基于姿态和速度预测的多跑道飞行进场导航方法及系统与流程

1.本发明属于飞行导航技术领域，具体涉及了一种基于姿态和速度预测的多跑道飞行进场导航方法及系统。


背景技术：

2.机场是航空运输系统中重要的组成部分，随着机场航班数量不断增加，航班调度工作量和难度不断增大。目前，在机场终端区航班滑行调度方面基本采用固定路径的模式，当航班间发生冲突时，按先到先服务的处理方式完成冲突解脱。
3.因此，高峰时段机场拥堵问题日益凸显，航班延误时常发生，降低了顾客对航空出行的满意度，同时给机场和航空公司带来巨大的经济损失和名誉损失，航班调度问题亟需解决。
4.尽管当下很多机场通过扩建跑道来解决这一问题，但是硬件设施的提升需要投入大量金钱和时间。此外，一些文献也提出基于现有跑道进行飞行器进场序列优化，以解决日益增加的待进场飞行器数量与机场拥堵、降落跑道较小的矛盾。但是，随着航线优化数量增多，运行时间成指数增长，运行效率降低。
5.考虑到现有机场状态，本领域尚缺少一种快速、有效的多跑道飞行进场导航方法。


技术实现要素：

6.为了解决现有技术中的上述问题，即现有技术无法实现快速、有效的多跑道飞行进场导航的问题，本发明提供了一种基于姿态和速度预测的多跑道飞行进场导航方法，所述多跑道飞行进场导航方法包括：步骤s10，获取设定阈值范围内多个待进场飞行器的当前状态；所述当前状态包括当前飞行姿态以及当前飞行速度、飞行加速度，并基于所述当前飞行姿态提取飞行器当前坐标和飞行角度；步骤s20，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，分别建立每一个飞行器的进场动力学方程；步骤s30，基于飞行器进场指令，将所述多个待进场飞行器划分为进场飞行器组和盘旋飞行器组；步骤s40，基于所述每一个飞行器的进场动力学方程以及组别，分别构建进场协同导航模型和盘旋协同导航模型；步骤s50，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息；步骤s60，基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
7.在一些优选的实施例中，步骤s20包括：
步骤s21，对于多个待进场飞行器的任一飞行器，构建飞行器动坐标系中的质心动力学方程；步骤s22，将动坐标系中飞行器速度、角速度、推力、空气动力和重力，进行飞行器机体坐标系投影；步骤s23，结合所述飞行器动坐标系中的质心动力学方程，以及飞行器机体坐标系投影结果，构建飞行器的进场动力学方程。
8.在一些优选的实施例中，所述飞行器动坐标系中的质心动力学方程，其表示为：其中，分别为动坐标系相对惯性坐标系的转动角速度在动坐标系上轴的投影，分别为飞行器的推力在动坐标系上轴的投影分量，分别为飞行器的速度在动坐标系上轴的投影分量，分别为飞行器的加速度在动坐标系上轴的投影分量。
9.在一些优选的实施例中，所述将动坐标系中飞行器速度、角速度、推力、空气动力和重力，进行飞行器机体坐标系投影，其方法为：其方法为：其方法为：其方法为：其方法为：其中，分别为飞行器的速度在机体坐标系上轴的分量，分别为飞行器的转动角速度在机体坐标系上轴的分量，为飞行器的推力，为飞行器
的推力在机体坐标系上相对轴的角度，分别为空气动力在动坐标系上轴的投影分量，分别为飞行器的迎角、侧滑角，分别为空气动力投影的升力系数、阻力系数和侧力系数，分别为重力在动坐标系上轴的投影分量，为重力系数，为飞行器对称平面与重心铅锤平面的夹角，为飞行器对称平面与水平面的夹角，代表矩阵转置。
10.在一些优选的实施例中，所述飞行器的进场动力学方程，其表示为：在一些优选的实施例中，所述进场协同导航模型和盘旋协同导航模型基于深度神经网络构建，并结合评价网络通过强化学习进行模型训练，包括：步骤a10，基于飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息；步骤a20，通过评价网络获取每一个飞行器执行所述下一时刻的导航信息下一时刻的导航信息的动作执行奖励值；步骤a30，基于各飞行器的动作执行奖励值以及所述多个待进场飞行器的当前状态，生成各飞行器的状态-联合动作价值函数；步骤a40，分别进行各飞行器的状态-联合动作价值函数的迭代优化以及所述进场协同导航模型和盘旋协同导航模型的参数调整，获得训练好的进场协同导航模型和盘旋协同导航模型。
11.在一些优选的实施例中，针对当前飞行器，其时刻状态和时刻状态之间的状态变化通过状态转移方程获取：其中，为时刻飞行器的状态信息在执行导航信息后获得的时刻飞行器的状态信息，为预设的飞行器误差补偿系数矩阵，为预设的比例系数矩阵，
为表示状态转移中不确定性的高斯函数，为正态分布的协方差对角矩阵，矩阵对角线上的元素均为，为噪声的方差，为时刻环境干扰信息。
12.在一些优选的实施例中，步骤a30包括：步骤a31，将各飞行器的状态信息合并为全局状态信息；基于一层全连接神经网络构建自适应权重学习网络；步骤a32，基于全局状态信息，通过多层感知机拟合状态-联合动作价值函数；其中，表示飞行器的运行轨迹、执行动作，为进场协同导航模型/盘旋协同导航模型的网络参数。
13.在一些优选的实施例中，所述状态-联合动作价值函数，其更新原则为：其中，和分别为更新后的和更新前的状态-联合动作价值函数，为时刻飞行器的状态信息在策略下执行导航信息后获得的动作执行奖励值，为预设的奖励因子。
14.在一些优选的实施例中，所述进场协同导航模型/盘旋协同导航模型的网络参数，通过参数寻优和参数修正迭代调整；所述参数寻优，包括：包括：包括：其中，为参数寻优空间的高斯噪声函数，为飞行器动作寻优空间的高斯噪声函数，为在的基础上通过寻优的飞行器动作策略，为参数寻优后的进场协同导航模型/盘旋协同导航模型获取的状态信息对应的动作，为飞行器进场盘旋区域半径，为飞行器进场的航道区域半径；
所述参数修正，包括：包括：包括：其中，、、分别为进场协同导航模型/盘旋协同导航模型修正后的神经元连接的循环权重、神经元输入权重和偏置向量，、分别为参数寻优和参数修正迭代中的当前动作执行奖励值和平均动作执行奖励值，为飞行器进入盘旋区域直至接到入场信号降落的总时长，为模型输入的时刻飞行器的状态信息，为时刻模型隐藏层神经元激活频率，代表矩阵转置。
15.在一些优选的实施例中，所述进场协同导航模型/盘旋协同导航模型，其训练中总损失函数包括飞行器之间的互影响损失函数，其表示为：其中，为进场飞行器和盘旋飞行器的总数量，为将进场协同导航模型/盘旋协同导航模型的输出进行聚类的聚类结果，和分别为飞行器和飞行器对应的进场协同导航模型/盘旋协同导航模型输出的大小的矩阵，代表矩阵转置，代表矩阵行中的第行，代表矩阵列中的第列。
16.本发明的另一方面，提出了一种基于姿态和速度预测的多跑道飞行进场导航系统，所述多跑道飞行进场导航系统包括：数据获取模块，配置为获取设定阈值范围内多个待进场飞行器的当前状态；所述当前状态包括当前飞行姿态以及当前飞行速度、飞行加速度，并基于所述当前飞行姿态提
取飞行器当前坐标和飞行角度；动力学方程构建模块，配置为基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，分别建立每一个飞行器的进场动力学方程；飞行器划分模块，配置为基于飞行器进场指令，将所述多个待进场飞行器划分为进场飞行器组和盘旋飞行器组；模型构建模块，配置为基于所述每一个飞行器的进场动力学方程以及组别，分别构建进场协同导航模型和盘旋协同导航模型；导航信息获取模块，配置为基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息；进场/盘旋导航模块，配置为基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
17.本发明的有益效果：（1）本发明基于姿态和速度预测的多跑道飞行进场导航方法，在不扩建现有机场跑道的基础上，将待进场飞行器划分为进场飞行器组（接到进场指令准备进入相应跑道的飞行器）和盘旋飞行器组（未接到进场指令，在设定区域内盘旋等待指令的飞行器），结合各飞行器的进场动力学方程构建进场协同导航模型和盘旋协同导航模型，通过模型预测各飞行器下一时刻的导航信息，并通过导航信息进行对应飞行器的进场导航或盘旋导航，快速、有效地实现了多跑道飞行进场导航，降低航班进场调度导航难度。
18.（2）本发明基于姿态和速度预测的多跑道飞行进场导航方法，通过强化学习进行进场协同导航模型和盘旋协同导航模型的训练，模型的参数通过参数寻优和参数修正迭代调整，其中参数寻优包括了参数空间寻优和动作空间寻优，模型参数寻优效率高、速度快，有效提升了后续导航精度和导航效率。
19.（3）本发明基于姿态和速度预测的多跑道飞行进场导航方法，进场协同导航模型和盘旋协同导航模型训练的损失函数包括了飞行器之间的互影响函数，模型训练效果好、泛化能力强，从而也有效提升了后续导航精度和导航效率。
附图说明
20.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：图1是本发明基于姿态和速度预测的多跑道飞行进场导航方法的流程示意图；图2是本发明基于姿态和速度预测的多跑道飞行进场导航方法的多跑道进场区域划分示意图；图3是本发明基于姿态和速度预测的多跑道飞行进场导航方法的模型训练流程示意图；图4是本发明基于姿态和速度预测的多跑道飞行进场导航系统的组成框架图。
具体实施方式
21.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描
述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
22.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
23.本发明的一种基于姿态和速度预测的多跑道飞行进场导航方法，所述多跑道飞行进场导航方法包括：步骤s10，获取设定阈值范围内多个待进场飞行器的当前状态；所述当前状态包括当前飞行姿态以及当前飞行速度、飞行加速度，并基于所述当前飞行姿态提取飞行器当前坐标和飞行角度；步骤s20，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，分别建立每一个飞行器的进场动力学方程；步骤s30，基于飞行器进场指令，将所述多个待进场飞行器划分为进场飞行器组和盘旋飞行器组；步骤s40，基于所述每一个飞行器的进场动力学方程以及组别，分别构建进场协同导航模型和盘旋协同导航模型；步骤s50，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息；步骤s60，基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
24.为了更清晰地对本发明基于姿态和速度预测的多跑道飞行进场导航方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
25.本发明第一实施例的基于姿态和速度预测的多跑道飞行进场导航方法，包括步骤s10-步骤s60，各步骤详细描述如下：步骤s10，获取设定阈值范围内多个待进场飞行器的当前状态；所述当前状态包括当前飞行姿态以及当前飞行速度、飞行加速度，并基于所述当前飞行姿态提取飞行器当前坐标和飞行角度。
26.如图2所示，为本发明基于姿态和速度预测的多跑道飞行进场导航方法的多跑道进场区域划分示意图，将待进场飞行的飞行区域划分为盘旋等待区域和进场降落区域，以盘旋区域中7个飞行器为例说明，获取每一个飞行器的当前状态（包括当前飞行姿态以及当前飞行速度、飞行加速度），并构建每一个飞行器的进场动力学方程；若其中3个飞行器接到了进场指令，将此3个飞行器划分为进场飞行器组，其余的4个飞行器划分为盘旋飞行器组；根据每一个飞行器的状态（所处的位置、飞行速度、飞行角度、加速度等等），构建并训练模型，包括针对进场飞行器组的3个进场协同导航模型和针对盘旋飞行器组的4个盘旋协同导航模型；每个模型分别根据对应的飞行器的当前状态预测下一时刻的导航信息；基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
27.进场飞行器从盘旋等待区域到进场降落区域可设置多个进场口，本实施例中，在进场降落区域圆周线的靠近导航跑道的一端的两侧共设置4个进场口（进场口1、进场口2、进场口3、进场口4），飞行器在模型的导航信息导航下，互不干扰地按照就近原则高效、有序
地进场降落。
28.飞行器从外部飞行区域进入盘旋等待区域，则首先为其建立新的模型，在模型输出的导航信息的指引下，按照就近原则从盘旋等待区域圆周线的任一位置进入。
29.若降落过程中出现故障或其他意外情况，当前飞行器从导航跑道的另一端的方向飞离进场降落区域和盘旋等待区域，待解决问题后，重新以新的飞行器进场导航的方式从外部飞行区域进入盘旋等待区域，然后再在接受到进场指令之后导航进场。
30.在这个过程中，任一时刻都可能会有新的飞行步骤s20，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，分别建立每一个飞行器的进场动力学方程。
31.步骤s21，对于多个待进场飞行器的任一飞行器，构建飞行器动坐标系中的质心动力学方程，如式（1）所示：其中，分别为动坐标系相对惯性坐标系的转动角速度在动坐标系上轴的投影，分别为飞行器的推力在动坐标系上轴的投影分量，分别为飞行器的速度在动坐标系上轴的投影分量，分别为飞行器的加速度在动坐标系上轴的投影分量。
32.步骤s22，将动坐标系中飞行器速度、角速度、推力、空气动力和重力，进行飞行器机体坐标系投影，如式（2）-式（6）所示：式（6）所示：式（6）所示：式（6）所示：式（6）所示：其中，分别为飞行器的速度在机体坐标系上轴的分量，分别为飞行器的转动角速度在机体坐标系上轴的分量，为飞行器的推力，为飞行器
的推力在机体坐标系上相对轴的角度，分别为空气动力在动坐标系上轴的投影分量，分别为飞行器的迎角、侧滑角，分别为空气动力投影的升力系数、阻力系数和侧力系数，分别为重力在动坐标系上轴的投影分量，为重力系数，为飞行器对称平面与重心铅锤平面的夹角，为飞行器对称平面与水平面的夹角，代表矩阵转置。
33.步骤s23，结合所述飞行器动坐标系中的质心动力学方程，以及飞行器机体坐标系投影结果，构建飞行器的进场动力学方程，如式（7）所示：（7）步骤s30，基于飞行器进场指令，将所述多个待进场飞行器划分为进场飞行器组和盘旋飞行器组。
34.步骤s40，基于所述每一个飞行器的进场动力学方程以及组别，分别构建进场协同导航模型和盘旋协同导航模型。
35.如图3所示，为本发明基于姿态和速度预测的多跑道飞行进场导航方法的模型训练流程示意图，进场协同导航模型和盘旋协同导航模型基于深度神经网络构建，并结合评价网络通过强化学习进行模型训练，包括：步骤a10，基于飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息。
36.针对当前飞行器，其时刻状态和时刻状态之间的状态变化通过状态转移方程获取，如式（8）所示：其中，为时刻飞行器的状态信息在执行导航信息后获得的时刻飞行器的状态信息，为预设的飞行器误差补偿系数矩阵，为预设的比例系数矩阵，为表示状态转移中不确定性的高斯函数，为正态
分布的协方差对角矩阵，矩阵对角线上的元素均为，为噪声的方差，为时刻环境干扰信息。
37.步骤a20，通过评价网络获取每一个飞行器执行所述下一时刻的导航信息下一时刻的导航信息的动作执行奖励值。
38.步骤a30，基于各飞行器的动作执行奖励值以及所述多个待进场飞行器的当前状态，生成各飞行器的状态-联合动作价值函数。
39.步骤a31，将各飞行器的状态信息合并为全局状态信息；基于一层全连接神经网络构建自适应权重学习网络；步骤a32，基于全局状态信息，通过多层感知机拟合状态-联合动作价值函数；其中，表示飞行器的运行轨迹、执行动作，为进场协同导航模型/盘旋协同导航模型的网络参数。
40.状态-联合动作价值函数，其更新原则如式（9）所示：其中，和分别为更新后的和更新前的状态-联合动作价值函数，为时刻飞行器的状态信息在策略下执行导航信息后获得的动作执行奖励值，为预设的奖励因子。
41.步骤a40，分别进行各飞行器的状态-联合动作价值函数的迭代优化以及所述进场协同导航模型和盘旋协同导航模型的参数调整，获得训练好的进场协同导航模型和盘旋协同导航模型。
42.进场协同导航模型/盘旋协同导航模型的网络参数，通过参数寻优和参数修正迭代调整；参数寻优如式（10）-式（12）所示：式（12）所示：式（12）所示：其中，为参数寻优空间的高斯噪声函数，为飞行器动作寻优空间的高斯噪声函数，为在的基础上通过寻优的飞行器动作策略，为参数寻优后的进场协同导航模型/盘旋协同导航模型获取的状态信息对
应的动作，为飞行器进场盘旋区域半径，为飞行器进场的航道区域半径。
43.参数修正如式（13）-式（15）所示：式（15）所示：式（15）所示：其中，、、分别为进场协同导航模型/盘旋协同导航模型修正后的神经元连接的循环权重、神经元输入权重和偏置向量，、分别为参数寻优和参数修正迭代中的当前动作执行奖励值和平均动作执行奖励值，为飞行器进入盘旋区域直至接到入场信号降落的总时长，为模型输入的时刻飞行器的状态信息，为时刻模型隐藏层神经元激活频率，代表矩阵转置。
44.进场协同导航模型/盘旋协同导航模型，其训练中总损失函数包括飞行器之间的互影响损失函数，其表示如式（16）所示：其中，为进场飞行器和盘旋飞行器的总数量，为将进场协同导航模型/盘旋协同导航模型的输出进行聚类的聚类结果，和分别为飞行器和飞行器对应的进场协同导航模型/盘旋协同导航模型输出的大小的矩阵，代表矩阵转置，代表矩阵行中的第行，代表矩阵列中的第列。
45.步骤s50，基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的
导航信息。
46.步骤s60，基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
47.上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
48.本发明第二实施例的基于姿态和速度预测的多跑道飞行进场导航系统，如图4所示，所述多跑道飞行进场导航系统包括：数据获取模块，配置为获取设定阈值范围内多个待进场飞行器的当前状态；所述当前状态包括当前飞行姿态以及当前飞行速度、飞行加速度，并基于所述当前飞行姿态提取飞行器当前坐标和飞行角度；动力学方程构建模块，配置为基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，分别建立每一个飞行器的进场动力学方程；飞行器划分模块，配置为基于飞行器进场指令，将所述多个待进场飞行器划分为进场飞行器组和盘旋飞行器组；模型构建模块，配置为基于所述每一个飞行器的进场动力学方程以及组别，分别构建进场协同导航模型和盘旋协同导航模型；导航信息获取模块，配置为基于每一个飞行器的当前坐标和飞行角度、当前飞行速度、飞行加速度，通过所述进场协同导航模型和所述盘旋协同导航模型分别获取每一个飞行器下一时刻的导航信息；进场/盘旋导航模块，配置为基于每一个飞行器下一时刻的导航信息分别进行对应飞行器的进场导航或盘旋导航。
49.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
50.需要说明的是，上述实施例提供的基于姿态和速度预测的多跑道飞行进场导航系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
51.本发明第三实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于姿态和速度预测的多跑道飞行进场导航方法。
52.本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于姿态和速度预测的多跑道飞行进场导航方法。
53.所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
54.本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
55.术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
56.术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
57.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。