CN114038242B - 一种基于多智能体的大规模航空器运动仿真方法及装置 - Google Patents
一种基于多智能体的大规模航空器运动仿真方法及装置 Download PDFInfo
- Publication number
- CN114038242B CN114038242B CN202111367165.9A CN202111367165A CN114038242B CN 114038242 B CN114038242 B CN 114038242B CN 202111367165 A CN202111367165 A CN 202111367165A CN 114038242 B CN114038242 B CN 114038242B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- flight
- motion
- state information
- instruction
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011160 research Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 239000003795 chemical substances by application Substances 0.000 description 49
- 238000004364 calculation method Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 238000013519 translation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于多智能体的大规模航空器运动仿真方法及装置,属于空中交通领域,该方法包括:根据航空器飞行计划配置航空器的飞行性能参数;生成飞行意图指令;将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息;根据配置的航空器的飞行性能参数计算航空器运动状态信息;根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真,能够满足未来空中交通管理研究仿真与验证需求,用于大规模航空器运动仿真。
Description
技术领域
本申请属于空中交通技术领域,尤其涉及一种基于多智能体的大规模航空器运动仿真方法及装置。
背景技术
随着航空电子技术的持续快速发展,航空器逐步从传统的被控制对象转变为空中交通管理活动的重要参与者,实现航行全过程的协同。在传统的空中交通仿真***中,多将航空器视为质点,并对航空器运动仿真做了很大程度的简化。传统空中交通仿真***中的航空器运动仿真方法虽然节省了运算资源,但已无法满足未来空中交通管理研究仿真与验证需求。
发明内容
为了解决相关技术中的问题,本申请提供一种基于多智能体的大规模航空器运动仿真方法及装置,所述技术方案如下:
第一方面,提供一种基于多智能体的大规模航空器运动仿真方法,所述方法包括:
根据航空器飞行计划配置航空器的飞行性能参数;
生成飞行意图指令;
将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息;
根据配置的航空器的飞行性能参数计算航空器运动状态信息;
根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真。
其中,所述根据航空器飞行计划配置航空器的飞行性能参数,包括:
根据飞行计划确定航空器类别与型号;
根据飞行计划确定航空器载荷与油量信息;
根据确定的航空器类别与型号、载荷与油量信息,通过自动查表配置对应型号航空器的飞行性能参数。
其中,所述生成飞行意图指令,包括:
根据航空器飞行计划与航空器的飞行性能参数,生成航空器门到门的满足4D航迹约束条件的第一飞行意图指令。
其中,所述生成飞行意图指令,包括:
当在航空器航行过程中接收到空中交通管制指令时,根据所述空中交通管制指令与配置的航空器飞行性能参数,生成满足空中交通管制的第二飞行意图指令。
其中,所述生成飞行意图指令,包括:
当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令。
其中,当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令,包括:
根据该航空器智能体周围的空中交通态势信息,预测周围交通的第一短期4D航迹;
根据第一飞行意图指令和第二飞行意图指令预测该航空器智能体的第二短期4D航迹;
根据第一短期4D航迹和第二短期4D航迹判断航空器智能体与周边航空器可能发生的交通冲突时空包线;
根据航空器智能体运动模型建立符合航空器性能约束的机动动作库,采用多层搜索树搜索可脱离冲突时空包线的航空器最优机动序列;
将航空器最优机动序列输入至航空器智能体运动模型后得到的输出结果确定为第三飞行意图指令。
其中,根据配置的航空器的飞行性能参数计算航空器运动状态信息,包括:
根据配置的航空器的飞行性能参数,选取对应类别的航空器动力学模型,配置对应机型的空气动力学与航空器结构参数;
根据飞行计划为航空器配置载荷、油量;
根据空气动力学与航空器结构参数和飞行性能参数对航空器智能体进行分类,对分类后的航空器智能体统筹计算资源,批量计算航空器智能体的运动状态信息,生成大规模航空器运动状态信息。
其中,所述根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真,包括:
计算航空器运动状态信息与参考飞行状态信息之间的飞行状态误差;
将飞行状态误差信息输入至航空器运动自动控制器,采用多阶PID方式计算航空器智能体反馈控制输入参数;
将航空器智能体反馈控制输入参数输入至航空器运动模型,得到航空器智能体航迹仿真数据。
第二方面,提供一种基于多智能体的大规模航空器运动仿真装置,所述装置包括:飞行性能配置模块、自主飞行意图生成模块、运动自动控制模块和运动通用解算模块,
所述飞行性能配置模块用于根据航空器飞行计划配置航空器的飞行性能参数,并将所述飞行性能参数输出至自主飞行意图生成模块和运动通用解算模块;
所述自主飞行意图生成模块生成飞行意图指令;
所述自主飞行意图生成模块将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息,并将所述参考飞行状态信息发送至所述运动自动控制模块;
所述运动通用解算模块根据配置的航空器的飞行性能参数计算航空器运动状态信息,并将所述航空器运动状态信息发送至所述运动自动控制模块;
所述运动自动控制模块根据运动通用解算模块输出的航空器运动状态信息与自主飞行意图生成模块输出的参考飞行状态信息之间的误差,进行航空器运动的闭环仿真。
本申请提供的基于多智能体的大规模航空器运动仿真方法及装置,至少具有如下效果:
1)面向空中交通航行的仿真***不再将航空器简化为仅考虑空间位移的质点,加入仿真的航空器按照其性能参数执行航行程序,提高了空中交通仿真的保真度;
2)面向空中交通航行的仿真***不再将航空器的运动简化为按固定路径的移动,加入仿真的航空器通过自动控制模块跟踪参考飞行状态信息,实现闭环的航空器运动仿真;
3)面向空中交通航行的仿真***中的航空器不再是简单受控于交通管制指令的被控制对象,加入仿真的航空器可根据被验证的算法自主生成飞行意图指令,参与到空中交通管理活动中;
4)航空器运动仿真按照航空器类别与型号分配给相应的航空器运动解算模块,批量计算航空器飞行状态信息,提高仿真模块重用性,提高航空器运动仿真效率。
附图说明
图1为本申请提供的一种基于多智能体的大规模航空器运动仿真方法的流程图;
图2为本申请提供的一种航空器自主飞行意图生成方法流程示意图;
图3为本申请提供的一种航空器运动通用解算方法流程示意图;
图4为本申请提供的一种航空器运动自动控制方法流程示意图。
具体实施方式
下面通过具体的实施方式和附图对本申请作进一步详细说明。
为了使读者更加清晰地了解本申请的技术方案,现对多智能体***做一简单说明。
多智能体***是分布式人工智能(Distributed Artificial Intelligence)的一个重要分支,多智能体***具有自主性、分布性、协调性,并具有自组织能力、学习能力和推理能力,并且有较高的问题求解效率,可用于解决大型、复杂的工程实际问题。其目标是将大而复杂的***建成小的、彼此相互通信和协调的、易于管理的***。
在本申请中,基于多智能体的航空器运动仿真将每一架加入仿真的航空器视为具有感知和决策能力的智能体,可用于仿真与验证先进航空器在空中交通管理活动中的角色与作用,评估与分析全过程协调航行对空中航行产生的影响作用和效能提升,能够满足未来空中交通管理研究仿真与验证需求。
本申请提供一种基于多智能体的大规模航空器运动仿真方法及装置,可用于仿真与验证先进航空器空中交通运行场景,提高大规模航空器运动仿真效率,可实现全国空域范围内1至2000架航空器的飞行航迹仿真。
本申请提供一种基于多智能体的大规模航空器运动仿真方法,如图1所示,该方法包括:
步骤110、根据航空器飞行计划配置航空器的飞行性能参数;
步骤120、生成飞行意图指令;
步骤130、将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息;
步骤140、根据配置的航空器的飞行性能参数计算航空器运动状态信息;
步骤150、根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真。
其中,根据航空器飞行计划配置航空器的飞行性能参数,包括:
根据飞行计划确定航空器类别与型号;
根据飞行计划确定航空器载荷与油量信息;
根据确定的航空器类别与型号、载荷与油量信息,通过自动查表配置对应型号航空器的飞行性能参数。
示例地,将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息,可以为:
根据第一飞行意图指令Teo(x,y,z,t1,t2)、航空器当前运动状态参数(x0,y0,z0)与航空器运动状态解算时间步长Δt,通过线性插值方法计算得到航空器可跟踪的参考飞行状态信息。
其中,生成飞行意图指令可以包括三个方面,
第一方面,生成飞行意图指令,包括:
根据航空器飞行计划与航空器的飞行性能参数,生成航空器门到门的满足4D航迹约束条件的第一飞行意图指令。
第二方面,生成飞行意图指令,包括:
当在航空器航行过程中接收到空中交通管制指令时,根据空中交通管制指令与配置的航空器飞行性能参数,生成满足空中交通管制的第二飞行意图指令。
第三方面,生成飞行意图指令,包括:
当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令。
具体地,当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令,包括:
根据该航空器智能体周围的空中交通态势信息,预测周围交通的第一短期4D航迹;
根据第一飞行意图指令和第二飞行意图指令预测该航空器智能体的第二短期4D航迹;
根据第一短期4D航迹和第二短期4D航迹判断航空器智能体与周边航空器可能发生的交通冲突时空包线;
根据航空器智能体运动模型建立符合航空器性能约束的机动动作库,采用多层搜索树搜索可脱离冲突时空包线的航空器最优机动序列;
将航空器最优机动序列输入至航空器智能体运动模型后得到的输出结果确定为第三飞行意图指令。
其中,根据配置的航空器的飞行性能参数计算航空器运动状态信息,包括:
根据配置的航空器的飞行性能参数,选取对应类别的航空器动力学模型,配置对应机型的空气动力学与航空器结构参数;
根据飞行计划为航空器配置载荷、油量;
根据空气动力学与航空器结构参数和飞行性能参数对航空器智能体进行分类,对分类后的航空器智能体统筹计算资源,批量计算航空器智能体的运动状态信息,生成大规模航空器运动状态信息。
其中,根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真,包括:
计算航空器运动状态信息与参考飞行状态信息之间的飞行状态误差;
将飞行状态误差信息输入至航空器运动自动控制器,采用多阶PID方式计算航空器智能体反馈控制输入参数;
将航空器智能体反馈控制输入参数输入至航空器运动模型,得到航空器智能体航迹仿真数据。
本发明的基于多智能体的大规模航空器运动仿真方法,利用上述基于多智能体的航空器运动仿真***进行大规模航空器运动仿真,具体包括以下步骤:
步骤A、飞行性能配置模块根据飞行计划读取航空器类别与型号、航空器载荷、油量等信息,自动配置航空器性能参数,输出给航空器自主飞行意图生成模块与航空器运动通用解算模块;
步骤B、航空器自主飞行意图生成模块根据航空器飞行计划与输入的航空器性能参数,生成航空器门到门的满足4D航迹约束条件的第一飞行意图指令;航行过程中若航空器接收到空中交通管制指令,则该模块根据空中交通管制指令与输入的航空器飞行性能参数,生成满足空中交通管制的第二飞行意图指令;航行过程中当预测到可能的交通冲突时,该模块自主生成实现无冲突的第三飞行意图指令;最终将无冲突的飞行意图指令转译成为航空器可跟踪的参考飞行状态信息,如图2所示,发送给航空器运动自动控制模块;
步骤C、航空器运动通用解算模块根据输入的航空器飞行性能参数,选取对应类别的航空器动力学模型,配置对应机型的空气动力学与航空器结构参数,根据飞行计划为航空器配置载荷、油量等参数,计算航空器运动状态信息,如图3所示,输出给航空器运动自动控制模块;
步骤D、航空器运动自动控制模块根据航空器运动通用解算模块输出的航空器运动状态信息与航空器自主飞行意图生成模块输出的参考飞行状态信息之间的误差,通过自动控制律生成航空器运动输入指令,传输给航空器运动通用解算模块,实现航空器运动的闭环仿真,如图4所示。
本发明中,航空器性能参数配置按照以下方法实现:
步骤A1、飞行性能配置模块根据飞行计划读取航空器类别与型号;
步骤A2、飞行性能配置模块根据飞行计划读取航空器载荷与油量信息;
步骤A3、飞行性能配置模块通过自动查表配置对应型号航空器飞行性能参数。
航空器飞行意图指令按照以下方法生成:
步骤B1、航空器自主飞行意图生成模块根据航空器飞行计划与输入的航空器性能参数,生成该航空器智能体的全局飞行意图指令;
其中,飞行计划是指向空中交通服务单位提供有关航空器完成一次飞行的资料。飞行计划的基本组成包括起始机场和目的地机场、航行航路点与航路、航行类别、巡航高度、携带油量等。步骤B1所述航空器自主飞行意图生成模块中的飞行计划转译子模块,将标准格式的飞行计划文本进行识别,并转译为航空器运动仿真***可读的飞行意图指令。飞行意图指令给出了航空器由当前运动状态过渡至目标运动状态的参考运动状态信息,作为步骤D的输入驱动航空器智能体生成飞行轨迹。
飞行计划转译子模块的工作原理是读取飞行计划文件,定位并识别飞行计划关键词与参数数值,录入至航空器各航行阶段的初始状态项、目标状态项、空间约束项、时间约束项和航空器性能约束项。针对每一飞行阶段,根据始末状态项、空间约束项和性能约束项规划生成参考路径Ri(x,y,z),其中i为下标序号,x,y,z为空间坐标。针对每一飞行阶段,根据时间约束项生成跟踪参考路径Ri的参考运动状态信息,即飞行意图指令Tet(x,y,z,t1,t2)其中t1为起始时间,t2为第一终点时间。具体实施步骤如下:
读取航空器飞行计划,将飞行阶段拆分为滑出起飞、离场、航线运行、进场、着陆、滑入6个阶段;
滑出起飞阶段,以飞行计划规定的滑行路径点位置参数、机场场面滑行道和跑道几何数据、机场建筑物位置与几何参数为空间约束,以放行排班时刻为时间约束,以航空器性能参数为性能约束,规划生成航空器智能体的虚拟滑行路径R1(x,y,z)。根据场面滑行规则,以滑行等待位置为节点,以航空器性能参数为约束,生成各节点间的航空器滑行意图指令Te1(x,y,z,t1,t2);
离场阶段,以飞行计划规定的离场程序为空间约束,以离场排序为时间约束,以航空器性能参数为性能约束,规划生成航空器智能体的虚拟离场路径R2(x,y,z)。根据离场程序,以航空器性能参数为约束,生成航空器离场意图指令Te2(x,y,z,t1,t2);
航线运行阶段,以飞行计划规定的航路航段为空间约束,以航行计划规定的RTA为时间约束,以以航空器性能参数为性能约束,规划生成航空器智能体的虚拟航行运行路径R3(x,y,z)。根据航线运行规则,以航空器性能参数为约束,生成航空器离场意图指令Te3(x,y,z,t1,t2);
进场阶段,以飞行计划规定的进场程序为空间约束,以进场排序为时间约束,以航空器性能参数为性能约束,规划生成航空器智能体的虚拟进场路径R4(x,y,z)。根据进场程序,以航空器性能参数为约束,生成航空器进场意图指令Te4(x,y,z,t1,t2);
着陆阶段,以飞行计划规定的着陆程序为空间约束,以航空器性能参数为性能约束,规划生成航空器智能体的虚拟着陆路径R5(x,y,z)。根据着陆程序,以航空器性能参数为约束,生成航空器着陆意图指令Te5(x,y,z,t1,t2);
滑入阶段,以飞行计划规定的滑行路径点位置参数、机场场面滑行道和跑道几何数据、机场建筑物位置与几何参数为空间约束,以航空器性能参数为性能约束,规划生成航空器智能体的虚拟滑行路径R6(x,y,z)。根据场面滑行规则,以滑行等待位置为节点,以航空器性能参数为约束,生成各节点间的航空器滑行意图指令Te6(x,y,z,t1,t2);
合并上述各航行阶段的航空器飞行意图,生成该航空器智能体的第一飞行意图指令Teo(x,y,z,t1,t2);
步骤B2、航空器自主飞行意图生成模块判断该航空器智能体是否接收到空中交通管制指令;
步骤B3、若该航空器智能体接收到管制指令,则根据空中交通管制指令与输入的航空器飞行性能参数,生成满足空中交通管制的飞行意图指令;
接收管制指令,根据管制规则库转换为标准格式管制意图指令To(x,y,z,t1,t2),以航空器性能参数为约束,生成基于管制指令的航空器第二意图指令Teo(x,y,z,t1,t2);
步骤B4、航空器自主飞行意图生成模块根据该航空器智能体周围的空中交通态势信息,预测周围交通的第一短期4D航迹Lst(x,y,z,t1,t2),其中t3为第二终点时间;
步骤B5、航空器自主飞行意图生成模块结合步骤B1、步骤B3生成的飞行意图指令预测该航空器智能体的短期4D航迹;
融合航空器智能体全局飞行意图指令Teo(x,y,z,t1,t2)与基于管制指令的航空器意图指令Teo(x,y,z,t1,t2),推算航空器智能体的第二短期4D航迹Lsa(x,y,z,t1,t2);
步骤B6、航空器自主飞行意图生成模块预判该航空器智能体与周围航空器可能发生的交通冲突;
根据Lsa(x,y,z,t1,t2)与Lst(x,y,z,t1,t2)判断航空器智能体与周边航空器可能发生的交通冲突时空包线。
步骤B7、航空器自主飞行意图生成模块采用基于机动动作库的多层搜索树方法,生成该航空器智能体脱离冲突的飞行意图指令;
根据航空器智能体运动模型建立符合航空器性能约束的机动动作库,采用多层搜索树搜索可脱离冲突包线的航空器最优机动序列Al(K,t1,t2),其中K为机动动作指令,从而生成解除冲突的航空器第三意图指令Tea(x,y,z,t1,t4),其中t4为第三终点时间。
步骤B8、航空器自主飞行意图生成模块将解除冲突的飞行意图指令转译成为该航空器智能体可跟踪的参考飞行状态信息。
批量航空器运动状态解算按照以下方法实现:
步骤C1、航空器运动通用解算模块根据输入的航空器飞行性能参数,选取对应类别的航空器动力学模型,配置对应机型的空气动力学与航空器结构参数;
步骤C2、航空器运动通用解算模块根据飞行计划为航空器配置载荷、油量等参数;
步骤C3、航空器运动通用解算模块将航空器智能体根据输入参数分类,统筹计算资源,批量计算航空器智能体的运动状态信息,生成大规模航空器运动状态信息。
航空器运动自动控制按照以下方法实现:
步骤D1、向航空器运动自动控制模块输入航空器运动通用解算模块输出的航空器运动状态信息;
步骤D2、向航空器运动自动控制模块输入航空器自主飞行意图生成模块输出的参考飞行状态信息;
步骤D3、航空器运动自动控制模块计算航空器运动状态信息与参考飞行状态信息之间的误差;
步骤D4、航空器运动自动控制模块将飞行状态误差信息输入给航空器运动自动控制器,采用多阶PID方法计算航空器智能体反馈控制输入参数;
步骤D5、航空器运动自动控制模块将控制输入参数输入给航空器运动通用解算模块,实现航空器智能体闭环自动控制,生成航空器智能体航迹仿真数据。
本申请还提供一种基于多智能体的大规模航空器运动仿真装置,装置包括:飞行性能配置模块、自主飞行意图生成模块、运动自动控制模块和运动通用解算模块,
飞行性能配置模块用于根据航空器飞行计划配置航空器的飞行性能参数,并将飞行性能参数输出至自主飞行意图生成模块和运动通用解算模块;
自主飞行意图生成模块生成飞行意图指令;
自主飞行意图生成模块将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息,并将参考飞行状态信息发送至运动自动控制模块;
运动通用解算模块根据配置的航空器的飞行性能参数计算航空器运动状态信息,并将航空器运动状态信息发送至运动自动控制模块;
运动自动控制模块根据运动通用解算模块输出的航空器运动状态信息与自主飞行意图生成模块输出的参考飞行状态信息之间的误差,进行航空器运动的闭环仿真。
所述航空器自主飞行意图生成模块包括以下子模块:
飞行计划转译模块,根据航空器飞行计划识别航空器在推出、滑行、起飞、爬升、巡航、下降、进近、着陆、滑行、靠桥等飞行阶段的4D航迹约束条件,根据输入的航空器飞行性能参数,转译生成满足飞行计划时空约束的飞行意图指令;
管制指令转译模块,根据航空器在飞行阶段接收到的空中交通管制指令与输入的航空器飞行性能参数,转译生成满足空中交通管制的飞行意图指令;
交通态势感知模块,根据航空器周围的空中交通态势信息,预测周围交通的短期4D航迹,结合生成的飞行意图指令预测航空器的短期4D航迹,预判可能的交通冲突,自主生成实现无冲突的飞行意图指令;
飞行意图转译模块,根据上述子模块生成的飞行意图指令,转译生成航空器可跟踪的参考飞行状态信息,发送给航空器运动通用解算模块。
本申请提供的基于多智能体的大规模航空器运动仿真方法及装置,至少具有如下效果:
面向空中交通航行的仿真***不再将航空器简化为仅考虑空间位移的质点,加入仿真的航空器按照其性能参数执行航行程序,提高了空中交通仿真的保真度;
面向空中交通航行的仿真***不再将航空器的运动简化为按固定路径的移动,加入仿真的航空器通过自动控制模块跟踪参考飞行状态信息,实现闭环的航空器运动仿真;
面向空中交通航行的仿真***中的航空器不再是简单受控于交通管制指令的被控制对象,加入仿真的航空器可根据被验证的算法自主生成飞行意图指令,参与到空中交通管理活动中;
航空器运动仿真按照航空器类别与型号分配给相应的航空器运动解算模块,批量计算航空器飞行状态信息,提高仿真模块重用性,提高航空器运动仿真效率。
以上仅表达了本申请的实施方式,其描述较为具体和详细,但且不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (4)
1.一种基于多智能体的大规模航空器运动仿真方法,其特征在于,所述方法包括:
根据航空器飞行计划配置航空器的飞行性能参数;
生成飞行意图指令;
将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息;
根据配置的航空器的飞行性能参数计算航空器运动状态信息;
根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真;
所述根据航空器飞行计划配置航空器的飞行性能参数,包括:根据飞行计划确定航空器类别与型号;根据飞行计划确定航空器载荷与油量信息;根据确定的航空器类别与型号、载荷与油量信息,通过自动查表配置对应型号航空器的飞行性能参数;
所述生成飞行意图指令,包括:根据航空器飞行计划与航空器的飞行性能参数,生成航空器门到门的满足4D航迹约束条件的第一飞行意图指令;
将生成的飞行意图指令转换成航空器可跟踪的参考飞行状态信息时,根据第一飞行意图指令、航空器当前运动状态参数与航空器运动状态解算时间步长,通过线性插值方法计算得到航空器可跟踪的参考飞行状态信息;
根据配置的航空器的飞行性能参数计算航空器运动状态信息,包括:根据配置的航空器的飞行性能参数,选取对应类别的航空器动力学模型,配置对应机型的空气动力学与航空器结构参数;根据飞行计划为航空器配置载荷、油量;根据空气动力学与航空器结构参数和飞行性能参数对航空器智能体进行分类,对分类后的航空器智能体统筹计算资源,批量计算航空器智能体的运动状态信息,生成大规模航空器运动状态信息;
所述根据航空器运动状态信息与参考飞行状态信息之间的误差,进行航空器运动的闭环仿真,包括:计算航空器运动状态信息与参考飞行状态信息之间的飞行状态误差;将飞行状态误差信息输入至航空器运动自动控制器,采用多阶PID方式计算航空器智能体反馈控制输入参数;将航空器智能体反馈控制输入参数输入至航空器运动模型,得到航空器智能体航迹仿真数据。
2.根据权利要求1所述的方法,其特征在于,所述生成飞行意图指令,包括:
当在航空器航行过程中接收到空中交通管制指令时,根据所述空中交通管制指令与配置的航空器飞行性能参数,生成满足空中交通管制的第二飞行意图指令。
3.根据权利要求2所述的方法,其特征在于,所述生成飞行意图指令,包括:
当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令。
4.根据权利要求3所述的方法,其特征在于,当在航空器航行过程中预测到可能的交通冲突时,生成实现无冲突的第三飞行意图指令,包括:
根据该航空器智能体周围的空中交通态势信息,预测周围交通的第一短期4D航迹;
根据第一飞行意图指令和第二飞行意图指令预测该航空器智能体的第二短期4D航迹;
根据第一短期4D航迹和第二短期4D航迹判断航空器智能体与周边航空器可能发生的交通冲突时空包线;
根据航空器智能体运动模型建立符合航空器性能约束的机动动作库,采用多层搜索树搜索可脱离冲突时空包线的航空器最优机动序列;
将航空器最优机动序列输入至航空器智能体运动模型后得到的输出结果确定为第三飞行意图指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367165.9A CN114038242B (zh) | 2021-11-18 | 2021-11-18 | 一种基于多智能体的大规模航空器运动仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111367165.9A CN114038242B (zh) | 2021-11-18 | 2021-11-18 | 一种基于多智能体的大规模航空器运动仿真方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114038242A CN114038242A (zh) | 2022-02-11 |
CN114038242B true CN114038242B (zh) | 2023-12-12 |
Family
ID=80144814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111367165.9A Active CN114038242B (zh) | 2021-11-18 | 2021-11-18 | 一种基于多智能体的大规模航空器运动仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114038242B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336863A (zh) * | 2013-06-24 | 2013-10-02 | 北京航空航天大学 | 基于雷达飞行航迹观测数据的飞行意图识别方法 |
CN103617749A (zh) * | 2013-11-15 | 2014-03-05 | 中国航空无线电电子研究所 | 一种机载陆空指令管理***及其管理方法 |
CN104252797A (zh) * | 2014-09-22 | 2014-12-31 | 北京航空航天大学 | 基于虚拟管制员的空域仿真方法及其装置 |
CN105679102A (zh) * | 2016-03-03 | 2016-06-15 | 南京航空航天大学 | 一种全国飞行流量时空分布预测推演***及方法 |
CN110781757A (zh) * | 2019-09-29 | 2020-02-11 | 中国航空无线电电子研究所 | 一种机场道面异物识别定位方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2482269B1 (en) * | 2011-01-28 | 2017-03-22 | The Boeing Company | Providing data for predicting aircraft trajectory |
EP2667274A1 (en) * | 2012-05-24 | 2013-11-27 | The Boeing Company | Method for providing a description of aircraft intent using a decomposition of flight intent into flight segments |
-
2021
- 2021-11-18 CN CN202111367165.9A patent/CN114038242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336863A (zh) * | 2013-06-24 | 2013-10-02 | 北京航空航天大学 | 基于雷达飞行航迹观测数据的飞行意图识别方法 |
CN103617749A (zh) * | 2013-11-15 | 2014-03-05 | 中国航空无线电电子研究所 | 一种机载陆空指令管理***及其管理方法 |
CN104252797A (zh) * | 2014-09-22 | 2014-12-31 | 北京航空航天大学 | 基于虚拟管制员的空域仿真方法及其装置 |
CN105679102A (zh) * | 2016-03-03 | 2016-06-15 | 南京航空航天大学 | 一种全国飞行流量时空分布预测推演***及方法 |
CN110781757A (zh) * | 2019-09-29 | 2020-02-11 | 中国航空无线电电子研究所 | 一种机场道面异物识别定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114038242A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sastry et al. | Hybrid control in air traffic management systems | |
Granger et al. | Optimal resolution of en route conflicts | |
CN112818599B (zh) | 一种基于强化学习和四维轨迹的空中管制方法 | |
US11984035B2 (en) | Decision assistance device and method for managing aerial conflicts | |
Rodionova et al. | Learning-to-fly: Learning-based collision avoidance for scalable urban air mobility | |
CN110347035A (zh) | 自主跟踪方法及装置、电子设备、存储介质 | |
Hentati et al. | Cooperative UAVs framework for mobile target search and tracking | |
Toratani | Study on simultaneous optimization method for trajectory and sequence of air traffic management | |
Preis et al. | Ground operation on vertiports–introduction of an agent-based simulation framework | |
Clark et al. | Flight test results for UAVs using boid guidance algorithms | |
Sáez et al. | A fast and flexible emergency trajectory generator enhancing emergency geometric planning with aircraft dynamics | |
Quan et al. | How far two UAVs should be subject to communication uncertainties | |
CN114038242B (zh) | 一种基于多智能体的大规模航空器运动仿真方法及装置 | |
Xiang et al. | Autonomous eVTOL: A summary of researches and challenges | |
Guo et al. | Advanced Air Mobility: An Innovation for Future Diversified Transportation and Society | |
Guo et al. | Research on multi-uav formation and semi-physical simulation with virtual structure | |
Liu et al. | Vision-guided planning and control for autonomous taxiing via convolutional neural networks | |
Başpinar et al. | Mission planning and control of multi-aircraft systems with signal temporal logic specifications | |
Frontera et al. | Generation of aircraft intent based on a microstrategy search tree | |
López Leonés et al. | Air-ground trajectory synchronization through exchange of aircraft intent information | |
Erzberger et al. | Concepts and algorithms for terminal-area traffic management | |
Xie et al. | Hybrid AI-based Dynamic Re-routing Method for Dense Low-Altitude Air Traffic Operations | |
Buelta et al. | Iterative learning control for precise aircraft trajectory tracking in continuous descent approaches | |
Lunlong et al. | Analysis of requirements and architecture of the next generation flight management system | |
HU et al. | Proximal policy optimization for UAV autonomous guidance, tracking and obstacle avoidance |
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 |