融合动态风险图和改进A*算法的动态改航规划方法技术

一种融合动态风险图和改进A*算法的动态改航规划方法。其首先利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图，并利用实时得到的机载气象雷达探测结果对初始化风险图进行定期更新，得到一个动态风险图，以此作为算法的搜索环境。然后，将航迹长度、航迹偏离度和危险值作为约束条件来构造算法的代价函数，基于该代价函数进行航迹规划，并增加了航迹平滑优化处理以提高飞行航迹的平滑性。最后，可以得到规划的最优飞行航迹。相较其他航迹规划算法，本方法优点：从航油消耗、经济环保、空域利用率等角度考虑，提供了保守策略和非保守策略的规避策略。仿真实验验证了本方法的有效性。

【技术实现步骤摘要】
融合动态风险图和改进A*算法的动态改航规划方法
本专利技术属于动态改航规划
，特别是涉及一种融合动态风险图和改进A*算法的动态改航规划方法。
技术介绍
二十世纪八十年代以来，我国民航业得到了快速发展，空中交通流量也在不断上升，因此空域资源日益紧张，飞行航路正面临着严重的饱和。危险气象是影响航空器飞行安全和导致航班延误的重要因素。据2018年中国民用航空局发布的《2018年民航行业发展统计公报》，2018年全国客运航空公司共执行航班434.58万班次，其中正常航班348.24万班次，平均航班正常率为80.13％，其中在不正常航班原因分类统计中，天气原因的影响占比47.46％。因此，如何安全有效地规避飞行过程中的危险气象，对减少航班延误，保证飞行安全具有重要的现实意义。目前，国内外在航迹规划方面的研究主要分为飞行前航迹规划和实时航迹规划。航迹规划算法包括：传统规划算法、智能仿生算法、结合图形学的规划方法、启发式搜索算法等。传统规划算法对航迹进行规划，为解决传统算法易陷入局部最优的问题，对算法进行了改进，但是规划后的航迹不够平滑。智能仿生算法对航迹进行规划，此类算法具有容易实现，鲁棒性强等优势，但算法的计算量大，而且无法保证所规划的航迹是全局最优的航迹。结合图形学的航迹规划方法，规划过程直观，而且能够兼顾规划时间和航迹质量，但算法复杂度随着危险区域增多时提升，因此不适用于复杂的危险气象场景。A*算法作为一种启发式搜索算法，在应用于复杂的气象环境场景下时，会出现搜索陷入死循环无法跳出和规划后的航迹不够平滑问题。综上所述，目前关于航迹规划的研究大多数都没有利用机载气象雷达的探测信息，在这种情况下，规划的航迹就容易产生冗余的绕飞距离，导致无谓的航油消耗。机载气象雷达作为民航飞机的“双眼”，能够实时探测飞行航路前方的危险气象，为飞行员绕飞策略的制定提供了最直接的先验信息。现行的机载气象雷达采用的是单极化雷达，单极化雷达发射时发射垂直或水平单一极化信号，接收时也接收同一单一极化的雷达回波信号，目标在单极化雷达照射下只受垂直或水平单一极化电磁波激励。因此，单极化雷达仅能通过雷达反射率对降水目标的含水量予以检测，并用不同的颜色来表示不同的降水等级，并不具备降水粒子区分的功能。而作为下一代的机载气象雷达——双极化雷达，双极化雷达能够同时接收目标雷达回波信号的同极化和交叉极化分量。因此，双极化雷达能够对降雨粒子进行精确的分类，揭示各种降水系统中小雨滴、大雨滴、霰、冰雹、雪花、冰晶等多种水凝物粒子的分布，为飞行员绕飞策略的制定提供了更加精确的先验信息，能够在保证飞行安全的情况下，规划出更加合理的绕飞航迹，从而减少绕飞距离和航油消耗。
技术实现思路
为了解决上述问题，本专利技术的目的在于提供融合动态风险图和改进A*算法的动态改航规划方法。为了达到上述目的，本专利技术提供的融合动态风险图和改进A*算法的动态改航规划方法包括按顺序进行的下列步骤：1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段；3)以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段。在步骤1)中，所述的利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的方法是：将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图。在步骤2)中，所述的利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的方法是：将实时得到的机载气象雷达的探测结果按步骤1)的方法进行处理，得到一个风险矩阵，利用不断定期更新的风险矩阵对初始化风险图进行定期更新，从而得到一个动态风险图。在步骤3)中，所述的以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的方法是：根据步骤2)获得的动态风险图，以此作为A*算法的搜索环境，将航迹长度、航迹偏离度和危险值作为约束条件构造A*算法的代价函数，基于构造的代价函数进行飞行航迹规划，并对规划后的飞行航迹进行航迹平滑优化处理，以提高飞行航迹的平滑性，最终得到最优飞行航迹。本专利技术提供的融合动态风险图和改进A*算法的动态改航规划方法，首先利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图，并利用实时得到的机载气象雷达探测结果对初始化风险图进行定期更新，得到一个动态风险图，以此作为算法的搜索环境。然后，将航迹长度、航迹偏离度和危险值作为约束条件来构造算法的代价函数，基于该代价函数进行航迹规划，并增加了航迹平滑优化处理以提高飞行航迹的平滑性。最后，可以得到规划的最优飞行航迹。相较其他航迹规划算法，本方法的创新点主要体现在1)利用机载气象雷达的探测结果，并对不同危险气象类型进行数字化风险评估，从而建立一个飞行区域的风险图。2)对算法的代价函数的构造，以航迹长度、航迹偏离度和危险值作为约束条件，并且对算法的搜索方式进行了改进，以及增加了航迹平滑优化处理。3)从航油消耗、经济环保、空域利用率等角度考虑，提供了保守策略和非保守策略的规避策略。仿真实验验证了本方法的有效性。附图说明图1为本专利技术提供的融合动态风险图和改进A*算法的动态改航规划方法流程图。图2为飞行区域的初始化风险图。图3为拐弯角示意图。图4为飞行区域划分图。图5为正向扩展式搜索流程图。图6(a)为转弯单元格点筛选策略图。图6(b)为去除冗余转弯单元格点的结果。图7为改进A*算法流程图。图8为改进A*算法仿真结果图(T＝0)。图9为改进A*算法仿真结果图(T＝0.2)。图10为改进A*算法仿真结果图(T＝0.4)。图11为蚁群算法仿真结果图(T＝0)。图12为遗传算法仿真结果图(T＝0)。图13为蚁群算法仿真结果图(T＝0.2)。图14为遗传算法仿真结果图(T＝0.2)。图15为蚁群算法仿真结果图(T＝0.4)。图16为遗传算法仿真结果图(T＝0.4)。具体实施方式下面结合附图和具体实例对本专利技术提供的融合动态风险图和改进A*算法的动态改航规划方法进行详细说明。如图1所示，本专利技术提供的融合动态风险图和改进A*算法的动态改航规划方法包括按顺序进行的下列步骤：1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；在此阶段中，将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图。具体方法如下：机载气象雷达的最大探测距离是600千米(600千米≈320海里本文档来自技高网...

【技术保护点】
1.一种融合动态风险图和改进A*算法的动态改航规划方法，其特征在于：所述的方法包括按顺序进行的下列步骤：/n1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；/n2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段；/n3)以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段。/n

【技术特征摘要】
1.一种融合动态风险图和改进A*算法的动态改航规划方法，其特征在于：所述的方法包括按顺序进行的下列步骤：
1)利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的S1阶段；
2)利用实时得到的机载气象雷达的探测结果对上述初始化风险图进行定期更新，得到一个动态风险图的S2阶段；
3)以步骤2)中得到的动态风险图作为改进A*算法的搜索环境，利用改进A*算法对动态风险图进行飞行航迹规划，得到最优飞行航迹的S3阶段。


2.根据权利要求1所述的融合动态风险图和改进A*算法的动态改航规划方法，其特征在于：在步骤1)中，所述的利用机载气象雷达的探测结果建立一个飞行区域的初始化风险图的方法是：将机载气象雷达的探测结果进行离散化处理，并对不同危险气象类型进行数字化风险评估，从而得到一个M×N的风险矩阵，根据得到的风险矩阵建立飞行区域的初始化风险图。


3.根据权利要求2所述的...

【专利技术属性】
技术研发人员：李海，郭水林，周晔，
申请(专利权)人：中国民航大学，中国航空工业集团公司雷华电子技术研究所，
类型：发明
国别省市：天津;12