一种高机动试飞航空器实时智能防相撞检测方法技术

本发明专利技术公开了一种高机动试飞航空器实时智能防相撞检测方法，涉及空中交通管制技术领域，包括以下步骤：生成初始轨迹序列；经过实时高机动航空器轨迹预测后形成目标轨迹预测模型，通过目标轨迹预测模型对高机动航迹飞行轨迹进行预测；生成目标轨迹序列并与公共空域中航空器的目标预测轨迹进行两两比较；建立自适应保护区域进行阈值检测，保护区域依据空域和试飞科目进行自适应调整，不同突破保护区域阈值检测标准为航空器根据距离量纲是否违反保护区安全间隔最小要求，若是，则发布冲突预警信息，若不是，则回到第一步进行下一轮检测，本发明专利技术具有不易产生误差累积、提高了估算准确度高、有效地提升了高机动试飞航空器防碰撞检测精确度。精确度。精确度。

【技术实现步骤摘要】
一种高机动试飞航空器实时智能防相撞检测方法


[0001]本专利技术涉及空中交通管制
，具体涉及一种高机动试飞航空器实时智能防相撞检测方法。

技术介绍

[0002]在公共空域和科研试飞空域之间存在距离较近的情况下，高机动航空器试飞活动常常容易触发民航空管系统的冲突预警功能，提示航空器之间存在相撞危险。而实际上由于试飞空域活动的是高机动航空器，在短期内这些航空器机动性强，转弯速度快，按照计划航线航行不会有冲突发生。但是由于当前防相撞检测算法通常采用线性外推算法实现，因此会产生大量虚警信息。这些虚警信息不仅给民航管制员带来了大量的工作负担，同时也干扰了科研试飞工作的正常进行。针对此问题，通常需要机场和科研试飞单位等多方签订管制协议，以民航航班优先飞行为原则，通过调整试飞航空器活动空域确保公共空域航空器航行安全，即当公共空域中有航空器活动时，停止距离公共空域较近的试飞空域进行试飞活动。显然，这种方式严重影响了科研试飞活动的效率。因此，通过提高防相撞探测精度等技术手段，增强高机动航空器防相撞检测能力成为了保障科研试飞工作安全高效进行的关键。
[0003]在现有技术中，防相撞探测技术由轨迹预测和防相撞探测判定等两个部分组成。准确的轨迹预测技术是提高防相撞探测准确率的关键。常用的轨迹预测方法包括基于动力学和运动学模型的轨迹估算方法和基于数据驱动的轨迹估算方法。其中动力学模型需要对于航空器的各项参数指标和气象条件有精准的掌握。在轨迹预测模型中，基于动力学和运动学模型的轨迹估算方法需要大量准确参数，在试验飞行时通常难以获取准确的各项参数信息，因此难以构建有效的轨迹估算模型。
[0004]数据驱动方法包括卡尔曼滤波、隐马尔可夫、线性回归预测算法等，但是由于试验飞行航空器机动性强、试飞科目多、运动轨迹复杂，大部分数据驱动模型难以有效捕捉到高机动航空器运动模式。特别是对于高机动航空器多步轨迹的预测，航空器轨迹预测方法通常是基于当前状态，通过滚动预测的方式递推预测未来多步航行轨迹。但是这种滚动预测方式容易产生误差累积，无法一次给出多步轨迹预测结果。此外，在试飞活动中，试飞科目对于高机动航空器的轨迹估算影响较大，但常规轨迹估算方法中并没有设计特殊模块进行有效提取。总之，现有技术中单步滚动预测飞行目标轨迹方式中，容易产生误差累积的缺陷，高机动试飞航空器轨迹估算的准确度较低。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术提供一种高机动试飞航空器实时智能防相撞检测方法，以达到不易产生误差累积，提高估算准确度高的作用。
[0006]为解决上述的技术问题，本专利技术采用以下技术方案：
[0007]一种高机动试飞航空器实时智能防相撞检测方法，包括以下步骤：
[0008]步骤100：生成航空器实际起飞经过N个雷达周期积累产生的初始轨迹序列；
[0009]步骤200：经过实时高机动航空器轨迹预测后形成目标轨迹预测模型，目标轨迹预测模型的训练过程依次为数据预处理、特征选择、标签标注和模型训练，通过目标轨迹预测模型对高机动航迹飞行轨迹进行预测；
[0010]步骤300：生成目标轨迹序列并与公共空域中航空器的目标预测轨迹进行两两比较；
[0011]步骤400：建立自适应保护区域进行阈值检测，保护区域依据空域和试飞科目进行自适应调整，不同突破保护区域阈值检测标准为航空器根据距离量纲是否违反保护区安全间隔最小要求，若是，则发布冲突预警信息，若不是，则回到步骤100进行下一轮检测。
[0012]优选地，在步骤200中，所述数据预处理具体包括以下步骤：
[0013]步骤211：采集试飞机场本场高机动试飞航空器的飞行轨迹数据，通过人工筛选，对于轨迹中的异常点进行删除；
[0014]步骤212：应用三次样条插值法对于缺失数据进行补齐；
[0015]步骤213：根据试飞科目不同对飞行轨迹数据进行分类，形成高机动航空器飞行轨迹数据集。
[0016]优选地，在步骤200中，所述特征选择具体为：
[0017]选择经度、纬度、高度、速度、航向、试飞科目和航空器类型作为目标轨迹预测模型的输入特征。
[0018]优选地，所述试飞科目的形式化描述为：
[0019]sequence_course＝{dot_course1,dot_course2,dot_course3,...,dot_courseN}，其中dot_course＝{det_lng,det_lat,det_alt,det_spd,det_dir}，其中det_lng，det_lat，det_alt，det_spd，det_dir分别表示相邻轨迹点之间的经度差值、纬度差值、高度差值、速度差值和航向差值。
[0020]优选地，在步骤200中，所述标签标注具体包括以下步骤：
[0021]步骤221：轨迹形式化描述：
[0022]表达式为：sequence_dots＝{dot_1,dot_2,dot_3,dot_4,
…
dot_i}，
[0023]其中dot_i为点迹信息，i为从1开始的自然数，多个轨迹点信息构成的轨迹序列即为轨迹，其中每个轨迹点信息结构为dot＝{lng,lat,alt,spd,dir,type}，其中lng，lat，alt，spd，dir，type分别表示该时刻的经度、纬度、高度、速度、航向和航空器类型；
[0024]步骤222：形成训练数据集：
[0025]表达式为：dt_lb＝<(sequence_dots,sequence_course)label>，
[0026]其中dt_lb表示训练数据和标签的关联结构，sequence_dots和sequence_course分别表示需要参与训练的输入航迹序列和试飞科目信息，label表示该训练数据对应的标签；
[0027]步骤223：轨迹标注：
[0028]通过滑窗方式对飞行轨迹数据进行标注，在窗口滑动过程中，依次形成标签数组data_label，所述data_label＝<dot_n+1,
…
,dot_n+m>，表示当起始轨迹点序号为1，窗口长度为n时，标签为第n+m个轨迹点信息组成的后续航迹序列；
[0029]步骤224：试飞科目轨迹划分：
[0030]根据目标轨迹预测模型输入窗口长度，将试飞科目轨迹进行划分形成试飞科目轨迹子序列。
[0031]优选地，在步骤2中，所述模型训练具体包括以下步骤：
[0032]步骤231：确定损失函数：
[0033][0034]式中，y代表标签信息，为模型预测输出向量；
[0035]步骤232：对目标轨迹预测模型进行搭建：
[0036]所述目标轨迹预测模型包括试飞科目注意力模块和GRU模块，所述试飞科目注意力模块的注意力机制计算公式为：
[0037][0038]e
ij
＝a(x<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，包括以下步骤：步骤100：生成航空器实际起飞经过N个雷达周期积累产生的初始轨迹序列；步骤200：经过实时高机动航空器轨迹预测后形成目标轨迹预测模型，所述目标轨迹预测模型的训练过程依次为数据预处理、特征选择、标签标注和模型训练，通过所述目标轨迹预测模型对高机动航迹飞行轨迹进行预测；步骤300：生成目标轨迹序列并与公共空域中航空器的目标预测轨迹进行两两比较；步骤400：建立自适应保护区域进行阈值检测，保护区域依据空域和试飞科目进行自适应调整，不同突破保护区域阈值检测标准为航空器根据距离量纲是否违反保护区安全间隔最小要求，若是，则发布冲突预警信息，若不是，则回到步骤100进行下一轮检测。2.根据权利要求1所述的一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，在步骤200中，所述数据预处理具体包括以下步骤：步骤211：采集试飞机场本场高机动试飞航空器的飞行轨迹数据，通过人工筛选，对于轨迹中的异常点进行删除；步骤212：应用三次样条插值法对于缺失数据进行补齐；步骤213：根据试飞科目不同对飞行轨迹数据进行分类，形成高机动航空器飞行轨迹数据集。3.根据权利要求2所述的一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，在步骤200中，所述特征选择具体为：选择经度、纬度、高度、速度、航向、试飞科目和航空器类型作为目标轨迹预测模型的输入特征。4.根据权利要求3所述的一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，所述试飞科目的形式化描述为：sequence_course＝{dot_course1,dot_course2,dot_course3,...,dot_courseN}，其中dot_course＝{det_lng,det_lat,det_alt,det_spd,det_dir}，其中det_lng，det_lat，det_alt，det_spd，det_dir分别表示相邻轨迹点之间的经度差值、纬度差值、高度差值、速度差值和航向差值。5.根据权利要求4所述的一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，在步骤200中，所述标签标注具体包括以下步骤：步骤221：轨迹形式化描述：表达式为：sequence_dots＝{dot_1,dot_2,dot_3,dot_4,
…
dot_i}，其中dot_i为点迹信息，i为从1开始的自然数，多个轨迹点信息构成的轨迹序列即为轨迹，其中每个轨迹点信息结构为dot＝{lng,lat,alt,spd,dir,type}，其中lng，lat，alt，spd，dir，type分别表示该时刻的经度、纬度、高度、速度、航向和航空器类型；步骤222：形成训练数据集：表达式为：dt_lb＝&lt;(sequence_dots,sequence_course)label&gt;，其中dt_lb表示训练数据和标签的关联结构，sequence_dots和sequence_course分别表示需要参与训练的输入航迹序列和试飞科目信息，label表示该训练数据对应的标签；步骤223：轨迹标注：通过滑窗方式对飞行轨迹数据进行标注，在窗口滑动过程中，依次形成标签数组data_
label，所述data_label＝&lt;dot_n+1,
…
,dot_n+m&gt;，表示当起始轨迹点序号为1，窗口长度为n时，标签为第n+m个轨迹点信息组成的后续航迹序列；步骤224：试飞科目轨迹划分：根据目标轨迹预测模型输入窗口长度，将试飞科目轨迹进行划分形成试飞科目轨迹子序列。6.根据权利要求5所述的一种高机动试飞航空器实时智能防相撞检测方法，其特征在于，在步骤2中，所述模型训练具体包括以下步骤：步骤231：确定损失函数：式中，y代表标签信息，为模型预测输出向量；步骤232：对目标轨迹预测模型进行搭建：所述目标轨迹预测模型包括试飞科目注意力模块和GRU模块，所述试飞科目注意力模块的注意力机制计算公式为：e
ij
＝a(x
i
,d
j
)式中，α
ij
表示参与计算的注意力系数向量，e
ij
表示对于输入参数经计算后的元素级注意力系数，e
ik
为一个e
ij
的实例，x
...

【专利技术属性】
技术研发人员：杨地，张会英，徐昕，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：