融合空域下无人机4D轨迹协同预测与冲突检测的创新研究

《Algorithms》:Cooperative 4D Trajectory Prediction and Conflict Detection in Integrated Airspace

【字体: 大 中 小 】 时间:2026年01月02日 来源:Algorithms 2.1

编辑推荐:

  本文针对无人机(UAV)与有人机在融合空域运行的安全风险,系统探索并验证了4D轨迹预测与冲突检测关键技术。研究创新性地采用DBSCAN聚类预处理ADS-B数据,构建CNN-BiGRU深度学习模型实现高精度轨迹预测,并结合几何优化方法进行冲突检测。仿真实验证实模型能有效保障终端区飞行安全,为构建主动精准的空域安全管控体系提供了关键技术支撑,对提升空域管理效率和防范飞行冲突具有重要应用价值。

  
引言
随着无人机技术的快速发展,实现无人机与有人机在同一空域的“融合运行”已成为未来重要发展方向。融合运行意味着无人机和有人机在相同空域内共同飞行,通过有效的空域管理、飞行控制和信息共享系统确保安全可靠运行。尽管低空融合运行具有提高空域利用率、促进无人机商业化应用等潜在优势,但也面临着飞行冲突风险增加、现有冲突检测技术难以满足未来低空交通爆发式增长需求等明显挑战。在飞行环境复杂的融合空域中,无人机的精确4D轨迹预测对于冲突检测具有重要意义。
轨迹预测模型构建
在数据处理方面,研究采用基于噪声应用的密度聚类方法对无人机自动相关监视广播数据进行预处理。通过三次样条插值填补数据间隙,使用最大最小归一化方法处理轨迹数据,并利用DBSCAN聚类算法有效识别和消除时空维度的异常轨迹点,为后续轨迹分析预测奠定了可靠的高质量数据基础。
在轨迹预测模型建立方面,创新性地构建了卷积神经网络-双向门控循环单元组合预测模型。该模型包含三个核心模块:数据预处理模块负责清洗和校准ADS-B原始数据;特征提取模块使用一维CNN捕获轨迹空间特征;时间序列预测模块采用Bi-GRU网络学习复杂时间动态关系。模型采用ReLU激活函数引入非线性特性,通过池化层优化卷积层误差值,利用dropout层控制过拟合状态,最终输出准确的四维轨迹预测结果。
冲突检测方法
飞行冲突检测是飞行轨迹规划和飞行安全控制的基础。研究将无人机视为质点,通过叠加无人机冲突检测安全区和有人机检测保护区构建复合冲突检测安全区域。采用几何优化的速度障碍模型,结合相对运动和坐标系变换的物理知识,分析飞行冲突的判断条件。通过计算水平距离和垂直距离函数,建立飞机冲突检测函数,当预测轨迹的时空距离低于设定的安全间隔阈值时,系统自动生成预警信息并推荐最优避让策略。
仿真实验
通过仿真实验模拟自贡机场终端区融合运行实测数据,选取某无人机的部分进近和进场轨迹数据进行4D轨迹预测实验分析。实验采用均方根误差和平均绝对百分比误差作为核心评价指标,对比了LSTM、GRU等基线模型的表现。结果显示,CNN-BiGRU模型在4D轨迹预测中表现最优,特别是在经纬度预测方面误差显著低于基线模型。基于预测轨迹与真实轨迹的对比,定量评估了时间、经度、纬度和高度四个特征在单步预测中的误差,各项评价指标均全面领先。
实例验证
为验证冲突检测的可靠性,实验引入终端区真实有人机数据,通过高精度预测模型生成其未来轨迹,实现与无人机预测轨迹的间隔计算和冲突检测。根据终端区管制运行中心的间隔规定,设置水平间隔为3000米,垂直间隔为150米。通过计算生成轨迹的水平间隔和垂直间隔,验证冲突检测函数的有效性。实验选取两机接近程度最高的800秒轨迹段,输出水平和垂直距离变化对比图。结果显示,两机在整个飞行过程中能保持安全间隔,成功通过终端区安全运行验证。
结论
本研究提出了一套完整的无人机轨迹预测与冲突检测方案,创新性地应用DBSCAN聚类方法预处理ADS-B数据特征,有效消除了时空维度的噪声和异常点。构建的CNN-BiGRU深度学习模型实现了轨迹“预测-判断”的一体化,能够准确判断任意两条轨迹间的冲突情况和冲突程度。通过仿真实验验证,模型在计算机间距离方面具有较高精度,证实了融合空域终端区飞行800秒内不存在冲突检测风险,全面证明了所提模型在保障飞行安全方面的有效性和可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号