一种基于安全的航空器路径规划方法与流程

1.本发明涉及路径规划领域，尤其涉及一种基于安全的航空器路径规划方法。


背景技术：

2.目前国内机场针对航空器的滑行调配是由塔台管制员根据机坪上实时的交通情况随时调整。管制员一般会根据个人经验为航空器规划滑行路径，经验效率较低且没有全局统筹规划，过度依赖人工调度，安全风险较高。
3.除了基于塔台管制人员的航空器滑行调配外，国内也有不少研究应用路径规划算法对机场场面航空器进行路径规划。但目前大多路径规划算法仅考虑路程最短，行驶时间最短等目标，或者在这些目标的基础上附加考虑可能存在的路径冲突安全风险，并提出风险处置方案。若安全风险得不到及时且正确的处置，很有可能引发事故。这些方法在路径规划时并没有以安全作为第一要务和目标。


技术实现要素：

4.针对上述问题，本发明提出了一种基于安全的航空器路径规划方法，综合了机器学习和路径规划算法，旨在解决规避安全风险的前提下为机场地面航空器提供最优滑行路线，主要解决的内容是：航空器可变滑行时间的预测和规避安全风险前提下的航空器路径规划。
5.一种基于安全的航空器路径规划方法，所述基于安全的航空器路径规划方法包括机器学习预测模型和最优路径的路径规划算法，所述机器学习预测模型采用输入为短时间序列的 catboost作为预测模型对场面区域滑行速度空间分布进行预测，进而计算出可变滑行时间；所述最优路径的路径规划算法采用改进蚁群算法，在用户给定的起点与终点之间，根据当前路网状态和用户给定的安全风险阈值条件，寻找满足安全风险条件且符合运行规则的最优路径。
6.进一步，一种基于安全的航空器路径规划方法，所述基于安全的航空器路径规划方法具体流程包含以下步骤：
7.步骤一：接收航空器滑行起点、终点位置信息，接收带有时间窗的机场场面路网状态信息，接收用户给定安全阈值；
8.步骤二：机器学习模型预测当前环境条件下机场场面不同区域航空器滑行速度空间分布；
9.步骤三：根据滑行速度空间分布，计算路网中路段可变滑行时间；
10.步骤四：采用改进蚁群算法搜索规划出满足安全阈值条件，且规避了安全风险的最短滑行时间备选路线，并保存该路线上路段和节点的可变滑行时间窗；
11.步骤五：管制人员选择执行备选路线；
12.步骤六：记录执行的路径以及路径上路段和节点的时间窗,根据当前时刻已经规划和执行的路径、航空器位置更新路网状态。
13.进一步，一种基于安全的航空器路径规划方法，所述机器学习预测模型的构建和预测包括以下子步骤：
14.s1：准备历史数据训练集，可选取典型机场或数据易获得的机场数据；
15.s2：将训练数据集分割为训练集和验证集，针对模型调参和训练，直到模型收敛并在验证集上达到可接受的预测精度；
16.s3：在预测时，以当前时刻实时采集的数据时间序列为输入，预测机场场面不同区域滑行速度的空间分布；
17.s4：根据步骤s3中预测的滑行速度空间分布和路网，估算路网中每个路段的滑行时间，进而估算航空器的可变滑行时间；
18.s5：使用设计的在线训练模型更新模型机制，每隔一段时间将部署机场的实际采集数据加入到训练数据集，自动重新训练模型，并更新模型。
19.进一步，一种基于安全的航空器路径规划方法，步骤四所述的改进蚁群算法还包括以下子步骤：
20.步骤a：设置算法参数；
21.步骤b：初始化信息素矩阵τ
ij
(0)；
22.步骤c：设置算法迭代循环次数对蚁群中每只蚂蚁进行循环，将当前蚂蚁置于起点，更新信息素，计算状态转移概率并根据轮盘赌策略选择下一个节点，在选择下一条边时引入启发信息并更新状态转移概率公式，将当前路线及评价存入result集合；
23.步骤d：根据result集合中的全部解的质量进行信息素释放和挥发，更新信息素矩阵τ
ij
(t)。
24.进一步，一种基于安全的航空器路径规划方法，所述改进蚁群算法中更新信息素的计算公式为：
25.τ
ij
(n+1)＝(1-ρ)*τ
ij
(n)+
△
τ
ij
26.其中，τ
ij
为边(i,j)上的信息素量，ρ为信息素挥发系数，n表示机场路网中路段数。
27.进一步，一种基于安全的航空器路径规划方法，所述计算状态转移概率的计算公式为：
[0028][0029]
其中，p
ij
表示从节点i选择到下一个节点j的概率，集合next表示从i点出发下一步能够到达的节点集合，x表示蚂蚁访问节点。
[0030]
进一步，一种基于安全的航空器路径规划方法，所述启发信息根据所求解问题的特性，对可选择的边做出评价，并以一定的权重在蚂蚁决策时做出指导；所述启发信息的计算公式为：
[0031][0032]
其中，η
ijt
表示在t时刻从i点到j点的启发信息，t
ij
表示从i点到j点的滑行时间，表示j点到目的地的最短距离，c
ijt
表示在t时刻从i点到j点冲突惩罚函数值，a，b，c为各项启发信息的权重。
[0033]
进一步，一种基于安全的航空器路径规划方法，更新状态转移概率公式为：
[0034][0035]
其中α为信息素因子，β为启发信息因子/能见度。
[0036]
本发明的有益效果：本发明针对民航机场对运营安全性的重点要求提出了以安全为目标的最优路径规划方法。设计的机器学习算法能较准确的预测机场场面区域滑行速度空间分布，进而较准确的预测航空器的可变滑行时间。设计的以时间窗为约束的风险规避最优路径规划算法，能为航空器提供当前条件下的最优路径，保证航空器安全连贯的滑行。以安全为中心的路径规划，安全阈值由用户配置。通过路径上路段和节点的时间窗约束，直接搜索规避了风险的最优路径。应用机器学习模型对机场场面区域滑行速度实时预测，提高了对航空器可变滑行时间的估算准确性。滑行速度预测模型灵活性高，可根据各个机场不同运营情况在线学习，及时更新。
附图说明
[0037]
图1是基于安全的航空器路径规划方法的整体流程图。
[0038]
图2是基于安全的航空器路径规划方法中构建预测模型的流程图。
[0039]
图3是基于安全的航空器路径规划方法中预测模型预测场面滑行速度空间分布示意图。
[0040]
图4是基于安全的航空器路径规划方法中路径规划算法中改进蚁群算法流程图。
具体实施方式
[0041]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
[0042]
本发明提出了一种基于安全的航空器路径规划方法，包括机器学习预测模型和最优路径的路径规划算法，所述机器学习预测模型采用输入为短时间序列的catboost作为预测模型对场面区域滑行速度空间分布进行预测，进而计算出可变滑行时间；所述最优路径的路径规划算法采用改进蚁群算法，在用户给定的起点与终点之间，根据当前路网状态和用户给定的安全风险阈值条件，寻找满足安全风险条件且符合运行规则的最优路径。
[0043]
初次路径规划时(针对一个航空器)，机场场面路网各个路段处于未被占用状态，所有路段和节点可用，路径规划与普通的路径规划相同。在本实施例非初次路径规划(针对一个航空器)时，机场路网中某些路段和节点已经被占用或者将来某时间段会被占用，路段和节点被占用的时间窗，构成了本次路径规划的约束，在当前路网状态下，航空器路径规划方法具体流程如图1所示：
[0044]
步骤一：接收航空器滑行起点、终点位置信息，接收带有时间窗的机场场面路网状态信息，接收用户给定安全阈值；
[0045]
步骤二：机器学习模型预测当前环境条件下机场场面不同区域航空器滑行速度空间分布；
[0046]
步骤三：根据滑行速度空间分布，计算路网中路段可变滑行时间；
[0047]
步骤四：蚁群算法搜索规划出满足安全阈值条件，且规避了安全风险的最短滑行
时间备选路线，并保存该路线上路段和节点的可变滑行时间窗；
[0048]
步骤五：管制人员选择执行备选路线；
[0049]
步骤六：记录执行的路径以及路径上路段和节点的时间窗。根据当前时刻已经规划和执行的路径、航空器位置更新路网状态；
[0050]
下次规划时重复步骤一至六。
[0051]
在本实施例中，数字路网是整个算法的基础。跑道、服务车道、滑行道在机场路网中表示为弧段。道路弧段数据属性包含名称、起始节点编号、结束节点编号、道路长度、道路方向、是否可以通行、道路类型等参数信息。一条具体航空器滑行道弧段至少包含两个节点，节点能唯一标识该滑行道的起始、终止、转向等参数信息。路网状态是指，路网中的路段和节点是否当前可用，是否未来可用，是否当前被占用，是否未来被占用，以及被占用和被释放的时间窗。本实施例中，安全风险阈值定义为连续两个航空器通过同一段道路或者节点的时间间隔。时间间隔越大，安全风险越小；时间间隔越小，安全风险越大。比如，a航空器在t1时刻开始通过路段1的时间为5分钟(由路段长度和滑行速度计算)，安全阈值设置为1 分钟。那么b航空器在t》t1+1时刻开始通过同一路段，在t》t1+1+5结束通过该路段，为安全。如果安全阈值设置为2分钟，那么b航空器在t》t1+2时刻开始通过同一路段，在 t》t1+2+5结束通过该路段，为安全。该安全阈值，由机场运营和调度部门根据机场实际运营情况决定。航空器的滑行速度除了受限于运营部门的规定和航空器的操作手册，还受环境因素的影响。比如机场繁忙程度，天气，能见度，机场路面状况等。这些因素即使在一天之内也有很大的变化。因此准确预测在不同环境下和时间段航空器在机场不同区域滑行的滑行速度，对合理规划航空器路径，准确预估航空器可变滑行时间有重要意义。本实施例中，设计了基于boosting算法的机场场面滑行速度空间分布预测模型，并在此基础上，计算了航空器从起始点到目的地的可变滑行时间。如果有定点除冰等环节，可变滑行时间需相应的加上除冰时间。综合业务人员的经验，天气状况、机场繁忙程度，以及是否有场面维修和突发事件对航空器滑行速度有显著影响。这几个因素可由表1的特征量刻画。
[0052]
表1.外界影响因素特征量
[0053][0054]
实施例中选取了boosting算法中的catboost作为预测模型。主要考虑到模型的可解释性和特征向量中同时存在连续变量和类别变量。区域是否有突发事件属于典型的类别特征。能见度，降水等特征虽然是连续变量，但在有些机场只对其划分等级，比如能见度可划分为能见度极好，能见度较好，能见度较差等。为了应对不同机场的情况，保持算法的灵活性，选择能较好处理同时包含连续变量和类别变量的特征数据的catboost算法。模型训练后，通过特征的重要性排序可直观解释模型预测标准和相关影响因素的重要性。当前时刻滑行速度不仅受当前时刻环境因素的影响，也受历史因素的影响。比如在过去一小时内降雨量达到的特大暴雨级别，路面出现积水，必定会影响到当前时刻航空器安全滑行条件下的滑行速度。但这个影响并不会长时间存在。因此，在实施例中，为了充分挖掘历史数据信息，将短时间序列(过去一小时，间隔5分钟)作为机器学习算法的输入。
[0055]
为预测滑行速度的空间分布，对整个机场区域进行分区处理。将机场按照运营规范，划分为国内航站楼区域，国际航站楼区域，远机位区域，跑道区域，滑行区域等。区域划分需要与机场实际运营流程结合，划分颗粒度由机场业务决定。颗粒度越细，滑行速度的空间分布越详细。实际应用中，针对划分的每个区域，创建高维特征向量序列和速度向量序列。
[0056]
x＝([温度，能见度，...，区域突发事件]
t1
[0057]
，...,
[0058]
[温度，能见度，...，区域突发事件]
tn
)
[0059]
y＝(v
t1
,...,v
tn
)
[0060]
其中tn为时间序列号。进而得到整个机场场面的高维特征向量矩阵和速度矩阵
[0061]
x＝[x1，...,xk]
[0062]
y＝[v1,...,vk]
[0063]
其中，k为机场区域编号。(x，y)序列集合构成了机器学习算法的训练数据。通过对数据的学习，构建预测模型，实时预测每个区域的安全滑行速度，算法流程如图2所示：
[0064]
s1：准备历史数据训练集，可选取典型机场或数据易获得的机场数据；
[0065]
s2：将训练数据集分割为训练集和验证集，针对模型调参和训练，直到模型收敛并在验证集上达到可接受的预测精度；
[0066]
s3：在预测时，以当前时刻实时采集的数据时间序列为输入，预测机场场面不同区域滑行速度的空间分布；
[0067]
s4：根据步骤s3中预测的滑行速度空间分布和路网，估算路网中每个路段的滑行时间，进而估算航空器的可变滑行时间；
[0068]
s5：设计在线训练模型，更新模型机制，每隔一段时间将部署机场的实际采集数据加入到训练数据集，自动重新训练模型，并更新模型。模型预测场面滑行速度空间分布示意图如图3所示。
[0069]
本发明提出的使用一种改进蚁群算法，以通行时间最短及避免冲突为目标，进行航空器路径规划。在本实施例中，计算过程中，每只蚂蚁将会在所经过的路径上释放信息素，通常与该蚂蚁所经过的路径总长度成反比，因此任意一条边上的信息素增量可表示为当前周期内所有蚂蚁在该条边上释放的信息素之和。同时信息素会随着时间不断挥发，因此在每一次循环结束后需要对原有的信息素做挥发处理。信息素的更新可以采用如下公式：
[0070]
τ
ij
(n+1)＝(1-ρ)*τ
ij
(n)+
△
τ
ij
[0071]
基于历史蚂蚁群体所留下的信息素，当有新的蚂蚁在寻找自身的路径时，就会根据每条边上信息素的浓度以一定概率进行随机选择，若信息素浓度越高，则选择这条边的概率越大。具体的选择方法通常采用轮盘赌选择法，选择任意一条边的状态转移概率计算公式可定义为：
[0072][0073]
其中p
ij
表示从节点i选择到下一个节点j的概率，集合next表示从i点出发下一步能够到达的节点集合。这种方法能够保证整个选择过程是随机的，并且信息素浓度高的边能以更高的概率被选择，进而保证算法的全局搜索性及收敛性。
[0074]
随着对信息素的不断更新，整个环境最终能够达到一个稳定状态，此时信息素浓度最高的一条路径即为最优路径。但这种随机搜索的效率较低，算法收敛速度较慢。为提高搜索效率，可在选择下一条边时引入启发信息的概念，该信息根据所求解问题的特性，对可选择的边做出评价，并以一定的权重在蚂蚁决策时做出指导，从而提高算法搜索效率。针对本问题，启发式信息可包含两点间的通行时间，潜在的冲突情况，以及下一个点到终点的距离。
[0075]
在考虑可变滑行时间的情况下，路段的通行时间大概率也是跟距离成正比，因此可提前根据机场路网数据，计算任意两点之间的最短距离，从而将下一个可行点到目的地的最短距离作为启发信息之一。任意一条边的启发信息的计算可描述如下：
[0076][0077]
η
ijt
表示在t时刻从i点到j点的启发信息，t
ij
表示从i点到j点的滑行时间，表示 j点到目的地的最短距离，c
ijt
表示在t时刻从i点到j点冲突惩罚函数值，a，b，c为各项启发信息的权重。基于上述启发信息，可更新状态转移概率公式如下：
[0078][0079]
其中α为信息素因子，β为启发信息因子/能见度。综上，本实施例中设计的蚁群算法流程步骤如图4所示为：
[0080]
步骤a：设置算法参数；
[0081]
步骤b：初始化信息素矩阵τ
ij
(0)；
[0082]
步骤c：设置算法迭代循环次数对蚁群中每只蚂蚁进行循环，将当前蚂蚁置于起点，更新禁忌表和可访问表，计算状态转移概率并根据轮盘赌策略选择下一个节点，将当前路线及评价存入result集合；
[0083]
步骤d：根据result集合中的全部解的质量进行信息素释放和挥发，更新信息素矩阵τ
ij
(t)。
[0084]
本实施例中，针对每个航空器规划的路径都带有时间窗。调制员选择执行某条规划好的路径后，该路径以及路径上每个路段和节点的时间窗会被同时记录，并更新到路网中。航空器已经通过的路段和节点资源自动释放，时间窗被删除，资源可以被其他航空器使用。如遇到紧急情况，则发生紧急情况的航空器、路段、节点被冻结，资源一直被占用，直到紧急情况被处理，重新释放资源。航空器在按照规划好的路线行驶过程中，可能因为一些原因需要更改路线或者更改目的地。这时该航空器的原始规划路径时间窗立刻被删除，资源立刻释放。重新对该航空器进行路径规划。新规划的路径和其所带的时间窗在管制员选择执行该路径时，自动加入路网，路网状态随即更新。
[0085]
除此以外，本发明所规避的风险包括几类：(1)交叉冲突风险。交叉点，是指来自不同行驶方向的飞机，以较大的角度(或接近90)相互交叉的位置。在道路中，这种交叉点一般在道路与道路之间的交叉路口，比如十字路口。当两架飞机通过这个交叉点的时间间隔小于一定时间，就会发生交通工具之间的碰撞事故。(2)对头冲突风险。对头冲突是指，两架飞机在同一条道路上相向而行，最终可能导致对头相撞的危险情况。在机场滑行道中，每条滑行道是一车道，不能允许两架飞机并行。所以当两架飞机占用同一条滑行道，而且相互正在向对方方向行驶，那么两架飞机这时是不可能避开冲突。(3)追尾风险。追尾冲突是指两架飞机在同一条道路上同向而行，且后飞机的速大于前飞机的速度，可能导致后飞机机头碰撞到前飞机机尾的情况。在机场中各飞机间的滑行速度可能是不一样的，虽然两架飞机占用同一条道路同向行驶，不会造成对头冲突与交叉冲突这种恶性冲突，危险较小，但也是有可能发生碰撞。当飞行员对两机距离和相对速度把控失误时，会造成危险的发生。(4)滑出
跑道风险。滑出跑道风险指航空器以超过当前路段安全滑行速度行驶时，滑出道路的风险。
[0086]
本发明针对民航机场对运营安全性的重点要求提出了一种基于安全的航空器最优路径规划模型和方法。通过设计的机器学习模型能较准确的预测机场场面区域滑行速度空间分布，进而较准确的预测航空器的可变滑行时间。通过设计的以时间窗为约束的风险规避最优路径规划算法，能为航空器提供当前条件下的最优路径，保证航空器安全连贯的滑行。本发明以安全为中心进行路径规划，安全阈值由用户配置。通过路径上路段和节点的时间窗约束，直接搜索规避了风险的最优路径。应用机器学习模型对机场场面区域滑行速度实时预测，提高了对航空器可变滑行时间的估算准确性。滑行速度预测模型灵活性高，可根据各个机场不同运营情况在线学习，及时更新。
[0087]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。