1.本公开涉及一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav(unmannedaerialvehicle，无人驾驶飞行器))操作方法。2.本公开还涉及一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav)操作系统。3.然而，本公开并不局限于uav，而是能够扩展到能够由人类飞行员或自动驾驶仪(自动驾驶仪)驾驶的载客飞行器。4.对于多旋翼vtol(verticaltake‑offandlanding，垂直起降和着陆)飞行器(可以是电动的)来说，本公开是特别有用的，但是并不局限于此。
背景技术：
：：5.现有技术文献us2015/336668a1公开了一种用于在三维空间中选择获取从点a到点b的最有效的飞行路径的uav飞行路径规划方法。在easa(europeanunionaviationsafetyagency，欧盟航空安全局)sora(specificoperationriskassessment，特定运行风险评估)文档中同样提供了用于评估特定于任务的风险的基本指南。在本公开的上下文中，术语“任务”被用于描述由特定飞行器在特定时间且遵循特定飞行路径执行的特定飞行操作。6.不利的是，上述方法依赖于某些预先定义的数据源，并且要么完全不包括风险评定，要么局限于某些预先定义的方案。在本上下文中，本说明书中使用的术语“风险评定”包括关于与特定飞行器操作或飞行任务有关的生命和/或财产和/或环境的风险和危害的动态评价。它还包括自己的飞行器和其他飞行器执行任务的风险(例如天气，禁飞区等等)。举例来说，与周末相比，在高峰时间飞过指定地理区域有可能更具风险。7.与已知方法形成对比，为了提供动态四维(包括三个空间坐标或维度以及时间)风险评定以改善飞行器在风险管理方面的操作，有必要具有一种独立于特定数据源的方法。技术实现要素：8.本公开的目标是借助本公开提供的方法以及本公开提供的系统实现的。在本公开提供的方法和系统中还限定了其他有利的实施例。9.根据本公开的第一个方面，一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav)操作方法包括：以不同方式获取多个异构地理空间数据集合；借助相应的风险模型，从每一个所述数据集合中推导出操作风险度量，由此获取多个相应的地理空间风险层，其中所述相应的风险模型可以可选地包括飞行器数据以及关于飞行器操作的监管信息中的至少一者；在风险层数据库中存储所述风险层；在飞行器操作规划期间和/或在实际飞行器操作期间，访问(优选是自动和重复地)所述风险层数据库，以便获取任务风险图；基于所述任务风险图中包含的风险信息来操作所述飞行器，优选包括将任务风险最小化。10.根据本公开的第二个方面，一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav)操作系统包括：数据获取装置(尤其是程序接口和/或传感器)，用于以不同方式获取多个异构地理空间数据集合；第一数据处理装置，用于借助相应的风险模型来从每一个所述数据集合中推导出操作风险度量，由此获取多个相应的地理空间风险层，所述风险模型优选包括飞行器数据以及关于飞行器操作的监管信息中的至少一者；风险层数据库，用于在所述风险层数据库中存储所述风险层；第二数据处理装置，用于在飞行器操作规划期间和/或在实际飞行器操作期间访问(优选是自动和重复地)所述风险层数据库，以便获取任务风险图；飞行器操作装置，用于基于所述任务风险图中包含的风险信息来操作所述飞行器，优选包括操作所述飞行器以将任务风险最小化。11.所述系统的进一步发展进一步包括借助所述飞行器操作装置至少与所述数据库通信连接的至少一个飞行器。12.此外，所述系统能够被适配成执行根据其任一优选实施例的方法。13.与如上所述的现有技术方法相比，通过以不同方式(也就是使用不同的手段和/或来源)获取多个异构地理空间数据集合，本方法与特定的数据源无关，并且能够包括自动生成的数据以及特定于任务的参数和专业知识，由此提供动态四维的风险评定。在一个实施例中，能够进一步使用从关于多个数据层的联合分析中获得的新信息来增强所收集的数据(即单个数据层)。14.在本说明书中，术语“数据层”指的是来自一个源和/或描述一个特定现实方面的数据集合。术语“风险层”指的是通过让所述数据层中包含的数据接受特定风险模型(其包括所述操作风险度量)处理而从指定数据层中推导得到的数据集合。在一个风险模型中能够合并多个数据层，由此产生从一个以上的数据层继承的风险层。数据存储器(风险层数据库)优选存储的是这些风险层，而不是用于获取所述风险层的原始数据。15.风险层被存储在风险层数据库中，然后则能够被用于飞行器操作规划，和/或在实际的飞行器操作过程中(任务规划)被使用。除了任务规划之外，还有其他使用实例子，例如业务案例评估、操作概念开发、路径规划、需求确认、认证计划支持、基础设施维护规划，所有这些都与飞行器的操作有关。在该上下文中，本公开提出使用任务风险图以及基于所述任务风险图中包含的风险信息来操作飞行器，优选包括操作飞行器来将任务风险最小化。16.本公开使用的术语“任务风险图”指的是包含了与特定飞行器任务或操作概念有关的风险评定数据的地理空间图。17.在欧洲，无人机系统(unmannedaerialsystem，uas)操作可以依照所谓的开放类别(opencategory)、特定类别(specificcategory)以及未来的认证类别(certifiedcategory)来实施。作为适航性验证方法(acceptablemeansofcompliance，amc)，特定类别固有地与特定操作风险评估(specificoperationriskassessment，sora)相结合。其包括关于地面和空中风险的定性评定，并将其映射成危害和威胁障碍(barrier)。对于认证类别来说，类似的考虑因素同样会被预测，其将成为在拥挤区域上方进行的视线范围外(beyondvisuallineofsight，bvlos)的无人机飞行的认证基础。如果特定类别操作必须排除高风险且可以不需要更详细的信息级别，那么在高风险环境中精炼针对认证类别的评定将会是一个很有挑战的任务。然而，在该特定类别中，要想基于当前的简单化来规划操作，也有可能会很困难，由此，如在本公开的上下文中提到的，用于决策的经过精炼的风险地理数据库将会成为至关重要的评定工具。18.本方法优选地结合了自动检索、所解析和分析的信息或数据，以便从任意的来源产生如上所述的异构数据集合。此外，所述数据集合可以用源自人类专家的手动生成的知识来增强。这其中能够包括交通工具类型(飞行器类型)以及特定于任务的参数，以便提供综合性的风险模型。因此，本公开能够实现针对特定的和认证的无人驾驶操作的高度知情的决策处理。19.此外，通过为此类高风险环境提供透明和可追溯的任务规划处理，本方法具有将类似于sora的已有amc的方法扩展到粒度更细的高风险环境的潜力，也就是说，关于所使用的工具的低认证障碍是能够实现的。这里描述的方法提供了用于将uas安全地集成到城市领空中的方法。20.根据本公开的方法能够用模块化的数据驱动方法来提供风险最小化的操作。这一点能够通过构建以不同方式获取的异构地理空间数据集合(从中推导操作风险度量)来实现。在每一个风险层中可以对飞行器和特定于任务的参数以及监管需求进行建模。在本公开的相应实施例中，每一个风险模型包括飞行器数据和关于飞行器操作的监管信息中的至少一者。该处理考虑到了与固有任务参数以及交通工具或飞行器的几何和性能特性相关联的可重复的、精确的、准确的多维风险模型。在本说明书中，“交通工具”和“飞行器”是作为同义词使用的。21.如果被预处理成兼容格式，那么本方法允许集成来自任何来源的数据层。这样做明确地考虑到了使用专业知识层来自动生成的数据集合的扩展。在数据集合生成过程中，如有必要，能够手动地检查和纠正任何数据层。在这种情况下，本公开的一个实施例包括通过人工输入接口输入和/或修改至少一个附加风险层或数据层。22.根据预期的变化频率，能够对地面和空中风险类型以及静态和动态类型进行分类。此类数据层可以包括空中交通、地面交通、地面基础设施、人口、每日通勤数据、交通工具噪声足迹、社交媒体数据、utm命令、禁飞区、地面事件、大型人群聚集、天气数据或自然保护区。相应地，在本方法的一个实施例中，所述数据集合能够包括空中交通、地面交通、地面基础设施、人口、每日通勤数据、交通工具噪声足迹、社交媒体数据、utm命令、禁飞区、地面事件、大型人群聚集、天气数据或自然保护区中的至少一者。此外，如有需要，可以以相应的更新频率来手动和/或自动更新单个数据集合或是由此推导的风险层。23.此外，从多个数据层的并集或组合(融合)中能够推导出元信息(举例来说，由此从语义航图、地理空间以及植被数据中识别出紧急着陆点)。由此，在本方法的相应实施例中，元信息能够从多个数据层和/或风险层的并集中推导得到，例如用于从语义航图、地理空间和植被数据中识别紧急着陆点。潜在的着陆区域能够基于对地形的语义分类来识别。针对地形特性(例如粗糙度、倾斜度或土壤类型)，可以对这些区域进行更进一步的分析，并且可以对照期望的着陆点规格来对其进行评估。安全的着陆点是在考虑了交通工具的几何特性的情况下被确定并被添加到相应的数据层中的。通过求助于不同的数据提供方，并且如果提供方的数据不具有必要的安全置信等级，那么可以进行现场调查(例如通过飞行器上的传感器)，由此可以不断地更新和集成关于此类关键数据层的最新信息。24.在数据库生成过程中，数据集合能够借助可用的api(applicationprogramminginterface，应用程序编程接口)和/或手动用户输入来收集。api使用已定义的协议来使开发人员能够快速、大规模地构建、连接以及集成应用程序。此外，关于特定交通工具(例如飞行包线、动态限制、有效载荷引入的限制、范围、储备、推进系统属性等等)，监管限制(例如航空适用规则/航空法、禁飞区、发射机/无线电强制区域)以及预定任务范围(例如距离、起飞/目的地状况、巡航高度、有效载荷等等)的数据能够被收集和使用。相应地，在本方法的实施例中，飞行器数据包括关于特定飞行器的特性数据(其中包括飞行包线、动态极限、有效载荷引入的限制、范围、储备、推进系统特性中的至少一者)以及与预定任务范围有关的数据(包括距离、起飞/目的地状况、巡航高度、有效载荷中的至少一者)；以及所述管制信息包括以下的至少一者：航空适用规则/航空法、禁飞区、发射机/无线电强制区。25.举例来说，与居住区上方相比，在水面上，与着陆冲击情况下的喷气燃料损失相关联的风险的加权可以不同。同样，由于飞行器会随着时间的流逝消耗燃料，因此，与喷气燃料相关联的风险有可能会降低。允许自动检索空域管制信息的api很容易集成在该处理中。如上所述，通过对适用的数据集合进行融合(结合)和处理，能够从可用的数据集合中获取元信息。26.特定风险度量被分别应用于每一个数据层(数据集合)，以便为与每一个单层相关联的风险建模。所使用的实际风险模型(即成本函数)可能会随着数据而改变，该数据用于为风险建模(例如，与人口密度相关联的风险会用与和有毒废物倾倒场所相关联的风险不同的方式建模)。通过该处理，能够得到n(或n)个三维风险模型，其中n(或n)是适用的数据层的数量。这样做产生了一种模块化的方法，该方法允许分别根据风险模型的关键程度和变化率来自动更新和检查风险模型。27.在整个处理中，人类可读数据格式(例如xml、json、csv)能够被有利地用于促进检查和/或认证。相应地，在该方法的一个实施例中，至少所述风险层包括(优选是排他地)人类可读数据格式，例如xml、json、csv(但不局限于这些特定格式)。28.在运行时，不同的风险类型能够被加权，以便获得特定于任务和操作的综合风险评定。加权能够依照任务方案、法规以及用户需要的任意其他参数而被动态改变，以便获得最相关的总的风险评定。相应地，在该方法的一个实施例中，通过应用(优选是在运行时)与每一个风险层相关的加权因子(加权因子优选是可调节的)，会以加权的形式使用单个风险层，以便获取所述任务风险图。这意味着如在上文中对照喷气燃料示例所陈述的那样，所述加权因子同样可以在运行时或者在任务时间期间改变。29.此外，该模块化方法能够在任意任务中与任意的加权函数一起使用，而不用重新生成风险层数据库。作为示例，针对空中交通工具的认证和操作的基于风险的方法是依照easasora实施的。然而，现有技术的处理非常繁琐，并且几乎不涉及状况的定量评定。另一方面，本技术至少在某些实施例中提出了一种新颖的方法，该方法用一个模块化的数据驱动方法提供了风险最小化的操作。如所述，这一点是通过构建以不同方式获取的异构地理空间数据集合(从中能够推导出关于操作风险的度量)来实现的。在每一个风险层中都能够对特定于飞行器和任务的参数以及监管需求建模。该处理考虑到了与固有的任务参数以及交通工具的几何和性能特性相关联的可重复、精确、准确的多维风险模型。30.特定于任务的风险建模的示例包括但不局限于：有/没有乘客的空中出租车、有或没有负载的货运无人机以及高/低优先级任务。依照任务和操作，不同的风险是可接受的，或者可以用不同的方式计算风险(例如对于任何涉及飞行器自身的风险而言，与(空的)货运无人机相比，乘坐飞行器的乘客始终具有较高的风险加权)。相应地，在该方法的实施例中，特定飞行器的风险加权是基于飞行器类型和飞行器功能或任务特性中的至少一者分配的，特别地，与非载客飞行器相比，载客飞行器在任何涉及飞行器自身的风险方面都具有更高的风险加权。31.特定于交通工具的风险建模的示例包括但不局限于与交通工具的尺寸和重量(或速度)成比例(scale)的地面冲击。同样，性能(例如转弯性能，爬升率，剩余功率)可以限定潜在故障在某些情况下的危急度(以及由此带来的相关风险)。相应地，在该方法的实施例中，飞行器的地面冲击风险至少是与飞行器的尺寸和重量成比例的。32.特定于法规的风险建模的示例包括但不局限于依照监管环境而将某些特权授予交通工具(飞行器)的操作员。该认证标准还暗含了交通工具或飞行器设计所遵循的某些安全标准(例如消费级无人机相比于商用客机)。33.在该方法的优选实施例中，空间p中的三维位置的总的操作风险是根据位于位置p的单个风险层ri的风险值以及可动态调节的风险加权wi的阵列评定的，其中，34.w1 w2 ... wi‑1 wi＝135.由此，在位置p，包括风险层1，...，i在内的总的风险rp，tot总计为：[0036][0037]应该指出的是，虽然该特定实施例使用了加权乘积，但是本公开本身并不局限于任何用于风险评定的特定度量。[0038]特别地，本公开不涉及飞行规划；它提出的是使用了各种输入数据的位置/地图的风险评定。本方法可被包含在关于针对城市或区域的飞行器交通的运行概念的规划和验证中，或者可以有助于以一种有意义的方式来构建维护基础设施。[0039]所提出的方法能够是高度自动化的，但是它能够在整个处理中使用人类可读数据类型，以便允许由(人类)专家进行检查并与之互动。这些特征对于认证方面是很重要的。有了人类可读数据类型以及手动检查和/或交互的选项，可以满足认证方面的考虑要素。高度的自动化意味着在操作员信任该系统的情况下，该方法能够在无需任何用户干预的情况下提供从任务定义到风险评定的实际流程。[0040]在完全隔离的空域和全面了解城市环境的情况下，可以不需要本公开提出的动态的自动方法的情况下手动计算安全(基本上无风险)的飞行轨迹。显然，这些操作会受限于允许手动制作轨迹的条件的有效时间。此外，此类系统本质上限制了可能的并发飞行次数，因为从后勤和经济的意义上讲，所需要的人力将会是不切实际的。附图说明[0041]现在将参考附图中示出的示例性实施例来描述本公开的其他细节和优点。[0042]图1示出了风险建模和地图生成数据流；[0043]图2示出了用于生成3d风险模型的多个数据层的叠加；[0044]图3示出了将风险模型集成到uav系统架构中；以及[0045]图4示出了一个通用数据库生成工作流程。具体实施方式[0046]图1阐明了风险建模和地图生成数据流，该数据流通常是借助于包含了适当的数据处理装置(即第一数据处理装置dp1和第二数据处理装置dp2(虚线框))的数据处理系统实施的。在步骤s1.1，...，s1.n，通过适当的数据获取装置da(虚线框)，以不同方式获取环境数据(例如像上文中陈述的那样借助适当的传感器或是从其他(外部)数据源))，以便形成各个数据层dl1，...，dln。在步骤s2，一些数据或数据层dl1，dln能够被组合(融合)，以便形成新的数据层(“特征层”)，例如合并地形和植被。然后，在步骤s3.1，...，s3.n，将相应的风险模型1，...，n应用于每一个数据层dl1，...，dln，这其中包括同时使用交通工具数据(“交通工具数据”)和空域交通或其他法规(“法规”)。该风险建模的结果是步骤s4.1，...，s4.n的单个风险层rl1，...，rln，然后在步骤s5，这些风险层被存储在风险层数据库db中。数据库db中的每一个风险层rl1，...，rln都能够被单独更新。一些任务可能不需要数据库更新。在步骤s6，专家用户能够借助适当的数据库接口di来将附加的(手动生成的)风险层添加到数据库db中。同样的情况适用于数据层dl1，...，dln(未示出)。[0047]如在s7示意性图示的那样，不同的风险层rl1，...，rln由第一数据处理装置dp1计算并被置入数据库db中，在那里能够对其进行更新(例如借助于诸如社交媒体位置数据之类的实时输入数据rtid)。在步骤s8，任务风险模型rmo(即在所述第二数据处理装置dp2上运行的相应数据处理例程，其包含了关于飞行器任务和操作的特定信息(起点、目的地、时间和日期、乘客等等))访问数据库db。在步骤s9，其通过将所述风险层rl1，...，rln应用于关于飞行器任务和操作的所述特定信息而从至少一些(优选是所有)风险层rl1，...，rln中产生特定于任务的风险图rma。在步骤s10中，风险图rma被用于飞行器ac的实际操作。其充当了任一上述处理的输入，例如关于城市或区域的飞行器交通的运营概念的规划和验证，或是以一种有意义的方式来构建维护基础设施。风险图rma可以依照功能而以多种不同的方式解释。举例来说，当应用某些阈值时，其能够被解释成是离散的成本函数或二进制映射。根据基础功能的目的，可以得出不同的结论。[0048]特定任务风险模型rmo仅仅访问数据库db，而不会访问原始数据(即数据层dl1，...，dln)，由此会加快整个处理且成本/复杂度更低。步骤s10是借助基于所述任务风险图rma中包含的风险信息来操作飞行器的飞行器操作装置(未示出)实施的，其中优选包括通过操作飞行器ac来使任务风险最小化。[0049]在s6示意性描述的手动输入并不局限于数据库等级(或风险层rl1，...，rln等级)，其同样可以在数据等级dl1，...，dln进行。如图1所示，只要符合所采用的数据格式，任何数据都能够被(手动)添加到工具或系统中。优选地，至少在风险等级上(也就是从步骤s3.1...开始)，该数据采用的是人类可读格式。[0050]所有(优选是被标准化的)风险层rl1，...都被存储在所述数据库db中，并且能够根据其各自的变化率独立更新。[0051]出于不同目的，步骤s8和s9的实际合并处理(从单个的风险层rl1，...中计算出综合风险图rma)可以用不同的方式实施。综合风险图rma是用单个的风险层rl1，...合并(创建)的。依照本技术，该合并处理会以不同方式对单个风险进行加权，也就是不存在单个合并过程。然而，该合并处理是在任务风险模型rmo内部发生的，也就是不独立于该模型。[0052]我们通常需要区分将数据转换成只特定于基础数据的风险的通用风险模型(在步骤s3.1...中使用)以及基于先前步骤中产生的众多风险层来评估与任务相关联的风险的任务风险模型(rmo，在s10使用)。[0053]步骤s8到s10的共同点在于它们与在步骤s3.1，...，s3.n使用的任务等级风险模型是独立的。[0054]图2示出了用于产生3d(三维)风险模型(即指示了3d空间中的指定点的风险值或风险评定的模型)的多个数据层dla到dlh(参见图1中的dl2的示例)的叠加。然而，本公开并不局限于三个维度。依照图2，关于(地理的)地块(parcel)(即行政信息)或分区(例如邮政编码)的数据、地形数据、湿地数据、人口统计数据、土地覆盖数据以及图像数据(其中至少一些是2d的)与底图(basemap)数据相结合而生成了一个新的数据层，然后，该数据层能够连同交通工具数据和法规数据一起在特定的风险模型(参见图1)中被使用。所提出的方法的优点在于能够很容易地进一步添加(或取消)层，以便为决策提供必要的安全性评定能力。[0055]图3示出的是将风险模型集成到包含飞行管理系统(flightmanagementsystem，fms)和独立监视实例(“监视器”)的uav系统架构中。这些实体访问地图数据库(参见图1中的参考数字db以及步骤s8到s10)。在步骤s′，不同的几何和语义的数据层dl(参见图2)、dl′被投影并融合在一起，以便提供用于路径规划和决策的完整风险图。所述风险模型的集成是在fms和监视器从数据库db提取数据的情况下发生的。[0056]图4示出了在上文中已经结合图1描述的通用数据库生成工作流程。凭借对环境数据①的冗余综合的自动数据处理和数学建模②a)连同交通工具数据一起②c)，外加人的专业知识②b)(例如人工输入)，该系统能够依照当前的当地法规，通过应用风险度量来创建安全且便于使用的空中城市运营数据集合④(参见图1中的数据库db)。术语“数学建模”指的是关于环境的机器可处理的描述。数学模型是一个选项，作为示例，其他选项例如是经验数据或统计数据；更一般的说，在上文中已经将此描述成数据层。从图4中能够推断到的是，风险度量③包括以下的至少一者：环境数据①、专业知识②b)、以及飞行器(交通工具)和任务参数②c)，所述环境数据尤其是借助至少一个数学模型②a)修改过的。当前第1页12当前第1页12
背景技术：
：：5.现有技术文献us2015/336668a1公开了一种用于在三维空间中选择获取从点a到点b的最有效的飞行路径的uav飞行路径规划方法。在easa(europeanunionaviationsafetyagency，欧盟航空安全局)sora(specificoperationriskassessment，特定运行风险评估)文档中同样提供了用于评估特定于任务的风险的基本指南。在本公开的上下文中，术语“任务”被用于描述由特定飞行器在特定时间且遵循特定飞行路径执行的特定飞行操作。6.不利的是，上述方法依赖于某些预先定义的数据源，并且要么完全不包括风险评定，要么局限于某些预先定义的方案。在本上下文中，本说明书中使用的术语“风险评定”包括关于与特定飞行器操作或飞行任务有关的生命和/或财产和/或环境的风险和危害的动态评价。它还包括自己的飞行器和其他飞行器执行任务的风险(例如天气，禁飞区等等)。举例来说，与周末相比，在高峰时间飞过指定地理区域有可能更具风险。7.与已知方法形成对比，为了提供动态四维(包括三个空间坐标或维度以及时间)风险评定以改善飞行器在风险管理方面的操作，有必要具有一种独立于特定数据源的方法。技术实现要素：8.本公开的目标是借助本公开提供的方法以及本公开提供的系统实现的。在本公开提供的方法和系统中还限定了其他有利的实施例。9.根据本公开的第一个方面，一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav)操作方法包括：以不同方式获取多个异构地理空间数据集合；借助相应的风险模型，从每一个所述数据集合中推导出操作风险度量，由此获取多个相应的地理空间风险层，其中所述相应的风险模型可以可选地包括飞行器数据以及关于飞行器操作的监管信息中的至少一者；在风险层数据库中存储所述风险层；在飞行器操作规划期间和/或在实际飞行器操作期间，访问(优选是自动和重复地)所述风险层数据库，以便获取任务风险图；基于所述任务风险图中包含的风险信息来操作所述飞行器，优选包括将任务风险最小化。10.根据本公开的第二个方面，一种用于评定空间中指定位置的操作风险的飞行器(尤其是uav)操作系统包括：数据获取装置(尤其是程序接口和/或传感器)，用于以不同方式获取多个异构地理空间数据集合；第一数据处理装置，用于借助相应的风险模型来从每一个所述数据集合中推导出操作风险度量，由此获取多个相应的地理空间风险层，所述风险模型优选包括飞行器数据以及关于飞行器操作的监管信息中的至少一者；风险层数据库，用于在所述风险层数据库中存储所述风险层；第二数据处理装置，用于在飞行器操作规划期间和/或在实际飞行器操作期间访问(优选是自动和重复地)所述风险层数据库，以便获取任务风险图；飞行器操作装置，用于基于所述任务风险图中包含的风险信息来操作所述飞行器，优选包括操作所述飞行器以将任务风险最小化。11.所述系统的进一步发展进一步包括借助所述飞行器操作装置至少与所述数据库通信连接的至少一个飞行器。12.此外，所述系统能够被适配成执行根据其任一优选实施例的方法。13.与如上所述的现有技术方法相比，通过以不同方式(也就是使用不同的手段和/或来源)获取多个异构地理空间数据集合，本方法与特定的数据源无关，并且能够包括自动生成的数据以及特定于任务的参数和专业知识，由此提供动态四维的风险评定。在一个实施例中，能够进一步使用从关于多个数据层的联合分析中获得的新信息来增强所收集的数据(即单个数据层)。14.在本说明书中，术语“数据层”指的是来自一个源和/或描述一个特定现实方面的数据集合。术语“风险层”指的是通过让所述数据层中包含的数据接受特定风险模型(其包括所述操作风险度量)处理而从指定数据层中推导得到的数据集合。在一个风险模型中能够合并多个数据层，由此产生从一个以上的数据层继承的风险层。数据存储器(风险层数据库)优选存储的是这些风险层，而不是用于获取所述风险层的原始数据。15.风险层被存储在风险层数据库中，然后则能够被用于飞行器操作规划，和/或在实际的飞行器操作过程中(任务规划)被使用。除了任务规划之外，还有其他使用实例子，例如业务案例评估、操作概念开发、路径规划、需求确认、认证计划支持、基础设施维护规划，所有这些都与飞行器的操作有关。在该上下文中，本公开提出使用任务风险图以及基于所述任务风险图中包含的风险信息来操作飞行器，优选包括操作飞行器来将任务风险最小化。16.本公开使用的术语“任务风险图”指的是包含了与特定飞行器任务或操作概念有关的风险评定数据的地理空间图。17.在欧洲，无人机系统(unmannedaerialsystem，uas)操作可以依照所谓的开放类别(opencategory)、特定类别(specificcategory)以及未来的认证类别(certifiedcategory)来实施。作为适航性验证方法(acceptablemeansofcompliance，amc)，特定类别固有地与特定操作风险评估(specificoperationriskassessment，sora)相结合。其包括关于地面和空中风险的定性评定，并将其映射成危害和威胁障碍(barrier)。对于认证类别来说，类似的考虑因素同样会被预测，其将成为在拥挤区域上方进行的视线范围外(beyondvisuallineofsight，bvlos)的无人机飞行的认证基础。如果特定类别操作必须排除高风险且可以不需要更详细的信息级别，那么在高风险环境中精炼针对认证类别的评定将会是一个很有挑战的任务。然而，在该特定类别中，要想基于当前的简单化来规划操作，也有可能会很困难，由此，如在本公开的上下文中提到的，用于决策的经过精炼的风险地理数据库将会成为至关重要的评定工具。18.本方法优选地结合了自动检索、所解析和分析的信息或数据，以便从任意的来源产生如上所述的异构数据集合。此外，所述数据集合可以用源自人类专家的手动生成的知识来增强。这其中能够包括交通工具类型(飞行器类型)以及特定于任务的参数，以便提供综合性的风险模型。因此，本公开能够实现针对特定的和认证的无人驾驶操作的高度知情的决策处理。19.此外，通过为此类高风险环境提供透明和可追溯的任务规划处理，本方法具有将类似于sora的已有amc的方法扩展到粒度更细的高风险环境的潜力，也就是说，关于所使用的工具的低认证障碍是能够实现的。这里描述的方法提供了用于将uas安全地集成到城市领空中的方法。20.根据本公开的方法能够用模块化的数据驱动方法来提供风险最小化的操作。这一点能够通过构建以不同方式获取的异构地理空间数据集合(从中推导操作风险度量)来实现。在每一个风险层中可以对飞行器和特定于任务的参数以及监管需求进行建模。在本公开的相应实施例中，每一个风险模型包括飞行器数据和关于飞行器操作的监管信息中的至少一者。该处理考虑到了与固有任务参数以及交通工具或飞行器的几何和性能特性相关联的可重复的、精确的、准确的多维风险模型。在本说明书中，“交通工具”和“飞行器”是作为同义词使用的。21.如果被预处理成兼容格式，那么本方法允许集成来自任何来源的数据层。这样做明确地考虑到了使用专业知识层来自动生成的数据集合的扩展。在数据集合生成过程中，如有必要，能够手动地检查和纠正任何数据层。在这种情况下，本公开的一个实施例包括通过人工输入接口输入和/或修改至少一个附加风险层或数据层。22.根据预期的变化频率，能够对地面和空中风险类型以及静态和动态类型进行分类。此类数据层可以包括空中交通、地面交通、地面基础设施、人口、每日通勤数据、交通工具噪声足迹、社交媒体数据、utm命令、禁飞区、地面事件、大型人群聚集、天气数据或自然保护区。相应地，在本方法的一个实施例中，所述数据集合能够包括空中交通、地面交通、地面基础设施、人口、每日通勤数据、交通工具噪声足迹、社交媒体数据、utm命令、禁飞区、地面事件、大型人群聚集、天气数据或自然保护区中的至少一者。此外，如有需要，可以以相应的更新频率来手动和/或自动更新单个数据集合或是由此推导的风险层。23.此外，从多个数据层的并集或组合(融合)中能够推导出元信息(举例来说，由此从语义航图、地理空间以及植被数据中识别出紧急着陆点)。由此，在本方法的相应实施例中，元信息能够从多个数据层和/或风险层的并集中推导得到，例如用于从语义航图、地理空间和植被数据中识别紧急着陆点。潜在的着陆区域能够基于对地形的语义分类来识别。针对地形特性(例如粗糙度、倾斜度或土壤类型)，可以对这些区域进行更进一步的分析，并且可以对照期望的着陆点规格来对其进行评估。安全的着陆点是在考虑了交通工具的几何特性的情况下被确定并被添加到相应的数据层中的。通过求助于不同的数据提供方，并且如果提供方的数据不具有必要的安全置信等级，那么可以进行现场调查(例如通过飞行器上的传感器)，由此可以不断地更新和集成关于此类关键数据层的最新信息。24.在数据库生成过程中，数据集合能够借助可用的api(applicationprogramminginterface，应用程序编程接口)和/或手动用户输入来收集。api使用已定义的协议来使开发人员能够快速、大规模地构建、连接以及集成应用程序。此外，关于特定交通工具(例如飞行包线、动态限制、有效载荷引入的限制、范围、储备、推进系统属性等等)，监管限制(例如航空适用规则/航空法、禁飞区、发射机/无线电强制区域)以及预定任务范围(例如距离、起飞/目的地状况、巡航高度、有效载荷等等)的数据能够被收集和使用。相应地，在本方法的实施例中，飞行器数据包括关于特定飞行器的特性数据(其中包括飞行包线、动态极限、有效载荷引入的限制、范围、储备、推进系统特性中的至少一者)以及与预定任务范围有关的数据(包括距离、起飞/目的地状况、巡航高度、有效载荷中的至少一者)；以及所述管制信息包括以下的至少一者：航空适用规则/航空法、禁飞区、发射机/无线电强制区。25.举例来说，与居住区上方相比，在水面上，与着陆冲击情况下的喷气燃料损失相关联的风险的加权可以不同。同样，由于飞行器会随着时间的流逝消耗燃料，因此，与喷气燃料相关联的风险有可能会降低。允许自动检索空域管制信息的api很容易集成在该处理中。如上所述，通过对适用的数据集合进行融合(结合)和处理，能够从可用的数据集合中获取元信息。26.特定风险度量被分别应用于每一个数据层(数据集合)，以便为与每一个单层相关联的风险建模。所使用的实际风险模型(即成本函数)可能会随着数据而改变，该数据用于为风险建模(例如，与人口密度相关联的风险会用与和有毒废物倾倒场所相关联的风险不同的方式建模)。通过该处理，能够得到n(或n)个三维风险模型，其中n(或n)是适用的数据层的数量。这样做产生了一种模块化的方法，该方法允许分别根据风险模型的关键程度和变化率来自动更新和检查风险模型。27.在整个处理中，人类可读数据格式(例如xml、json、csv)能够被有利地用于促进检查和/或认证。相应地，在该方法的一个实施例中，至少所述风险层包括(优选是排他地)人类可读数据格式，例如xml、json、csv(但不局限于这些特定格式)。28.在运行时，不同的风险类型能够被加权，以便获得特定于任务和操作的综合风险评定。加权能够依照任务方案、法规以及用户需要的任意其他参数而被动态改变，以便获得最相关的总的风险评定。相应地，在该方法的一个实施例中，通过应用(优选是在运行时)与每一个风险层相关的加权因子(加权因子优选是可调节的)，会以加权的形式使用单个风险层，以便获取所述任务风险图。这意味着如在上文中对照喷气燃料示例所陈述的那样，所述加权因子同样可以在运行时或者在任务时间期间改变。29.此外，该模块化方法能够在任意任务中与任意的加权函数一起使用，而不用重新生成风险层数据库。作为示例，针对空中交通工具的认证和操作的基于风险的方法是依照easasora实施的。然而，现有技术的处理非常繁琐，并且几乎不涉及状况的定量评定。另一方面，本技术至少在某些实施例中提出了一种新颖的方法，该方法用一个模块化的数据驱动方法提供了风险最小化的操作。如所述，这一点是通过构建以不同方式获取的异构地理空间数据集合(从中能够推导出关于操作风险的度量)来实现的。在每一个风险层中都能够对特定于飞行器和任务的参数以及监管需求建模。该处理考虑到了与固有的任务参数以及交通工具的几何和性能特性相关联的可重复、精确、准确的多维风险模型。30.特定于任务的风险建模的示例包括但不局限于：有/没有乘客的空中出租车、有或没有负载的货运无人机以及高/低优先级任务。依照任务和操作，不同的风险是可接受的，或者可以用不同的方式计算风险(例如对于任何涉及飞行器自身的风险而言，与(空的)货运无人机相比，乘坐飞行器的乘客始终具有较高的风险加权)。相应地，在该方法的实施例中，特定飞行器的风险加权是基于飞行器类型和飞行器功能或任务特性中的至少一者分配的，特别地，与非载客飞行器相比，载客飞行器在任何涉及飞行器自身的风险方面都具有更高的风险加权。31.特定于交通工具的风险建模的示例包括但不局限于与交通工具的尺寸和重量(或速度)成比例(scale)的地面冲击。同样，性能(例如转弯性能，爬升率，剩余功率)可以限定潜在故障在某些情况下的危急度(以及由此带来的相关风险)。相应地，在该方法的实施例中，飞行器的地面冲击风险至少是与飞行器的尺寸和重量成比例的。32.特定于法规的风险建模的示例包括但不局限于依照监管环境而将某些特权授予交通工具(飞行器)的操作员。该认证标准还暗含了交通工具或飞行器设计所遵循的某些安全标准(例如消费级无人机相比于商用客机)。33.在该方法的优选实施例中，空间p中的三维位置的总的操作风险是根据位于位置p的单个风险层ri的风险值以及可动态调节的风险加权wi的阵列评定的，其中，34.w1 w2 ... wi‑1 wi＝135.由此，在位置p，包括风险层1，...，i在内的总的风险rp，tot总计为：[0036][0037]应该指出的是，虽然该特定实施例使用了加权乘积，但是本公开本身并不局限于任何用于风险评定的特定度量。[0038]特别地，本公开不涉及飞行规划；它提出的是使用了各种输入数据的位置/地图的风险评定。本方法可被包含在关于针对城市或区域的飞行器交通的运行概念的规划和验证中，或者可以有助于以一种有意义的方式来构建维护基础设施。[0039]所提出的方法能够是高度自动化的，但是它能够在整个处理中使用人类可读数据类型，以便允许由(人类)专家进行检查并与之互动。这些特征对于认证方面是很重要的。有了人类可读数据类型以及手动检查和/或交互的选项，可以满足认证方面的考虑要素。高度的自动化意味着在操作员信任该系统的情况下，该方法能够在无需任何用户干预的情况下提供从任务定义到风险评定的实际流程。[0040]在完全隔离的空域和全面了解城市环境的情况下，可以不需要本公开提出的动态的自动方法的情况下手动计算安全(基本上无风险)的飞行轨迹。显然，这些操作会受限于允许手动制作轨迹的条件的有效时间。此外，此类系统本质上限制了可能的并发飞行次数，因为从后勤和经济的意义上讲，所需要的人力将会是不切实际的。附图说明[0041]现在将参考附图中示出的示例性实施例来描述本公开的其他细节和优点。[0042]图1示出了风险建模和地图生成数据流；[0043]图2示出了用于生成3d风险模型的多个数据层的叠加；[0044]图3示出了将风险模型集成到uav系统架构中；以及[0045]图4示出了一个通用数据库生成工作流程。具体实施方式[0046]图1阐明了风险建模和地图生成数据流，该数据流通常是借助于包含了适当的数据处理装置(即第一数据处理装置dp1和第二数据处理装置dp2(虚线框))的数据处理系统实施的。在步骤s1.1，...，s1.n，通过适当的数据获取装置da(虚线框)，以不同方式获取环境数据(例如像上文中陈述的那样借助适当的传感器或是从其他(外部)数据源))，以便形成各个数据层dl1，...，dln。在步骤s2，一些数据或数据层dl1，dln能够被组合(融合)，以便形成新的数据层(“特征层”)，例如合并地形和植被。然后，在步骤s3.1，...，s3.n，将相应的风险模型1，...，n应用于每一个数据层dl1，...，dln，这其中包括同时使用交通工具数据(“交通工具数据”)和空域交通或其他法规(“法规”)。该风险建模的结果是步骤s4.1，...，s4.n的单个风险层rl1，...，rln，然后在步骤s5，这些风险层被存储在风险层数据库db中。数据库db中的每一个风险层rl1，...，rln都能够被单独更新。一些任务可能不需要数据库更新。在步骤s6，专家用户能够借助适当的数据库接口di来将附加的(手动生成的)风险层添加到数据库db中。同样的情况适用于数据层dl1，...，dln(未示出)。[0047]如在s7示意性图示的那样，不同的风险层rl1，...，rln由第一数据处理装置dp1计算并被置入数据库db中，在那里能够对其进行更新(例如借助于诸如社交媒体位置数据之类的实时输入数据rtid)。在步骤s8，任务风险模型rmo(即在所述第二数据处理装置dp2上运行的相应数据处理例程，其包含了关于飞行器任务和操作的特定信息(起点、目的地、时间和日期、乘客等等))访问数据库db。在步骤s9，其通过将所述风险层rl1，...，rln应用于关于飞行器任务和操作的所述特定信息而从至少一些(优选是所有)风险层rl1，...，rln中产生特定于任务的风险图rma。在步骤s10中，风险图rma被用于飞行器ac的实际操作。其充当了任一上述处理的输入，例如关于城市或区域的飞行器交通的运营概念的规划和验证，或是以一种有意义的方式来构建维护基础设施。风险图rma可以依照功能而以多种不同的方式解释。举例来说，当应用某些阈值时，其能够被解释成是离散的成本函数或二进制映射。根据基础功能的目的，可以得出不同的结论。[0048]特定任务风险模型rmo仅仅访问数据库db，而不会访问原始数据(即数据层dl1，...，dln)，由此会加快整个处理且成本/复杂度更低。步骤s10是借助基于所述任务风险图rma中包含的风险信息来操作飞行器的飞行器操作装置(未示出)实施的，其中优选包括通过操作飞行器ac来使任务风险最小化。[0049]在s6示意性描述的手动输入并不局限于数据库等级(或风险层rl1，...，rln等级)，其同样可以在数据等级dl1，...，dln进行。如图1所示，只要符合所采用的数据格式，任何数据都能够被(手动)添加到工具或系统中。优选地，至少在风险等级上(也就是从步骤s3.1...开始)，该数据采用的是人类可读格式。[0050]所有(优选是被标准化的)风险层rl1，...都被存储在所述数据库db中，并且能够根据其各自的变化率独立更新。[0051]出于不同目的，步骤s8和s9的实际合并处理(从单个的风险层rl1，...中计算出综合风险图rma)可以用不同的方式实施。综合风险图rma是用单个的风险层rl1，...合并(创建)的。依照本技术，该合并处理会以不同方式对单个风险进行加权，也就是不存在单个合并过程。然而，该合并处理是在任务风险模型rmo内部发生的，也就是不独立于该模型。[0052]我们通常需要区分将数据转换成只特定于基础数据的风险的通用风险模型(在步骤s3.1...中使用)以及基于先前步骤中产生的众多风险层来评估与任务相关联的风险的任务风险模型(rmo，在s10使用)。[0053]步骤s8到s10的共同点在于它们与在步骤s3.1，...，s3.n使用的任务等级风险模型是独立的。[0054]图2示出了用于产生3d(三维)风险模型(即指示了3d空间中的指定点的风险值或风险评定的模型)的多个数据层dla到dlh(参见图1中的dl2的示例)的叠加。然而，本公开并不局限于三个维度。依照图2，关于(地理的)地块(parcel)(即行政信息)或分区(例如邮政编码)的数据、地形数据、湿地数据、人口统计数据、土地覆盖数据以及图像数据(其中至少一些是2d的)与底图(basemap)数据相结合而生成了一个新的数据层，然后，该数据层能够连同交通工具数据和法规数据一起在特定的风险模型(参见图1)中被使用。所提出的方法的优点在于能够很容易地进一步添加(或取消)层，以便为决策提供必要的安全性评定能力。[0055]图3示出的是将风险模型集成到包含飞行管理系统(flightmanagementsystem，fms)和独立监视实例(“监视器”)的uav系统架构中。这些实体访问地图数据库(参见图1中的参考数字db以及步骤s8到s10)。在步骤s′，不同的几何和语义的数据层dl(参见图2)、dl′被投影并融合在一起，以便提供用于路径规划和决策的完整风险图。所述风险模型的集成是在fms和监视器从数据库db提取数据的情况下发生的。[0056]图4示出了在上文中已经结合图1描述的通用数据库生成工作流程。凭借对环境数据①的冗余综合的自动数据处理和数学建模②a)连同交通工具数据一起②c)，外加人的专业知识②b)(例如人工输入)，该系统能够依照当前的当地法规，通过应用风险度量来创建安全且便于使用的空中城市运营数据集合④(参见图1中的数据库db)。术语“数学建模”指的是关于环境的机器可处理的描述。数学模型是一个选项，作为示例，其他选项例如是经验数据或统计数据；更一般的说，在上文中已经将此描述成数据层。从图4中能够推断到的是，风险度量③包括以下的至少一者：环境数据①、专业知识②b)、以及飞行器(交通工具)和任务参数②c)，所述环境数据尤其是借助至少一个数学模型②a)修改过的。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
