飞阶段和降落阶段的隐含层层数、单隐含层神经元数目；激活函数选择Sigmoid；
(313)利用GRU轨迹预测模型对有人机轨迹进行预测；
针对步骤(213)中有人机起飞阶段和降落阶段的切片样本集，分别利用GRU轨迹预测模型进行有人机预测步长内的位置点预测；
(32)基于QRGRU模型预测无人机轨迹位置分布；
(321)设定QRGRU模型输入层和输出层参数；
确定单批次训练样本的数量和输入信息的时间步长，设定每个样本的输入数据维度和输出数据维度；
(322)设定QRGRU模型网络层参数；
设定网络最大迭代次数、学习率，确定隐含层层数、单隐含层神经元数目；激活函数选择ReLu；
(323)利用QRGRU模型对无人机轨迹分布进行预测；
针对步骤(223)中无人机轨迹的切片样本集，根据不同分位数条件下的GRU轨迹预测模型即门控循环单元分位数损失回归模型QRGRU对无人机的位置分布进行预测。
进一步地，所述步骤(4)的具体过程如下：
(41)判断无人机与有人机是否具有冲突风险；
判断预测时刻无人机轨迹在各个分位点下预测的位置与有人机轨迹预测位置点的保护区是否存在交集，设定第i时刻τ分位点下的无人机预测值在x、y、z三个方向上都在有人机轨迹预测位置点的保护区内，即同时满足公式(2)时说明无人机与有人机具有冲突风险：
Figure BDA0003636038940000041
式中，dise为保护区在水平方向与有人机轨迹预测位置点的距离，disf为保护区在垂直方向与有人机轨迹预测位置点的距离，O(x)τi、O(y)τi、O(z)τi分别为无人机在第i时刻τ分位点下x、y、z三个方向上的预测值，P(x)i、P(y)i、P(z)i分别为有人机在第i时刻x、y、z三个方向上的预测值；
(42)求解预测时刻无人机与有人机发生冲突的概率；
根据步骤(41)中无人机与有人机的冲突风险判定方法，得到无人机在预测时刻所有分位点下预测的位置点中处于有人机轨迹预测位置点保护区内的位置点个数，该位置点个数与无人机在所有分位点下预测位置点的个数的比值即为预测时刻无人机与有人机发生冲突的概率，第i时刻无人机与有人机预测发生冲突的概率Probi表示为：
Figure BDA0003636038940000051
式中，m为无人机在所有分位点下预测位置点的个数，bτ|i表示在第i时刻τ分位点下无人机轨迹预测位置点与有人机轨迹预测位置点有冲突风险时为1，无冲突风险时为0。
进一步地，所述步骤(5)的具体过程如下：
(51)判断无人机与有人机是否发生冲突；
将冲突概率阈值设置为50％，若步骤(42)中得到的预测时刻发生冲突的概率大于或等于冲突概率阈值则认为无人机与有人机之间发生冲突；若小于冲突概率阈值则认为无人机与有人机之间未发生冲突；
(52)不同飞行高度区间的冲突概率预测；
针对步骤(231)中划分的不同的飞行高度区间，分别通过步骤(42)中冲突概率的求解方法，得到不同飞行高度区间下定义的保护区中无人机与有人机发生冲突的概率，进而根据步骤(51)中冲突概率阈值的设置，得到不同飞行高度区间下无人机与有人机的冲突发生情况；
(53)计算冲突概率预测的准确率；
设定无人机与有人机发生冲突时取值为1，未发生冲突时取值为0，通过多次蒙特卡洛模拟仿真试验，得到正确预测无人机与有人机发生冲突的次数与仿真试验次数的比值即为冲突概率预测的准确率Accuracy：
Figure BDA0003636038940000052
式中，num为仿真试验次数，qr＝1表示在第r次仿真试验中无人机与有人机预测冲突发生情况和实际冲突发生情况取值相同，设置冲突概率预测的准确率的精度要求为0.70，即当Accuracy>0.70时，进入步骤(6)中冲突风险等级的划分，否则，返回步骤(1)重新进行数据采集。
进一步地，所述步骤(6)的具体过程如下：
(61)冲突风险等级划分前提假设；
(611)获取的无人机与有人机的坐标信息和速度信息准确无误差；
(612)在运动过程中，将无人机与有人机视为一个带有方向的质点；
(613)在运动过程中，无人机与有人机相互独立，且排除尾流因素的影响；
(614)忽略风、雨、雷暴恶劣天气的影响；
(615)假设无人机水平飞行与垂直飞行相互独立；
(616)假设无人机飞行航迹相互独立；
(617)假设无人机与有人机在距离最近的时刻速度保持不变；
(62)判断无人机与有人机是否具有冲突风险；
根据有人机轨迹预测位置点以及无人机轨迹预测位置分布按照步骤(41)初步判断是否存在冲突风险，对不会产生冲突风险的无人机进行筛除；
(63)定义无人机与有人机之间的相遇最近点；
针对步骤(62)中筛选剩余的具有冲突风险的无人机，设定无人机与有人机在当前时刻n往后预测k秒，将步骤(313)中有人机轨迹预测位置点和步骤(323)中无人机轨迹预测位置分布中同一时刻各个点之间距离最近的点定义为相遇最近点；
(64)计算无人机与有人机在n+s时刻的最小距离；
针对n+1～n+k时刻内的任意时刻n+s，计算n+s时刻有人机轨迹预测位置点与无人机轨迹预测位置分布中各个点的距离Lμ n+s：
Figure BDA0003636038940000061
μ＝1，2，…，j s＝1，2，…，k
式中，xn+s、yn+s、zn+s分别为有人机在n+s时刻经度、纬度和高度三个方向的预测值，uμ n+s、vμ n+s、wμ n+s分别为无人机在n+s时刻μ分位点下经度、纬度和高度三个方向的预测值，j为分位点的个数，得到n+s时刻无人机与有人机之间的最小距离Ln+s：
Figure BDA0003636038940000062
(65)计算无人机与有人机在n+1～n+k时刻内相遇最近点的距离及所在时刻；
根据步骤(64)中得到的n+s时刻无人机与有人机之间的最小距离，得到从n+1～n+k时刻内无人机与有人机相遇最近点的距离Ln+l：
Ln+，＝min(Ln+s) s＝1，2，…，k (7)则n+l即为无人机与有人机相遇最近点所在时刻，l为无人机与有人机预计到达相遇最近点的时间；
(66)计算无人机与有人机在步骤(65)中相遇最近点所在时刻的冲突概率；
针对步骤(65)中得到的无人机与有人机相遇最近点所在时刻，根据步骤(42)中的冲突概率计算方法得到该时刻无人机与有人机之间的冲突概率；
(67)根据冲突概率和预计到达相遇最近点的时间划分冲突风险等级；
(671)设定无人机与有人机冲突概率和预计到达相遇最近点的时间划分标准；
无人机与有人机的冲突概率按照步骤(51)中设定的冲突概率阈值50％进行，无人机与有人机预计到达相遇最近点的时间按照提前40秒预警和提前25秒告警两个阈值，将无人机与有人机的冲突风险分为A、B、C、D四个等级，冲突风险由大到小；
(672)等级A：冲突风险非常大，无人机与有人机的冲突概率大于或等于50％，预计到达相遇最近点的时间小于或等于25秒；
(673)等级B：冲突风险较大，无人机与有人机的冲突概率小于50％，预计冲突的时间小于或等于25秒；
(674)等级C：冲突风险中等，无人机与有人机的冲突概率大于或等于50％，预计冲突的时间为25～40秒；
(675)等级D：冲突风险较小，无人机与有人机的冲突概率小于50％，预计冲突的时间为25～40秒。
本发明的有益效果：
本发明针对无人机与有人机之间的冲突风险进行预测，为低空环境下无人机与有人机的安全运行提供理论支持。
本发明方法基于有人机轨迹位置点预测和无人机轨迹位置分布预测的结果，利用蒙特卡洛模拟仿真，分析冲突预测模型在不同飞行阶段、飞行高度区间的适用性，划分无人机与有人机的冲突风险等级，实现提前预警、告警，推动无人机在机场终端区安全、高效、有序地运行。
附图说明
图1为本发明方法的流程图。
图2为本发明实施例中无人机与有人机的预测冲突风险为等级A时示意图。
图3为本发明实施例中无人机与有人机的预测冲突风险为等级B时示意图。
图4为本发明实施例中无人机与有人机的预测冲突风险为等级C时示意图。
图5为本发明实施例中无人机与有人机的预测冲突风险为等级D时示意图。
具体实施方式
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，本发明的一种终端区无人机与有人机冲突风险等级划分方法，步骤如下：
(1)获取有人机在机场终端区起飞、降落阶段的轨迹数据，以及机场周边探测范围内无人机的轨迹数据；表1为有人机的部分ADS-B轨迹数据示例，包括航空器类型、经度、纬度、高度、地速、监视时间，如下：
表1
Figure BDA0003636038940000081
表2为无人机的部分监测轨迹数据示例，包括时间戳、经度、纬度、高度、水平速度、俯仰角及滚轴角，如下：
表2
Figure BDA0003636038940000082
其中，所述步骤(1)中有人机和无人机的轨迹数据均包含多个轨迹点，其中有人机起飞阶段和降落阶段每个轨迹点记录的信息包括：航班唯一标识码、航空器类型、经度、纬度、高度、地速、航向角、监视时间、起飞机场四字码、落地机场四字码；无人机每个轨迹点记录的信息包括：时间戳、纬度、经度、高度、水平速度、垂直速度、航向角、俯仰角以及滚轴角。
(2)对步骤(1)中获取的无人机与有人机轨迹数据进行数据处理与分割，对有人机起飞阶段和降落阶段的飞行高度区间进行划分，设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；具体过程如下：
(21)有人机轨迹数据的处理与分割；
(211)坐标系转化；
将步骤(1)中基于空间球面坐标系采集到的有人机轨迹数据中的经度和纬度转化到ECEF直角坐标系：
Figure BDA0003636038940000091
式中，h为高度，N为曲率半径，
Figure BDA0003636038940000092
为纬度对应弧度，λ为经度对应弧度，坐标转化后的经纬度单位为米(m)，X为转化后的经度，Y为转化后的纬度；
(212)生成等间隔时间序列数据；
针对有人机轨迹数据中的高度和地速及步骤(211)中转化后的经度X和纬度Y，通过线性插值生成等间隔时间序列数据；
(213)量纲处理与样本分割；
对步骤(212)中的等间隔时间序列数据通过归一化处理消除量纲的影响，采用滑动时间窗口将归一化后的等间隔时间序列数据切分为固定长度的时间序列切片，将每个切片样本包含的轨迹点减去该样本的初始位置值，分别生成包含轨迹预测模型中输入和输出数据的起飞阶段和降落阶段的切片样本集，每个切片样本集包括纬度、经度、高度和地速四个变量；
(22)无人机轨迹数据的处理与分割；
(221)噪声处理与等间隔数据选择；
对无人机初始飞行时采集数据过程中存在的不稳定轨迹点的数据进行清理，对清理后的无人机轨迹数据按照步骤(212)中有人机时间序列数据的间隔大小进行等间隔数据选择；
(222)坐标系转化；
步骤(221)中处理后的无人机轨迹数据在WGS-84坐标系中以经纬度的形式呈现，将该坐标系中的经度和纬度转化到ECEF直角坐标系下的垂直与水平方向距离，得到坐标系转化后的无人机轨迹数据；
(223)量纲处理与样本分割；
对步骤(222)中的无人机轨迹数据进行归一化处理，消除量纲的影响，采用滑动时间窗口将归一化后的轨迹数据切分为固定长度的时间序列切片，生成包含轨迹预测模型中输入和输出数据的切片样本集，每个切片样本集包括纬度、经度、高度、x方向上的速度、y方向上的速度、垂直速度、航向角、俯仰角以及滚轴角九个变量；
(23)设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；
(231)划分不同飞行高度区间；
无人机与有人机之间的冲突多发生在有人机的起飞阶段和降落阶段，将0-300m(米)的飞行高度以100m为间隔进行高度区间划分(轻型旋翼无人机的飞行高度通常在0-300m范围内)；
(232)设定0-100m的飞行高度区间内无人机与有人机之间的安全运行分离间隔标准；
针对有人机起飞阶段和降落阶段的飞行速度随机体距地高度的变化而变化的特点，结合步骤(231)中划分的飞行高度区间，以不同飞行高度区间内有人机速度的均值作为该区间的有人机飞行速度表征，设定在0-100m的飞行高度区间对应的速度均值下无人机与有人机安全运行的分离间隔标准为水平距离609.6m，垂直距离76.2m，以有人机轨迹预测位置点为中心形成一个圆柱体的外层保护区；
(233)设定100-200m和200m-300m的飞行高度区间内无人机与有人机的保护区；
根据步骤(232)中定义的0-100m的飞行高度区间内无人机与有人机的保护区大小，设定在100-200m和200-300m的飞行高度区间对应的速度均值下，无人机与有人机在水平和垂直方向上安全运行的分离间隔标准，以0-100m保护区的大小为基准按速度均值的比例进行扩大，得到在100-200m和200-300m的飞行高度区间内有人机的保护区。
(3)针对步骤(2)中处理后的无人机与有人机轨迹数据，分别进行有人机轨迹的位置点预测和无人机轨迹的位置分布预测；具体过程如下：
(31)基于GRU轨迹预测模型预测有人机轨迹位置点；
(311)设定GRU轨迹预测模型输入层和输出层参数；
示例中，确定单批次训练样本数量为5，起飞阶段输入网络的时间步长为20，降落阶段输入网络的时间步长为25，设定起飞阶段每个样本的输入数据维度为[20,4]，降落阶段每个样本的输入数据维度为[25,4]，输出数据维度均为[1,3]，初始参数在[0,1]区间内随机选取；
(312)设定GRU轨迹预测模型网络层参数；
设定起飞阶段和降落阶段的网络最大迭代次数均为200，学习率为0.0001，确定起飞阶段的隐含层层数为3，降落阶段的隐含层层数为4，起飞阶段和降落阶段单隐含层神经元数目均为90，初始参数在[0,1]区间内随机选取，激活函数选择Sigmoid；
(313)利用GRU轨迹预测模型对有人机轨迹进行预测；
针对步骤(213)中有人机起飞阶段和降落阶段的切片样本集，分别利用GRU轨迹预测模型进行有人机预测步长内的位置点预测；
(32)基于QRGRU模型预测无人机轨迹位置分布；
(321)设定QRGRU模型输入层和输出层参数；
确定单批次训练样本数量为10，输入信息的时间步长为25，设定每个样本的输入数据维度为[25,9]，输出数据维度为[1,3]，初始参数在[0,1]区间内随机选取；
(322)设定QRGRU模型网络层参数；
设定网络最大迭代次数为100，学习率为0.0001，确定采用3层隐含层，单隐含层神经元数目为80，初始参数在[0,1]区间内随机选取，激活函数选择ReLu；
(323)利用QRGRU模型对无人机轨迹分布进行预测；
针对步骤(223)中无人机轨迹的切片样本集，根据不同分位数条件下的GRU轨迹预测模型即门控循环单元分位数损失回归模型QRGRU对无人机的位置分布进行预测。
(4)针对有人机轨迹预测位置点和无人机轨迹预测位置分布，判断无人机与有人机是否具有冲突风险，并计算具有冲突风险的无人机与有人机的冲突概率；具体过程如下：
(41)判断无人机与有人机是否具有冲突风险；
判断预测时刻无人机轨迹在各个分位点下预测的位置与有人机轨迹预测位置点的保护区是否存在交集，设定第i时刻τ分位点下的无人机预测值在x、y、z三个方向上都在有人机轨迹预测位置点的保护区内，即同时满足公式(2)时说明无人机与有人机具有冲突风险：
Figure BDA0003636038940000111
式中，dise为保护区在水平方向与有人机轨迹预测位置点的距离，disf为保护区在垂直方向与有人机轨迹预测位置点的距离，O(x)τi、O(y)τi、O(z)τi分别为无人机在第i时刻τ分位点下x、y、z三个方向上的预测值，P(x)i、P(y)i、P(z)i分别为有人机在第i时刻x、y、z三个方向上的预测值；
(42)求解预测时刻无人机与有人机发生冲突的概率；
根据步骤(41)中无人机与有人机的冲突风险判定方法，得到无人机在预测时刻所有分位点下预测的位置点中处于有人机轨迹预测位置点保护区内的位置点个数，该位置点个数与无人机在所有分位点下预测位置点的个数的比值即为预测时刻无人机与有人机发生冲突的概率，第i时刻无人机与有人机预测发生冲突的概率Probi表示为：
Figure BDA0003636038940000112
式中，m为无人机在所有分位点下预测位置点的个数，bτ|i表示在第i时刻τ分位点下无人机轨迹预测位置点与有人机轨迹预测位置点有冲突风险时为1，无冲突风险时为0。
(5)根据步骤(4)中得到的冲突概率判断无人机与有人机之间的冲突发生情况，通过蒙特卡洛模拟仿真计算冲突概率预测的准确率，当准确率达到预测精度要求时进入步骤(6)，否则，返回步骤(1)；
具体过程如下：
(51)判断无人机与有人机是否发生冲突；
将冲突概率阈值设置为50％，若步骤(42)中得到的预测时刻发生冲突的概率大于或等于冲突概率阈值则认为无人机与有人机之间发生冲突；若小于冲突概率阈值则认为无人机与有人机之间未发生冲突；
(52)不同飞行高度区间的冲突概率预测；
针对步骤(231)中划分的不同的飞行高度区间，分别通过步骤(42)中冲突概率的求解方法，得到不同飞行高度区间下定义的保护区中无人机与有人机发生冲突的概率，进而根据步骤(51)中冲突概率阈值的设置，得到不同飞行高度区间下无人机与有人机的冲突发生情况；
(53)计算冲突概率预测的准确率；
设定无人机与有人机发生冲突时取值为1，未发生冲突时取值为0，通过多次蒙特卡洛模拟仿真试验，得到正确预测无人机与有人机发生冲突的次数与仿真试验次数的比值即为冲突概率预测的准确率Accuracy：
Figure BDA0003636038940000121
式中，num为仿真试验次数，qr＝1表示在第r次仿真试验中无人机与有人机预测冲突发生情况和实际冲突发生情况取值相同，，设置冲突概率预测的准确率的精度要求为0.70，即当Accuracy>0.70时，进入步骤(6)中冲突风险等级的划分，否则，返回步骤(1)重新进行数据采集；表3为各飞行高度区间下冲突概率预测的准确率，如下：
表3
Figure BDA0003636038940000122
(6)计算无人机与有人机在相遇最近点时的冲突概率及预计到达相遇最近点的时间，划分无人机与有人机的冲突风险等级；
所述步骤(6)的具体过程如下：
(61)冲突风险等级划分前提假设；
(611)获取的无人机与有人机的坐标信息和速度信息准确无误差；
(612)在运动过程中，将无人机与有人机视为一个带有方向的质点；
(613)在运动过程中，无人机与有人机相互独立，且排除尾流因素的影响；
(614)忽略风、雨、雷暴恶劣天气的影响；
(615)假设无人机水平飞行与垂直飞行相互独立；
(616)假设无人机飞行航迹相互独立；
(617)假设无人机与有人机在距离最近的时刻速度保持不变；
(62)判断无人机与有人机是否具有冲突风险；
根据有人机轨迹预测位置点以及无人机轨迹预测位置分布按照步骤(41)初步判断是否存在冲突风险，对不会产生冲突风险的无人机进行筛除；
(63)定义无人机与有人机之间的相遇最近点；
针对步骤(62)中筛选剩余的具有冲突风险的无人机，设定无人机与有人机在当前时刻n往后预测k秒，将步骤(313)中有人机轨迹预测位置点和步骤(323)中无人机轨迹预测位置分布中同一时刻各个点之间距离最近的点定义为相遇最近点；
(64)计算无人机与有人机在n+s时刻的最小距离；
针对n+1～n+k时刻内的任意时刻n+s，计算n+s时刻有人机轨迹预测位置点与无人机轨迹预测位置分布中各个点的距离Lμ n+s：
Figure BDA0003636038940000131
μ＝1，2，…，j s＝1，2，…，k
式中，xn+s、yn+s、zn+s分别为有人机在n+s时刻经度、纬度和高度三个方向的预测值，uμ n+s、vμ n+s、wμ n+s分别为无人机在n+s时刻μ分位点下经度、纬度和高度三个方向的预测值，j为分位点的个数，得到n+s时刻无人机与有人机之间的最小距离Ln+s：
Figure BDA0003636038940000132
(65)计算无人机与有人机在n+1～n+k时刻内相遇最近点的距离及所在时刻；
根据步骤(64)中得到的n+s时刻无人机与有人机之间的最小距离，得到从n+1～n+k时刻内无人机与有人机相遇最近点的距离Ln+l：
Ln+l＝min(Ln+s) s＝1，2，…，k (7)
则n+l即为无人机与有人机相遇最近点所在时刻，l为无人机与有人机预计到达相遇最近点的时间；
(66)计算无人机与有人机在步骤(65)中相遇最近点所在时刻的冲突概率；
针对步骤(65)中得到的无人机与有人机相遇最近点所在时刻，根据步骤(42)中的冲突概率计算方法得到该时刻无人机与有人机之间的冲突概率；
(67)根据冲突概率和预计到达相遇最近点的时间划分冲突风险等级；
(671)设定无人机与有人机冲突概率和预计到达相遇最近点的时间划分标准；
无人机与有人机的冲突概率按照步骤(51)中设定的冲突概率阈值50％进行，无人机与有人机预计到达相遇最近点的时间按照提前40秒预警和提前25秒告警两个阈值，将无人机与有人机的冲突风险分为A、B、C、D四个等级，冲突风险由大到小；表4为无人机与有人机的冲突风险分级预警等级，如下：
表4
Figure BDA0003636038940000141
针对实际的有人机起飞阶段和降落阶段的轨迹数据与采集的无人机轨迹数据，通过平移的方式使无人机与有人机处于同一空间内，进行四种冲突风险等级场景下的仿真试验；
(672)等级A如图2所示：圆柱体为有人机在相遇最近点时的保护区范围，实线为无人机的历史轨迹，虚线为有人机的历史轨迹，星号*为有人机轨迹在相遇最近点时的预测位置点，连续的圆形为无人机轨迹预测位置分布；可以看出在相遇最近点时无人机轨迹预测位置分布点大部分落在有人机保护区内，相遇最近点距离为L＝457.27m，根据当前无人机与有人机的历史轨迹，预测出18秒后为无人机与有人机的相遇最近点，通过公式(3)，预计无人机与有人机在相遇最近点时产生冲突的概率为81.63％，根据划分标准，无人机与有人机的冲突风险等级为A；
(673)等级B如图3所示：可以看出在相遇最近点时无人机轨迹预测位置分布点只有小部分落在有人机保护区内，相遇最近点距离为L＝551.38m，根据当前无人机与有人机的历史轨迹，预测出23秒后为无人机与有人机的相遇最近点，通过公式(3)，预计无人机与有人机在相遇最近点时产生冲突的概率为32.65％，根据划分标准，无人机与有人机的冲突风险等级为B；
(674)等级C如图4所示：可以看出在相遇最近点时无人机轨迹预测位置分布点大部分落在有人机保护区内，相遇最近点距离为L＝504.10m，根据无人机与有人机的历史轨迹，预测出31秒后为无人机与有人机的相遇最近点，通过公式(3)，预计无人机与有人机在相遇最近点时产生冲突的概率为87.76％，根据划分标准，判定无人机与有人机的冲突风险等级为C；
(675)等级D如图5所示：可以看出在相遇最近点时无人机轨迹预测位置分布点有小部分落在有人机保护区内，相遇最近点距离为L＝512.55m，根据无人机与有人机的历史轨迹，预测出38秒后为无人机与有人机的相遇最近点，通过公式(3)，预计无人机与有人机在相遇最近点时产生冲突的概率为12.24％，根据划分标准，判定无人机与有人机冲突风险等级为D。
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 (8)

1.一种终端区无人机与有人机冲突风险等级划分方法，其特征在于，步骤如下：
(1)获取有人机在机场终端区起飞、降落阶段的轨迹数据，以及机场周边探测范围内无人机的轨迹数据；
(2)对步骤(1)中获取的无人机与有人机轨迹数据进行数据处理与分割，对有人机起飞阶段和降落阶段的飞行高度区间进行划分，设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；
(3)针对步骤(2)中处理后的无人机与有人机轨迹数据，分别进行有人机轨迹的位置点预测和无人机轨迹的位置分布预测；
(4)针对有人机轨迹预测位置点和无人机轨迹预测位置分布，判断无人机与有人机是否具有冲突风险，并计算具有冲突风险的无人机与有人机的冲突概率；
(5)根据步骤(4)中得到的冲突概率判断无人机与有人机之间的冲突发生情况，通过蒙特卡洛模拟仿真计算冲突概率预测的准确率，当准确率达到预测精度要求时进入步骤(6)，否则，返回步骤(1)；
(6)计算无人机与有人机在相遇最近点时的冲突概率及预计到达相遇最近点的时间，划分无人机与有人机的冲突风险等级。
2.根据权利要求1所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(1)中有人机和无人机的轨迹数据均包含多个轨迹点，其中有人机起飞阶段和降落阶段每个轨迹点记录的信息包括：航班唯一标识码、航空器类型、经度、纬度、高度、地速、航向角、监视时间、起飞机场四字码、落地机场四字码；无人机每个轨迹点记录的信息包括：时间戳、纬度、经度、高度、水平速度、垂直速度、航向角、俯仰角以及滚轴角。
3.根据权利要求1所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(2)的具体过程如下：
(21)有人机轨迹数据的处理与分割；
(211)坐标系转化；
将步骤(1)中基于空间球面坐标系采集到的有人机轨迹数据中的经度和纬度转化到ECEF直角坐标系：
Figure FDA0003636038930000011
式中，h为高度，N为曲率半径，
Figure FDA0003636038930000012
为纬度对应弧度，λ为经度对应弧度，坐标转化后的经纬度单位为米，X为转化后的经度，Y为转化后的纬度；
(212)生成等间隔时间序列数据；
针对有人机轨迹数据中的高度和地速及步骤(211)中转化后的经度X和纬度Y，通过线性插值生成等间隔时间序列数据；
(213)量纲处理与样本分割；
对步骤(212)中的等间隔时间序列数据通过归一化处理消除量纲的影响，采用滑动时间窗口将归一化后的等间隔时间序列数据切分为固定长度的时间序列切片，将每个切片样本包含的轨迹点减去该样本的初始位置值，分别生成包含轨迹预测模型中输入和输出数据的起飞阶段和降落阶段的切片样本集，每个切片样本集包括纬度、经度、高度和地速四个变量；
(22)无人机轨迹数据的处理与分割；
(221)噪声处理与等间隔数据选择；
对无人机初始飞行时采集数据过程中存在的不稳定轨迹点的数据进行清理，对清理后的无人机轨迹数据按照步骤(212)中有人机时间序列数据的间隔大小进行等间隔数据选择；
(222)坐标系转化；
步骤(221)中处理后的无人机轨迹数据在WGS-84坐标系中以经纬度的形式呈现，将该坐标系中的经度和纬度转化到ECEF直角坐标系下的垂直与水平方向距离，得到坐标系转化后的无人机轨迹数据；
(223)量纲处理与样本分割；
对步骤(222)中的无人机轨迹数据进行归一化处理，消除量纲的影响，采用滑动时间窗口将归一化后的轨迹数据切分为固定长度的时间序列切片，生成包含轨迹预测模型中输入和输出数据的切片样本集，每个切片样本集包括纬度、经度、高度、x方向上的速度、y方向上的速度、垂直速度、航向角、俯仰角以及滚轴角九个变量；
(23)设定不同飞行高度区间下无人机与有人机之间的安全运行分离间隔标准；
(231)划分不同飞行高度区间；
无人机与有人机之间的冲突多发生在有人机的起飞阶段和降落阶段，将0-300m的飞行高度以100m为间隔进行高度区间划分；
(232)设定0-100m的飞行高度区间内无人机与有人机之间的安全运行分离间隔标准；
针对有人机起飞阶段和降落阶段的飞行速度随机体距地高度的变化而变化的特点，结合步骤(231)中划分的飞行高度区间，以不同飞行高度区间内有人机速度的均值作为该区间的有人机飞行速度表征，设定在0-100m的飞行高度区间对应的速度均值下无人机与有人机安全运行的分离间隔标准为水平距离609.6m，垂直距离76.2m，以有人机轨迹预测位置点为中心形成一个圆柱体的外层保护区；
(233)设定100-200m和200m-300m的飞行高度区间内无人机与有人机的保护区；
根据步骤(232)中定义的0-100m的飞行高度区间内无人机与有人机的保护区大小，设定在100-200m和200-300m的飞行高度区间对应的速度均值下，无人机与有人机在水平和垂直方向上安全运行的分离间隔标准，以0-100m保护区的大小为基准按速度均值的比例进行扩大，得到在100-200m和200-300m的飞行高度区间内有人机的保护区。
4.根据权利要求3所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(3)的具体过程如下：
(31)基于GRU轨迹预测模型预测有人机轨迹位置点；
(311)设定GRU轨迹预测模型输入层和输出层参数；
确定起飞阶段和降落阶段的单批次训练样本数量和输入信息的时间步长，设定每个样本的输入数据维度和输出数据维度；
(312)设定GRU轨迹预测模型网络层参数；
设定起飞阶段和降落阶段的网络最大迭代次数、学习率，确定起飞阶段和降落阶段的隐含层层数、单隐含层神经元数目；激活函数选择Sigmoid；
(313)利用GRU轨迹预测模型对有人机轨迹进行预测；
针对步骤(213)中有人机起飞阶段和降落阶段的切片样本集，分别利用GRU轨迹预测模型进行有人机预测步长内的位置点预测；
(32)基于QRGRU模型预测无人机轨迹位置分布；
(321)设定QRGRU模型输入层和输出层参数；
确定单批次训练样本的数量和输入信息的时间步长，设定每个样本的输入数据维度和输出数据维度；
(322)设定QRGRU模型网络层参数；
设定网络最大迭代次数、学习率，确定隐含层层数、单隐含层神经元数目；激活函数选择ReLu；
(323)利用QRGRU模型对无人机轨迹分布进行预测；
针对步骤(223)中无人机轨迹的切片样本集，根据不同分位数条件下的GRU轨迹预测模型即门控循环单元分位数损失回归模型QRGRU对无人机的位置分布进行预测。
5.根据权利要求4所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(4)的具体过程如下：
(41)判断无人机与有人机是否具有冲突风险；
判断预测时刻无人机轨迹在各个分位点下预测的位置与有人机轨迹预测位置点的保护区是否存在交集，设定第i时刻τ分位点下的无人机预测值在x、y、z三个方向上都在有人机轨迹预测位置点的保护区内，即同时满足公式(2)时说明无人机与有人机具有冲突风险：
Figure FDA0003636038930000041
式中，dise为保护区在水平方向与有人机轨迹预测位置点的距离，disf为保护区在垂直方向与有人机轨迹预测位置点的距离，O(x)τi、O(y)τi、O(z)τi分别为无人机在第i时刻τ分位点下x、y、z三个方向上的预测值，P(x)i、P(y)i、P(z)i分别为有人机在第i时刻x、y、z三个方向上的预测值；
(42)求解预测时刻无人机与有人机发生冲突的概率；
根据步骤(41)中无人机与有人机的冲突风险判定方法，得到无人机在预测时刻所有分位点下预测的位置点中处于有人机轨迹预测位置点保护区内的位置点个数，该位置点个数与无人机在所有分位点下预测位置点的个数的比值即为预测时刻无人机与有人机发生冲突的概率，第i时刻无人机与有人机预测发生冲突的概率Probi表示为：
Figure FDA0003636038930000042
式中，m为无人机在所有分位点下预测位置点的个数，bτ|i表示在第i时刻τ分位点下无人机轨迹预测位置点与有人机轨迹预测位置点有冲突风险时为1，无冲突风险时为0。
6.根据权利要求5所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(5)的具体过程如下：
(51)判断无人机与有人机是否发生冲突；
将冲突概率阈值设置为50％，若步骤(42)中得到的预测时刻发生冲突的概率大于或等于冲突概率阈值则认为无人机与有人机之间发生冲突；若小于冲突概率阈值则认为无人机与有人机之间未发生冲突；
(52)不同飞行高度区间的冲突概率预测；
针对步骤(231)中划分的不同的飞行高度区间，分别通过步骤(42)中冲突概率的求解方法，得到不同飞行高度区间下定义的保护区中无人机与有人机发生冲突的概率，进而根据步骤(51)中冲突概率阈值的设置，得到不同飞行高度区间下无人机与有人机的冲突发生情况；
(53)计算冲突概率预测的准确率；
设定无人机与有人机发生冲突时取值为1，未发生冲突时取值为0，通过多次蒙特卡洛模拟仿真试验，得到正确预测无人机与有人机发生冲突的次数与仿真试验次数的比值即为冲突概率预测的准确率Accuracy：
Figure FDA0003636038930000051
式中，num为仿真试验次数，qr＝1表示在第r次仿真试验中无人机与有人机预测冲突发生情况和实际冲突发生情况取值相同，设置冲突概率预测的准确率的精度要求为0.70，即当Accuracy>0.70时，进入步骤(6)中冲突风险等级的划分，否则，返回步骤(1)重新进行数据采集。
7.根据权利要求6所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(6)的具体过程如下：
(61)冲突风险等级划分前提假设；
(611)获取的无人机与有人机的坐标信息和速度信息准确无误差；
(612)在运动过程中，将无人机与有人机视为一个带有方向的质点；
(613)在运动过程中，无人机与有人机相互独立，且排除尾流因素的影响；
(614)忽略风、雨、雷暴恶劣天气的影响；
(615)假设无人机水平飞行与垂直飞行相互独立；
(616)假设无人机飞行航迹相互独立；
(617)假设无人机与有人机在距离最近的时刻速度保持不变；
(62)判断无人机与有人机是否具有冲突风险；
根据有人机轨迹预测位置点以及无人机轨迹预测位置分布按照步骤(41)初步判断是否存在冲突风险，对不会产生冲突风险的无人机进行筛除；
(63)定义无人机与有人机之间的相遇最近点；
针对步骤(62)中筛选剩余的具有冲突风险的无人机，设定无人机与有人机在当前时刻n往后预测k秒，将步骤(313)中有人机轨迹预测位置点和步骤(323)中无人机轨迹预测位置分布中同一时刻各个点之间距离最近的点定义为相遇最近点；
(64)计算无人机与有人机在n+s时刻的最小距离；
针对n+1～n+k时刻内的任意时刻n+s，计算n+s时刻有人机轨迹预测位置点与无人机轨迹预测位置分布中各个点的距离Lμ n+s：
Figure FDA0003636038930000052
μ＝1，2，…，j s＝1，2，…，k
式中，xn+s、yn+s、zn+s分别为有人机在n+s时刻经度、纬度和高度三个方向的预测值，uμ n+s、vμ n+s、wμ n+s分别为无人机在n+s时刻μ分位点下经度、纬度和高度三个方向的预测值，j为分位点的个数，得到n+s时刻无人机与有人机之间的最小距离Ln+s：
Figure FDA0003636038930000061
(65)计算无人机与有人机在n+1～n+k时刻内相遇最近点的距离及所在时刻；
根据步骤(64)中得到的n+s时刻无人机与有人机之间的最小距离，得到从n+1～n+k时刻内无人机与有人机相遇最近点的距离Ln+l：
Ln+l＝min(Ln+s)s＝1，2，…，k (7)
则n+l即为无人机与有人机相遇最近点所在时刻，l为无人机与有人机预计到达相遇最近点的时间；
(66)计算无人机与有人机在步骤(65)中相遇最近点所在时刻的冲突概率；
针对步骤(65)中得到的无人机与有人机相遇最近点所在时刻，根据步骤(42)中的冲突概率计算方法得到该时刻无人机与有人机之间的冲突概率；
(67)根据冲突概率和预计到达相遇最近点的时间划分冲突风险等级。
8.根据权利要求7所述的终端区无人机与有人机冲突风险等级划分方法，其特征在于，所述步骤(67)具体包括：
(671)设定无人机与有人机冲突概率和预计到达相遇最近点的时间划分标准；
无人机与有人机的冲突概率按照步骤(51)中设定的冲突概率阈值50％进行，无人机与有人机预计到达相遇最近点的时间按照提前40秒预警和提前25秒告警两个阈值，将无人机与有人机的冲突风险分为A、B、C、D四个等级，冲突风险由大到小；
(672)等级A：冲突风险非常大，无人机与有人机的冲突概率大于或等于50％，预计到达相遇最近点的时间小于或等于25秒；
(673)等级B：冲突风险较大，无人机与有人机的冲突概率小于50％，预计冲突的时间小于或等于25秒；
(674)等级C：冲突风险中等，无人机与有人机的冲突概率大于或等于50％，预计冲突的时间为25～40秒；
(675)等级D：冲突风险较小，无人机与有人机的冲突概率小于50％，预计冲突的时间为25～40秒。
CN202210505832.3A 2022-05-10 2022-05-10 一种终端区无人机与有人机冲突风险等级划分方法 Active CN115064009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210505832.3A CN115064009B (zh) 2022-05-10 2022-05-10 一种终端区无人机与有人机冲突风险等级划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210505832.3A CN115064009B (zh) 2022-05-10 2022-05-10 一种终端区无人机与有人机冲突风险等级划分方法

Publications (2)

Publication Number Publication Date
CN115064009A true CN115064009A (zh) 2022-09-16
CN115064009B CN115064009B (zh) 2023-11-07

Family

ID=83198644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210505832.3A Active CN115064009B (zh) 2022-05-10 2022-05-10 一种终端区无人机与有人机冲突风险等级划分方法

Country Status (1)

Country Link
CN (1) CN115064009B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731747A (zh) * 2022-11-02 2023-03-03 南京航空航天大学 一种低空多无人机概率型冲突探测方法及存储介质
CN116580329A (zh) * 2023-07-13 2023-08-11 杰能科世智能安全科技(杭州)有限公司 无人机热度预测方法、装置、设备及介质
CN117746693A (zh) * 2024-02-20 2024-03-22 中国民用航空飞行学院 一种适用机场终端区特定类无人机对空风险判别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1517281A2 (en) * 2003-09-16 2005-03-23 COMSOFT GmbH Safety nets for alerting of hazardous situations in air traffic
US20120215434A1 (en) * 2011-02-22 2012-08-23 General Electric Company Methods and systems for managing air traffic
CN106548661A (zh) * 2016-11-29 2017-03-29 中国人民解放军国防科学技术大学 一种基于状态预测的空中防撞方法
CN107943091A (zh) * 2017-12-25 2018-04-20 顺丰科技有限公司 一种无人机避让方法、控制端、通信端、执行端和系统
CN112330982A (zh) * 2020-10-15 2021-02-05 中国民用航空中南地区空中交通管理局 一种应用于终端区的中期冲突预警方法、设备、存储介质
CN113536544A (zh) * 2021-06-21 2021-10-22 武汉理工大学 一种基于最小安全距离模型的船舶概率冲突检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1517281A2 (en) * 2003-09-16 2005-03-23 COMSOFT GmbH Safety nets for alerting of hazardous situations in air traffic
US20120215434A1 (en) * 2011-02-22 2012-08-23 General Electric Company Methods and systems for managing air traffic
CN106548661A (zh) * 2016-11-29 2017-03-29 中国人民解放军国防科学技术大学 一种基于状态预测的空中防撞方法
CN107943091A (zh) * 2017-12-25 2018-04-20 顺丰科技有限公司 一种无人机避让方法、控制端、通信端、执行端和系统
CN112330982A (zh) * 2020-10-15 2021-02-05 中国民用航空中南地区空中交通管理局 一种应用于终端区的中期冲突预警方法、设备、存储介质
CN113536544A (zh) * 2021-06-21 2021-10-22 武汉理工大学 一种基于最小安全距离模型的船舶概率冲突检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓力: "无人机与民航客机碰撞概率研究", 《南京理工大学学报》, vol. 43, no. 1 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731747A (zh) * 2022-11-02 2023-03-03 南京航空航天大学 一种低空多无人机概率型冲突探测方法及存储介质
CN115731747B (zh) * 2022-11-02 2024-01-09 南京航空航天大学 一种低空多无人机概率型冲突探测方法及存储介质
CN116580329A (zh) * 2023-07-13 2023-08-11 杰能科世智能安全科技(杭州)有限公司 无人机热度预测方法、装置、设备及介质
CN116580329B (zh) * 2023-07-13 2023-09-26 杰能科世智能安全科技(杭州)有限公司 无人机热度预测方法、装置、设备及介质
CN117746693A (zh) * 2024-02-20 2024-03-22 中国民用航空飞行学院 一种适用机场终端区特定类无人机对空风险判别方法
CN117746693B (zh) * 2024-02-20 2024-05-14 中国民用航空飞行学院 一种适用机场终端区特定类无人机对空风险判别方法

Also Published As

Publication number Publication date
CN115064009B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN115064009B (zh) 一种终端区无人机与有人机冲突风险等级划分方法
Shi et al. LSTM-based flight trajectory prediction
Kochenderfer et al. Airspace encounter models for estimating collision risk
US6462697B1 (en) System and method for classifying and tracking aircraft vehicles on the grounds of an airport
CN105956790B (zh) 低空飞行态势安全性评估指标及其评估方法
CN111461292B (zh) 一种无人机实时轨迹预测方法
JP2004511029A (ja) 複数ソースのターゲットの関係づけ
CN113014866B (zh) 机场低空鸟类活动监视与风险报警系统
TWI794516B (zh) 透過空中交通管理電子系統的用於空中管理的訓練和/或輔助平台及方法
Schultz et al. Analysis of airport ground operations based on ADS-B data
CN113869379A (zh) 一种基于数据驱动的航空器能量异常识别方法
CN101465066B (zh) 飞机垂直占有率的获取方法
CN113470441B (zh) 一种高机动试飞航空器实时智能防相撞检测方法
Hon et al. Wake vortex measurements at the Hong Kong International Airport
CN111175852B (zh) 一种基于长短时记忆算法的机场大雾预报预警方法
CN105118332A (zh) 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置
CN111477036A (zh) 一种空管自动化系统航空器高度异常检测方法
Meijers Data-driven predictive analytics of runway occupancy time for improved capacity at airports
Tsai et al. Risk Assessment of Final Approach Phase with ADS-B Trajectory Data and Weather Information using Artificial Neural Network
Arts et al. Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins
CN114779278A (zh) 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法
Ortega et al. Improve decision-making process in Air Command and Control Systems with meteorological data fusion
Kochenderfer et al. A Bayesian approach to aircraft encounter modeling
Dhief et al. A Tree-based Machine Learning Model for Go-around Detection and Prediction
Hernández et al. Time in Advance Go-Around Predictions for Decision Support in Air Traffic Management

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