CN116772848A - 一种航空器终端区四维飞行轨迹的绿色实时规划方法 - Google Patents
一种航空器终端区四维飞行轨迹的绿色实时规划方法 Download PDFInfo
- Publication number
- CN116772848A CN116772848A CN202310620029.9A CN202310620029A CN116772848A CN 116772848 A CN116772848 A CN 116772848A CN 202310620029 A CN202310620029 A CN 202310620029A CN 116772848 A CN116772848 A CN 116772848A
- Authority
- CN
- China
- Prior art keywords
- track
- planning
- grid
- terminal area
- aircraft
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- SLVOVFVZZFUEAS-UHFFFAOYSA-N 2-[2-[2-[bis(carboxymethyl)amino]ethoxy]ethyl-(carboxymethyl)amino]acetic acid Chemical compound OC(=O)CN(CC(O)=O)CCOCCN(CC(O)=O)CC(O)=O SLVOVFVZZFUEAS-UHFFFAOYSA-N 0.000 claims description 2
- 231100001261 hazardous Toxicity 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种航空器终端区四维飞行轨迹的绿色实时规划方法,包括:利用雷达航迹数据,借助机器学习中的DBSCAN聚类算法识别终端区的航迹模式,用航迹模式限制航迹规划算法的规划空间;采用栅格法对终端区空域实时建模,提出了受限空域概率边界,动态表示终端区空域情况,补充航迹模式限制规划空间缺点的同时再次缩减算法规划空间;针对限制后的算法规划空间,提出航迹规划模型和改进遗传算法,实时规划绿色四维航迹。本发明以绿色目标和运行效率为切入点,通过航迹规划空间的缩减和遗传算法的改进,解决了现有方法无法兼顾求解效率和求解质量的问题,为实际应用中的航空器终端区四维飞行轨迹的绿色实时规划提供更科学、有效的工具。
Description
技术领域
本发明属于航空器轨迹规划领域,具体涉及一种航空器终端区四维飞行轨迹的绿色实时规划方法。
背景技术
近年来,民航业的发展迅猛,全国航班运输量快速增长,由此带来的空中交通运行、航班延误等问题日益严重。究其原因,是因为航班运行过程复杂多变,其中终端区作为航空器运行过程中相对繁忙的空域,受到的影响更为广泛,难以预测。
为了解决这个问题,切实有效的办法就是让航空器飞行在经过系统规划的合理的航迹上。由于航迹规划问题约束条件多、对规划时效性要求高等原因,其采用的方法决定了问题解决的质量。目前,航迹规划算法通常包括两种方法:传统规划方法和智能规划方法。传统方法包括:人工势场法、A*法、D*法等;智能规划方法包括:遗传算法、蚁群算法、神经网络、粒子群算法等。优秀的航迹规划能够在保证安全的基础上,还会极大的提高航空器运行效率。
目前对于航迹规划方向的研究,大多是基于A*算法、改进蚁群算法等算法革新方面的航迹规划研究,同时现有研究大多数为针对无人机飞行而非民航运输任务,对于民航运输的研究大多聚焦于冲突探测和解除等传统方向而面对四维航迹规划,并且兼顾到绿色的研究仍旧存在不足。
发明内容
针对以上不足,本发明提供一种航空器终端区飞行轨迹的绿色动态实时规划方法,目的是缓解现有终端区空域繁忙的现状以及缺少对环境影响的考虑,同时实时识别受限空域以规划出实时最优的绿色四维航迹。
为达到上述目的,本发明采用的技术方案为:
一种航空器终端区四维飞行轨迹的绿色实时规划方法,所述方法包括:
获取目标终端区空域内历史雷达航迹数据;
对历史雷达航迹数据进行聚类处理得到各航迹模式的中心航迹,获取各中心航迹对应的航迹规划空间;
对航迹规划空间进行栅格化处理,得到栅格航迹规划空间;
根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空;
获取各航迹规划空间内的决策变量、决策边界和状态值,构建以最小化状态值为目标函数、以决策边界为约束条件的优化模型;其中所述状态值为航空器在终端区空域运行时对应产生的航空排放物排放量;
基于所述栅格航迹规划空间和实时受限空域,利用改进遗传算法对所述优化模型进行优化求解,得到最优终端区四维绿色实时规划航迹。
在一些实施例中,所述的目标终端区空域内历史雷达航迹数据包括目标终端区空域规定时间段内所有航空器任意时刻的经度、纬度、高度、速度和航班号维度。
在一些实施例中,获取中心航迹对应的航迹规划空间,包括:
步骤1:选取某一中心航迹hj作为目标中心航迹,并挨个提取目标中心航迹的航迹点p1,p2,…,pn,默认以p1为起始点;
步骤2:按顺序提取出每个航迹点的经度long、纬度lat、高度alt;
步骤3:将该航迹点三个坐标轴上dx±k,dy±k,dz±k内的矩形区域划分为航迹点的规划空间;其中dx、dy、dz分别代表横轴、纵轴、竖轴三个方向,k为规划空间的扩展范围;
步骤4:遍历目标中心航迹的航迹点完成航迹点的规划空间限制,得到目标中心航迹对应的航迹规划空间。
在一些实施例中,对航迹规划空间进行栅格化处理,得到栅格航迹规划空间,包括:
步骤1:获取终端区空域边界经纬度坐标以及最大经度longmax、最大纬度latmax和最小经度longmin、最小纬度latmin;
步骤2:将终端区空域边界经纬度坐标转换为直角坐标系坐标:
x=R*(longi-long0)
其中,lati、lat0和longi、long0分别代表i点和坐标原点的经度、纬度,R代表地球半径,x和y为该点的直角坐标系坐标;
步骤3:基于终端区空域边界的最大经度longmax、最大纬度latmax和最小经度longmin、最小纬度latmin,根据选取的栅格水平尺寸L和垂直尺寸H,计算出终端区空域在x、y、z三个方向的栅格数量,并计算出航迹规划空间占用栅格,得到栅格航迹规划空间。
在一些实施例中,根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空域,包括:
根据目标终端区空域的实时气象数据,将栅格航迹规划空间的栅格分类为禁区栅格、缓冲区栅格、运行区栅格;
根据禁区栅格的概率边界确定实时受限空域。
进一步地,其中所述终端区空域的实时气象数据包括危险天气区域质心Cw(X,Y,Z)及影响半径Rw,当栅格空域内有危险天气区域时,被定义为禁区栅格,包裹在禁区栅格外的一层栅格设置为缓冲区栅格,其余部分设置为运行区栅格;
假设某时刻终端区内存在一个动态危险天气,危险天气区域质心为Cw(X,Y,Z),影响半径为Rw,经过基于概率边界的随机变化后,危险天气区域质心位置Cw'(X,Y,Z)和影响半径Rw'分别为:
Cw'(X,Y,Z)=Cw(X+Y2,Y+Y2,Z+Y2)
Rw'=Rw+Y1;
Yn=kn*X,X~N(0,σ2),n∈(1,2)
其中,Yn为半径或质心变化的量,kn为缩放因子,使概率边界在合理范围内移动,X则服从标准正态分布,n∈(1,2)代表半径变化或质心变化;
禁区栅格的概率边界是将确定的受限空域边界转变为概率边界,在一定的置信区间内,受限空域边界是遵循一定概率分布,分为危险天气区域半径发生的随机变化和危险天气区域质心发生的随机移动两种情况。
在一些实施例中,所述决策变量为航空器在各阶段上的飞行策略,包括运行栅格、转向角度和速度。
在一些实施例中,所述决策边界包括栅格决策边界、转向角度决策边界和速度决策边界;
所述栅格决策边界表示为:
i∈US
其中,对于规划航迹其中iI,iO分别表示该航迹的起点和终点;规划航迹内的航迹点i不能存在于受限空域UP内,任一中心航迹X所有中心航迹点iX所对应的栅格航迹规划空间Sx,i形成集合US,限制下一航迹点i规划空间;
所述转向角度决策边界为航空器在运行中转向时,不得超过航空器性能的转向角度飞行,转向角度决策边界表示为:
其中,αmax是相应的飞机最大转向角度,l1,l2,l3分别代表当前航段长度,下一航段长度以及当前航段起点到下段航段终点长度;
所述速度决策边界为航空器在各高度层飞行时不得超出对应管制空域内速度范围,转向角度决策边界表示为:
v∈[Vcr,Z,min,Vcr,Z,max]
v∈[Vcli,Z,min,Vcli,Z,max]∩[Vcli,Z+1,min,Vcli,Z+1,max]
v∈[Vdes,Z,min,Vdes,Z,max]∩[Vdes,Z-1,min,Vdes,Z-1,max]
这三个式子分别表示平飞、上升以及下降时,航空器自身的速度v都不允许超过当前以及目的高度层的速度限制,Vcr,Z,min,Vcr,Z,max、Vcli,Z,min,Vcli,Z,max、Vdes,Z,min,Vdes,Z,max分别表示在巡航、爬升和下降状态时高度层Z对应的最大和最小真空速。
在一些实施例中,所述航空排放物排放量通过如下公式表示:
其中,EM代表航空排放物排放量,Ej,N表示各类航空排放物经过标准化极值方法处理后的排放量,n表示航空排放物的总类别;
标准化极值方法通过如下公式表示:
其中Ej、maxEj、minEj分别为污染物j的排放量、最大排放量和最小排放量;
其中EIj是污染物j的排放指数,表示燃烧1kg燃油所产生对应排放物的质量,FFi代表在航迹点i航空器的燃油流率;Ti表示航空器在航迹点i内飞行时间;
其中FFCR,i、FFmin,i、FFnom,i为飞机性能数据库BADA模型中不同部分的燃油流率,PHSi代表在航迹点i的飞行状态,CFGi代表在航迹点i的航空器构型。
在一些实施例中,所述各类航空排放物包括CO2、SO2、NOx、CO这几类排放物。
在一些实施例中,利用改进遗传算法对所述优化模型进行优化求解,包括:
步骤1:依据个体生成规则,生成预设种群数量的个体;
步骤2:依据设计的交叉算子以及变异算子完成个体的交叉、变异操作;
步骤3:在完成交叉、变异操作的个体中,选择适应度更为优秀的个体;
步骤4:重复步骤2-步骤3直至到达最大迭代次数或目标适应度,得到最优终端区四维绿色实时规划航迹;
其中所述改进遗传算法为在基础遗传算法上为解决航迹规划问题所提出的改进型,包括:
a、所述个体生成规则为:要求个体在随机生成的过程中,只能在邻近栅格内搜索下一个航迹点,引入超参数α,在搜索邻近栅格作为下一航迹点时,会计算所有邻近栅格距离终点的距离,其中距离更近的栅格,被选中的概率就越大,概率公式如下:
其中prob代表该栅格所被选中的概率,dis代表该栅格距离终点栅格的欧式距离;
b、所述交叉算子设计为:要求父辈个体进行配对时,由适应度更优秀的个体之间配对,适应度较低的个体之间配对,并且在两个即将交叉的父辈个体中,寻找这两个个体的相同基因,以相同点为交叉点完成交叉操作;
c、自适应遗传算法,交叉概率Pc和变异概率Pm能随着种群适应度的变化而变化,通过以下公式表示:
其中,k1和k2代表在交叉和变异操作中的最大概率,取值在0到1之间,β为控制其变化幅度的超参数,S2是整个种群适应度的方差。
一种航空器终端区四维飞行轨迹的绿色实时规划系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明通过处理雷达航迹数据,使用DBSCAN聚类算法识别终端区空域内的航迹模式,使用航迹模式缩减航迹规划空间,避免航迹规划空间过大搜索效率低下的问题;本发明通过针对于终端区空域,基于栅格法建立了实时终端区栅格空域,在对空域范围划定的基础上对空域内部进行栅格化,同时引入具有概率边界的终端区受限空域,完成了对规划空间的优化;本发明通过采用改进遗传算法,分别对CO2、SO2、NOx、CO等环保目标进行排放建模,考虑这四类排放物在极值标准化后的综合排放,在限制后的规划空间内进行运算,实时得出终端区内的绿色四维航迹。
附图说明
图1为本发明一实施例的方法流程示意图;
图2为本发明一实施例提出的航迹规划空间离散化示意图;
图3:(a)、(b)分别为本发明一实施例规划的绿色航迹图和实时规划的绿色航迹避障图。
具体实施方式:
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明基于经济和环保目标,建立绿色四维航迹实时规划模型,通过航迹模式和栅格处理,缩减算法规划空间,提高算法计算速度,为终端区空域内航空器绿色四维航迹实时规划提供模型和方法基础,为提升民航可持续发展能力提供有力支持。
一种航空器绿色巡航轨迹的动态记忆规划方法,包括:
获取目标终端区空域内历史雷达航迹数据;
对历史雷达航迹数据进行聚类处理得到各航迹模式的中心航迹,获取各中心航迹对应的航迹规划空间;
对航迹规划空间进行栅格化处理,得到栅格航迹规划空间;
根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空域;
获取各航迹规划空间内的决策变量、决策边界和状态值,构建以最小化状态值为目标函数、以决策边界为约束条件的优化模型;其中所述状态值为航空器在终端区空域运行时对应产生的航空排放物排放量;
基于所述栅格航迹规划空间和实时受限空域,利用改进遗传算法对所述优化模型进行优化求解,得到最优终端区四维绿色实时规划航迹。
如图1所示,一种航空器绿色巡航轨迹的动态记忆规划方法,所述方法包括:
步骤1:获取目标终端区空域内历史雷达航迹数据;
步骤1.1:处理雷达航迹数据缺省值和异常值;
步骤1.2:删除雷达航迹数据重复值;
步骤1.3:对雷达航迹数据降维处理;
步骤2:对历史雷达航迹数据进行DBSCAN聚类处理,将历史雷达航迹数据划分为多个簇,获取各簇的中心航迹,得到各中心航迹对应的航迹规划空间;
步骤2.1:历史雷达航迹数据经过数据清洗、缺省值处理以及数据降维之后,采用DBSCAN算法聚类分析,识别出各簇的中心航迹;
步骤2.2:以中心航迹扩张,形成航迹规划空间,航迹规划空间计算方法包括:
步骤2.2.1:选取某一中心航迹hj作为目标中心航迹,并挨个提取目标中心航迹的航迹点p1,p2,…,pn,默认以p1为起始点;
步骤2.2.2:按顺序提取出每个航迹点的经度long、纬度lat、高度alt;
步骤2.2.3:将该航迹点三个坐标轴上dx±k,dy±k,dz±k内的矩形区域划分为航迹点的规划空间;其中dx、dy、dz分别代表横轴、纵轴、竖轴三个方向,k为规划空间的扩展范围;
步骤2.2.4:遍历目标中心航迹的航迹点完成航迹点的规划空间限制,得到目标中心航迹对应的航迹规划空间。
步骤3:在航迹规划空间中,进行栅格化处理,得到栅格航迹规划空间,根据目标终端区空域的实时气象数据,实时更新栅格划分,确定栅格航迹规划空间中的实时受限空域UP;;
步骤3.1:从经纬度表示的连续空间转换为栅格表示的离散空间,其步骤如下:
步骤3.1.1:获取终端区边界经纬度坐标点,确认其所在地理位置,并获得最大经度longmax、最大纬度latmax和最小经度longmin、最小纬度latmin边界点数值;
步骤3.1.2:经纬度坐标转换为直角坐标系坐标的计算公式为:
x=R*(longi-long0)
其中,lati、lat0和longi、long0分别代表i点和坐标原点的经度、纬度,R代表地球半径,x和y为该点的直角坐标系坐标;
步骤3.1.3:选取栅格的水平尺寸L和垂直尺寸H,通过步骤3.1.1中获得的最值点,计算出终端区空域在x、y、z三个方向的栅格数量,并计算出航迹规划空间占用栅格,得到栅格航迹规划空间,如图2所示;
步骤3.2:终端区空域的气象数据,包括危险天气区域质心Cw(X,Y,Z)及其半径Rw,当栅格空域内有危险天气区域时,即使没有完全占有,也会被定义为禁区栅格,包裹在禁区栅格外的一层栅格设置为缓冲区栅格,其余部分设置为运行区栅格。其中,禁区栅格具有概率边界,以模拟实际运行中天气的随机性;
步骤3.3:禁区栅格概率边界,是将确定的受限空域边界转变为概率边界,即在一定的置信区间内,受限空域边界是遵循一定概率分布,分为危险天气半径发生的随机变化和危险天气质心发生的随机移动两种情况;
假设某时刻终端区内存在一个动态危险天气,危险天气区域质心为Cw(X,Y,Z),影响半径为Rw,经过基于概率边界的随机变化后,危险天气区域质心位置Cw'(X,Y,Z)和影响半径Rw'分别为:
Cw'(X,Y,Z)=Cw(X+Y2,Y+Y2,Z+Y2)
Rw'=Rw+Y1;
Yn=kn*X,X~N(0,σ2),n∈(1,2)
其中,Yn为半径或质心变化的量,kn为缩放因子,使概率边界在合理范围内移动,X则服从标准正态分布,n∈(1,2)代表半径变化或质心变化在上式中,得出的变化量为正即为向坐标轴正方向移动,反之则为向负方向移动。
步骤4:定义各阶段决策变量、决策边界和状态值集合,具体的步骤是:
步骤4.1:决策变量为航空器在各阶段上的飞行策略,包括运行栅格、转向角度和速度;决策边界包括栅格决策边界、转向角度决策边界和速度决策边界;
步骤4.1.1:栅格决策边界为航空器在运行时不得在对应的禁区栅格内飞行,栅格决策边界通过如下公式表示:
i∈US
其中,对于航迹其内的航迹点i不可以存在于受限空域UP内,集合US由任一中心航迹X所有中心航迹点iX所对应的栅格空间Sx,i形成;
步骤4.1.2:转向角度决策边界为航空器在运行中转向时,不得超过航空器性能的转向角度飞行,转向角度决策边界通过如下公式表示:
其中,αmax是相应的飞机最大转向角度,l1,l2,l3分别代表当前航段长度,下一航段长度以及当前航段起点到下段航段终点长度;
步骤4.1.3:速度决策边界为航空器在各高度层飞行时不得超出对应管制空域内速度范围,转向角度决策边界通过如下公式表示:
v∈[Vcr,Z,min,Vcr,Z,max]
v∈[Vcli,Z,min,Vcli,Z,max]∩[Vcli,Z+1,min,Vcli,Z+1,max]
v∈[Vdes,Z,min,Vdes,Z,max]∩[Vdes,Z-1,min,Vdes,Z-1,max]
这三个式子分别表示平飞、上升以及下降时,航空器自身的速度都不允许超过当前以及目的高度层的速度限制;
步骤4.2:状态值为航空器在终端区空域运行时对应产生的航空排放物排放量,步骤如下所示:
步骤4.2.1:航空排放物排放量通过如下公式表示:
其中,EM代表航空排放物排放量,以克为计量单位,Ej,N表示各类航空排放物经过标准化极值方法处理后的排放量。
标准化极值方法通过如下公式表示:
其中Ej为污染物j的排放量(千克);
步骤4.2.2:各类排放物排放量为CO2、SO2、NOx、CO这几类排放物在飞行过程中的排放量,各类排放物排放量可通过以下公式表示:
其中Ej为污染物j的排放量(千克),EIj是污染物j的排放指数(克/千克),表示燃烧1kg燃油所产生对应排放物的质量,FFi代表在航迹点i航空器的燃油流率;Ti表示航空器在航迹点i内飞行时间。
对于CO2、SO2这两类排放物,与/>会表现为定值,分别为3115g/kg和0.8g/kg;对于NOx与CO也是关于这两者的排放指数和燃油消耗总量的关系,但同时也与发动机运行状态和大气条件有关,在不同的状态下对应着不同的值,由于EEDB数据库中,这两类排放物的排放指数仅适用于国际标准大气和海平面高度(0米,ISA)条件,需要对其运行过程的排放指数进行修正和插值。步骤如下所示:
步骤4.2.2.1:计算出任意时刻的燃油流率FFi,使用燃油流率和排放物排放指数进行拟合,通过数据库中的基准燃油流率值,插值获得该燃油流率对应的排放指数基准值Ej'。
步骤4.2.2.2:根据航空器当前飞行高度的大气条件,将排放指数基准值Ej'按照下列公式修正到实际值:
其中δ为航空器当前位置大气压强与标准海平面气压的比值,θ为当前大气温度与标准海平面大气温度比值,P为当前大气压强,为大气相对湿度(%),pv为饱和蒸汽压强,饱和蒸汽压强与大气温度有以下关系:
因此,建立的优化模型为:
优化模型的目标函数为:
优化模型的约束条件为所述决策边界,包括栅格决策边界、转向角度决策边界和速度决策边界。
步骤4.3:改进遗传算法为在基础遗传算法上为解决航迹规划问题所提出的改进型,其内容包括:
a、个体生成规则设计,要求个体在随机生成的过程中,只能在邻近栅格内搜索下一个航迹点,引入超参数α,在搜索邻近栅格作为下一航迹点时,会计算所有邻近栅格距离终点的距离,其中距离更近的栅格,被选中的概率就越大,概率公式如下:
其中prob代表该栅格所被选中的概率,dis代表该栅格距离终点栅格的欧式距离;
b、交叉算子设计,要求父辈个体进行配对时,由适应度更优秀的个体之间配对,适应度较低的个体之间配对,并且在两个即将交叉的父辈个体中,寻找这两个个体的相同基因,以相同点为交叉点完成交叉操作。
c、自适应遗传算法,交叉概率Pc和变异概率Pm能随着种群适应度的变化而变化,其变化可通过以下公式表示:
其中,k1和k2代表在交叉和变异操作中的最大概率,取值在0到1之间,β为控制其变化幅度的超参数,S2是整个种群适应度的方差。
步骤5:绿色四维实时规划航迹包括:
步骤5.1:依据个体生成规则,生成预设种群数量的个体,个体在生成过程中要满足步骤2.2、步骤3和步骤4.1的要求;
步骤5.2:依据设计交叉算子以及变异算子完成个体的交叉、变异操作;
步骤5.3:在完成交叉、变异操作的个体中,选择适应度更为优秀的个体;
步骤5.4:重复步骤5.2至5.3直至到达最大迭代次数或目标适应度,实时规划出绿色四维航迹,如图3所示。
一种航空器终端区四维飞行轨迹的绿色实时规划装置,包括:
数据获取模块:用于获取目标终端区空域内历史雷达航迹数据;
第一处理模块:用于对历史雷达航迹数据进行聚类处理得到各航迹模式的中心航迹,获取各中心航迹对应的航迹规划空间;
第二处理模块:用于对航迹规划空间进行栅格化处理,得到栅格航迹规划空间US;以及根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空域UP;
获取模块:用于各航迹规划空间内的决策变量、决策边界和状态值,构建以最小化状态值为目标函数、以决策边界为约束条件的优化模型;其中所述状态值为航空器在终端区空域运行时对应产生的航空排放物排放量;
实时计算模块:用于基于所述栅格航迹规划空间和实时受限空域,利用改进遗传算法对所述优化模型进行优化求解,得到最优终端区四维绿色实时规划航迹。
一种航空器终端区四维飞行轨迹的绿色实时规划系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明通过处理雷达航迹数据,使用DBSCAN聚类算法识别终端区空域内的航迹模式,使用航迹模式缩减航迹规划空间,避免航迹规划空间过大搜索效率低下的问题;本发明通过针对于终端区空域,基于栅格法建立了实时终端区栅格空域,在对空域范围划定的基础上对空域内部进行栅格化,同时引入具有概率边界的终端区受限空域,完成了对规划空间的优化;本发明通过采用改进遗传算法,分别对CO2、SO2、NOx、CO等环保目标进行排放建模,考虑这四类排放物在极值标准化后的综合排放,在限制后的规划空间内进行运算,实时得出终端区内的绿色四维航迹。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,所述方法包括:
获取目标终端区空域内历史雷达航迹数据;
对历史雷达航迹数据进行聚类处理得到各航迹模式的中心航迹,获取各中心航迹对应的航迹规划空间;
对航迹规划空间进行栅格化处理,得到栅格航迹规划空间;
根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空域;
获取各航迹规划空间内的决策变量、决策边界和状态值,构建以最小化状态值为目标函数、以决策边界为约束条件的优化模型;其中所述状态值为航空器在终端区空域运行时对应产生的航空排放物排放量;
基于所述栅格航迹规划空间和实时受限空域,利用改进遗传算法对所述优化模型进行优化求解,得到最优终端区四维绿色实时规划航迹。
2.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,所述的目标终端区空域内历史雷达航迹数据包括目标终端区空域规定时间段内所有航空器任意时刻的经度、纬度、高度、速度和航班号维度。
3.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,获取中心航迹对应的航迹规划空间,包括:
步骤1:选取某一中心航迹hj作为目标中心航迹,并挨个提取目标中心航迹的航迹点p1,p2,…,pn,默认以p1为起始点;
步骤2:按顺序提取出每个航迹点的经度long、纬度lat、高度alt;
步骤3:将该航迹点三个坐标轴上dx±k,dy±k,dz±k内的矩形区域划分为航迹点的规划空间;其中dx、dy、dz分别代表横轴、纵轴、竖轴三个方向,k为规划空间的扩展范围;
步骤4:遍历目标中心航迹的航迹点完成航迹点的规划空间限制,得到目标中心航迹对应的航迹规划空间。
4.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,对航迹规划空间进行栅格化处理,得到栅格航迹规划空间,包括:
步骤1:获取终端区空域边界经纬度坐标以及最大经度longmax、最大纬度latmax和最小经度longmin、最小纬度latmin;
步骤2:将终端区空域边界经纬度坐标转换为直角坐标系坐标:
x=R*(longi-long0)
其中,lati、lat0和longi、long0分别代表i点和坐标原点的经度、纬度,R代表地球半径,x和y为该点的直角坐标系坐标;
步骤3:基于终端区空域边界的最大经度longmax、最大纬度latmax和最小经度longmin、最小纬度latmin,根据选取的栅格水平尺寸L和垂直尺寸H,计算出终端区空域在x、y、z三个方向的栅格数量,并计算出航迹规划空间占用栅格,得到栅格航迹规划空间。
5.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,根据目标终端区空域的实时气象数据,确定栅格航迹规划空间中的实时受限空域,包括:
根据目标终端区空域的实时气象数据,将栅格航迹规划空间的栅格分类为禁区栅格、缓冲区栅格、运行区栅格;
根据禁区栅格的概率边界确定实时受限空域。
6.根据权利要求5所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,其中所述终端区空域的实时气象数据包括危险天气区域质心Cw(X,Y,Z)及影响半径Rw,当栅格空域内有危险天气区域时,被定义为禁区栅格,包裹在禁区栅格外的一层栅格设置为缓冲区栅格,其余部分设置为运行区栅格;
假设某时刻终端区内存在一个动态危险天气,危险天气区域质心为Cw(X,Y,Z),影响半径为Rw,经过基于概率边界的随机变化后,危险天气区域质心位置Cw'(X,Y,Z)和影响半径Rw'分别为:
Cw'(X,Y,Z)=Cw(X+Y2,Y+Y2,Z+Y2)
Rw'=Rw+Y1;
Yn=kn*X,X~N(0,σ2),n∈(1,2)
其中,Yn为半径或质心变化的量,kn为缩放因子,使概率边界在合理范围内移动,X则服从标准正态分布,n∈(1,2)代表半径变化或质心变化;
禁区栅格的概率边界是将确定的受限空域边界转变为概率边界,在一定的置信区间内,受限空域边界遵循一定概率分布,分为危险天气区域半径发生的随机变化和危险天气区域质心发生的随机移动两种情况。
7.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,所述决策变量为航空器在各阶段上的飞行策略,包括运行栅格、转向角度和速度。
8.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,所述决策边界包括栅格决策边界、转向角度决策边界和速度决策边界;
所述栅格决策边界表示为:
i∈US
其中,对于规划航迹其中iI,iO分别表示该航迹的起点和终点;规划航迹内的航迹点i不能存在于受限空域UP内,任一中心航迹X所有中心航迹点iX所对应的栅格航迹规划空间Sx,i形成集合US,限制下一航迹点i规划空间;
所述转向角度决策边界为航空器在运行中转向时,不得超过航空器性能的转向角度飞行,转向角度决策边界表示为:
其中,αmax是相应的飞机最大转向角度,l1,l2,l3分别代表当前航段长度,下一航段长度以及当前航段起点到下段航段终点长度;
所述速度决策边界为航空器在各高度层飞行时不得超出对应管制空域内速度范围,转向角度决策边界表示为:
v∈[Vcr,Z,min,Vcr,Z,max]
v∈[Vcli,Z,min,Vcli,Z,max]∩[Vcli,Z+1,min,Vcli,Z+1,max]
v∈[Vdes,Z,min,Vdes,Z,max]∩[Vdes,Z-1,min,Vdes,Z-1,max]
这三个式子分别表示平飞、上升以及下降时,航空器自身的速度v都不允许超过当前以及目的高度层的速度限制,Vcr,Z,min,Vcr,Z,max、Vcli,Z,min,Vcli,Z,max、Vdes,Z,min,Vdes,Z,max分别表示在巡航、爬升和下降状态时高度层Z对应的最大和最小真空速。
9.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,所述航空排放物排放量通过如下公式表示:
其中,EM代表航空排放物排放量,Ej,N表示各类航空排放物经过标准化极值方法处理后的排放量,n表示航空排放物的总类别;
标准化极值方法通过如下公式表示:
其中Ej、maxEj、minEj分别为污染物j的排放量、最大排放量和最小排放量;
其中EIj是污染物j的排放指数,表示燃烧1kg燃油所产生对应排放物的质量,FFi代表在航迹点i航空器的燃油流率;Ti表示航空器在航迹点i内飞行时间;
其中FFCR,i、FFmin,i、FFnom,i为飞机性能数据库BADA模型中不同部分的燃油流率,PHSi代表在航迹点i的飞行状态,CFGi代表在航迹点i的航空器构型。
在一些实施例中,所述各类航空排放物包括CO2、SO2、NOx、CO这几类排放物。
10.根据权利要求1所述的航空器终端区四维飞行轨迹的绿色实时规划方法,其特征在于,利用改进遗传算法对所述优化模型进行优化求解,包括:
步骤1:依据个体生成规则,生成预设种群数量的个体;
步骤2:依据设计的交叉算子以及变异算子完成个体的交叉、变异操作;
步骤3:在完成交叉、变异操作的个体中,选择适应度更为优秀的个体;
步骤4:重复步骤2-步骤3直至到达最大迭代次数或目标适应度,得到最优终端区四维绿色实时规划航迹;
其中所述改进遗传算法为在基础遗传算法上为解决航迹规划问题所提出的改进型,包括:
a、所述个体生成规则为:要求个体在随机生成的过程中,只能在邻近栅格内搜索下一个航迹点,引入超参数α,在搜索邻近栅格作为下一航迹点时,会计算所有邻近栅格距离终点的距离,其中距离更近的栅格,被选中的概率就越大,概率公式如下:
其中prob代表该栅格所被选中的概率,dis代表该栅格距离终点栅格的欧式距离;
b、所述交叉算子设计为:要求父辈个体进行配对时,由适应度更优秀的个体之间配对,适应度较低的个体之间配对,并且在两个即将交叉的父辈个体中,寻找这两个个体的相同基因,以相同点为交叉点完成交叉操作;
c、自适应遗传算法,交叉概率Pc和变异概率Pm能随着种群适应度的变化而变化,通过以下公式表示:
其中,k1和k2代表在交叉和变异操作中的最大概率,取值在0到1之间,β为控制其变化幅度的超参数,S2是整个种群适应度的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620029.9A CN116772848A (zh) | 2023-05-29 | 2023-05-29 | 一种航空器终端区四维飞行轨迹的绿色实时规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620029.9A CN116772848A (zh) | 2023-05-29 | 2023-05-29 | 一种航空器终端区四维飞行轨迹的绿色实时规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116772848A true CN116772848A (zh) | 2023-09-19 |
Family
ID=88007282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310620029.9A Pending CN116772848A (zh) | 2023-05-29 | 2023-05-29 | 一种航空器终端区四维飞行轨迹的绿色实时规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116772848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251748A (zh) * | 2023-10-10 | 2023-12-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
-
2023
- 2023-05-29 CN CN202310620029.9A patent/CN116772848A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251748A (zh) * | 2023-10-10 | 2023-12-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
CN117251748B (zh) * | 2023-10-10 | 2024-04-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846926B (zh) | 一种禁飞区无人机预警方法 | |
CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
CN106767860B (zh) | 一种基于启发式搜索算法来缩短智能汽车路径规划搜索时间的方法 | |
CN107807658B (zh) | 面向多无人机编队飞行任务的轨迹规划方法 | |
CN107063255B (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN107123315A (zh) | 一种考虑环境影响的终端区进离场航线优化方法 | |
CN103267528A (zh) | 禁飞区限制下的多无人机协同区域搜索方法 | |
CN111024085B (zh) | 一种具有端点方向和时间约束的无人机航迹规划方法 | |
CN113268081B (zh) | 一种基于强化学习的小型无人机防控指挥决策方法及系统 | |
CN116772848A (zh) | 一种航空器终端区四维飞行轨迹的绿色实时规划方法 | |
CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
CN111678524A (zh) | 一种基于飞行安全的救援航空器路径规划方法及系统 | |
CN107016880B (zh) | 一种基于模拟退火算法的连续下降进近油耗优化方法 | |
CN111882047A (zh) | 一种基于强化学习与线性规划的快速空管防冲突方法 | |
CN111045445A (zh) | 一种基于强化学习的飞行器智能避撞方法、设备、介质 | |
CN109978286A (zh) | 一种基于改进蚁群算法的多航空器绕飞雷暴航路规划方法 | |
CN112506219A (zh) | 一种智能交通监管无人机航迹规划方法、系统及可读存储介质 | |
CN113485103A (zh) | 一种基于深度强化学习的航空器冲突解脱方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN112666981A (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN115454132A (zh) | 一种面向山地光伏电站的无人机巡检三维路径规划方法及系统 | |
Wang et al. | UAV online path planning based on improved genetic algorithm | |
CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
CN112506230A (zh) | 基于螺旋线的群组移动性模型构建方法 |
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 |