[go: up one dir, main page]

CN118366339A - 防撞系统 - Google Patents

防撞系统 Download PDF

Info

Publication number
CN118366339A
CN118366339A CN202311329965.0A CN202311329965A CN118366339A CN 118366339 A CN118366339 A CN 118366339A CN 202311329965 A CN202311329965 A CN 202311329965A CN 118366339 A CN118366339 A CN 118366339A
Authority
CN
China
Prior art keywords
aircraft
position data
probability value
vehicle
runtime
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311329965.0A
Other languages
English (en)
Inventor
D·奥西皮切夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN118366339A publication Critical patent/CN118366339A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/20—Arrangements for acquiring, generating, sharing or displaying traffic information
    • G08G5/25—Transmission of traffic-related information between aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/20—Arrangements for acquiring, generating, sharing or displaying traffic information
    • G08G5/21—Arrangements for acquiring, generating, sharing or displaying traffic information located onboard the aircraft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/20—Arrangements for acquiring, generating, sharing or displaying traffic information
    • G08G5/22—Arrangements for acquiring, generating, sharing or displaying traffic information located on the ground
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/20—Arrangements for acquiring, generating, sharing or displaying traffic information
    • G08G5/26—Transmission of traffic-related information between aircraft and ground stations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/50—Navigation or guidance aids
    • G08G5/51—Navigation or guidance aids for control when on the ground, e.g. taxiing or rolling
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/50—Navigation or guidance aids
    • G08G5/54—Navigation or guidance aids for approach or landing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/70—Arrangements for monitoring traffic-related situations or conditions
    • G08G5/72—Arrangements for monitoring traffic-related situations or conditions for monitoring traffic
    • G08G5/723—Arrangements for monitoring traffic-related situations or conditions for monitoring traffic from the aircraft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/70—Arrangements for monitoring traffic-related situations or conditions
    • G08G5/72—Arrangements for monitoring traffic-related situations or conditions for monitoring traffic
    • G08G5/727—Arrangements for monitoring traffic-related situations or conditions for monitoring traffic from a ground station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft
    • G08G5/80—Anti-collision systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)

Abstract

本申请公开防撞系统。计算系统(102、600)被配置为接收闯入者载具(106、320)的运行时位置数据(110)和飞行器(104、328)的运行时位置数据(112)。至少基于闯入者载具(106、320)的运行时位置数据(110)对闯入者载具(106、320)的轨迹进行建模。至少基于飞行器(104、328)的运行时位置数据(112)对飞行器(104、328)的轨迹进行建模。计算系统(102、600)还被配置为确定闯入者载具(106、320)的轨迹与飞行器(104、328)的轨迹相交的相交概率值(120)。至少基于闯入者载具(106、320)的运行时位置数据(110)和飞行器(104、328)的运行时位置数据(112)确定包括闯入者载具(106、320)的预测的行为分类(330)的置信水平(334)的行为概率值(124)。至少基于相交概率值(120)和行为概率值(124)，计算系统被配置为输出推荐的防撞动作(108)。

Description

防撞系统
背景技术
在受控制的机场，空中交通控制器通过将飞行器彼此分开并且与地面载具/交通工具分开来维持安全的操作环境。在一些示例中，在所有其他飞行器和地面载具离开飞机的指定跑道之前，不允许飞机起飞或着陆。在不受控制的机场，飞行员和地勤人员可以自身相互通信，以协调进场程序、离场程序、交通模式和其他操纵。这防止飞行器相互碰撞或与地面载具碰撞。
发明内容
提供本发明内容是为了以简化的形式介绍一些概念的选择，这些概念将在下面的具体实施方式中进一步描述。本发明内容并不旨在标识所要求保护的主题的关键特征或必不可少的特征，也不旨在用于限制所要求保护的主题的范围。此外，所要求保护的主题不限于解决本公开的任何部分中指出的任何或所有缺点的实施方式。
公开了涉及避免飞行器与另一载具之间的碰撞的示例。一个公开的示例提供了一种计算系统。该计算系统包括处理器和存储可由该处理器执行的指令的存储器。该指令可由处理器执行以接收闯入者载具的运行时位置数据以及接收飞行器的运行时位置数据。至少基于闯入者载具的运行时位置数据对闯入者载具的轨迹进行建模。至少基于飞行器的运行时位置数据来对飞行器的轨迹进行建模。计算系统还被配置为至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据来确定闯入者载具的轨迹与飞行器的轨迹相交的相交概率值。至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据来确定包括闯入者载具的预测的行为分类的置信水平的行为概率值。至少基于相交概率值和行为概率值，计算系统被配置为输出推荐的防撞动作。
附图说明
图1示意性地示出了包括计算系统的防撞系统的示例。
图2示出了图1的计算系统。
图3示出了可以用作行为预测模型的示例全连接前馈神经网络的示意描绘。
图4示出了通过训练闯入者载具和训练飞行器的模拟生成的训练数据的示例，该训练数据可以用于训练图1的计算系统以输出推荐的防撞动作。
图5示出了描绘示例防撞方法的流程图。
图6示意性地示出了示例计算系统。
具体实施方式
在受控制的机场，空中交通控制器通过将飞行器彼此分开并且与地面载具分开来维持安全的操作环境。在一些示例中，在所有其他飞行器和地面载具离开飞机的指定跑道之前，不允许飞机起飞或着陆。这确保了飞行器与其他飞行器和地面载具维持适当的分离距离。
在缺乏空中交通控制塔台直接观察的不受控制的机场操作更具挑战性。在不受控制的机场，飞行员和地勤人员可以自身相互通信，以协调进场程序、离场程序、交通模式和其他操纵。飞行员还查阅机场图、航站楼程序出版物和其他资源。然而，不受控制的机场的飞行员依靠他们自己的判断以及空中和地面其他人的判断来避免碰撞。
因此，公开了涉及防撞系统和方法的示例。例如，所公开的示例可以帮助防止在不受控制的机场发生碰撞。简而言之，接收闯入者载具和飞行器的运行时位置数据。至少基于闯入者载具的运行时位置数据对闯入者载具的轨迹进行建模。至少基于飞行器的运行时位置数据来对飞行器的轨迹进行建模。至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据，确定表示闯入者载具的轨迹与飞行器的轨迹相交的概率的相交概率值。至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据，确定包括的闯入者载具的预测的行为分类的置信水平的行为概率值。至少基于相交概率值和行为概率值来输出推荐的防撞动作。这帮助维持合适的分离距离，防止飞行器与闯入者载具碰撞。
图1示出了用于输出推荐的防撞动作的系统100的示例。系统100包括计算系统102。计算系统102包括处理器和存储可由处理器执行的指令的存储器。这些指令可执行以实施本文描述的方法和过程。
在一些示例中，计算系统102在飞行器104上。在一些这样的示例中，计算系统102包括位于飞行器上的膝上型计算设备、平板计算设备或移动计算设备(例如，智能电话)。在其他示例中，计算系统102包括飞行管理系统或与飞行器104集成的任何其他合适的航空电子系统。以这种方式，计算系统102可以在飞行器处实施本文描述的方法和过程。这可以提供比在远程计算设备处执行本文描述的方法和过程更大的弹性，因为有时飞行器与远程计算设备通信可能具有挑战性，诸如当在远程环境中操作时。
在又一些示例中，计算系统102包括任何其他合适的计算系统。合适的计算系统的另一个示例包括但不限于位于地面站(例如，数据中心)的服务器计算设备。以这种方式，本文公开的方法和过程的至少一部分从飞行器卸载。
计算系统102将防撞作为数据驱动的对象检测问题。计算系统102被配置为通过分析飞行器104和闯入者载具106的动力学状态来识别可能的碰撞。在一些示例中，闯入者载具包括地面载具。合适的地面载具的一些示例包括但不限于卡车和汽车。在其他示例中，闯入者载具包括任何其他合适类型的载具。其他合适类型的载具的一些示例包括但不限于其他飞行器(例如，飞机、直升机和无人机)。以这种方式，计算系统可以帮助减轻碰撞风险。
在一些示例中，如图2所示，计算系统102实施马尔可夫决策过程框架以输出推荐的防撞动作108。在图2的示例中，飞行器104和闯入者载具106的状态由位置数据(例如，纬度、经度、航向和/或速度)表示。在防撞系统100的运行时实施期间，计算系统102被配置为接收闯入者载具106的运行时位置数据110以及接收飞行器104的运行时位置数据112。如下文详述，计算系统102被训练为使用闯入者载具106的运行时位置数据110和飞行器104的运行时位置数据112来输出推荐的防撞动作108。
在一些示例中，闯入者载具106的运行时位置数据110包括从地面载具接收的应答器数据。例如，图1的飞行器104包括位置数据接收器114。位置数据接收器114被配置为从地面载具接收应答器数据。在其他示例中，闯入者载具106的运行时位置数据110包括基于图像数据的卷积模型的输出。例如，机场的图像数据可以从位于飞行器上的相机获得。图像数据可以被输入到卷积模型中，从而使卷积模型输出针对位于机场的一个或更多个载具的运行时位置数据。以这种方式，计算系统可以获得缺少与位置数据接收器兼容的应答器的任何载具的位置数据。
在一些示例中，计算系统102还被配置为接收多个闯入者载具的运行时位置数据。以这种方式，计算系统102可以帮助减轻由多个闯入者载具造成的碰撞风险。
此外，在一些示例中，从飞行器上的一个或更多个飞行仪表116接收飞行器104的运行时位置数据112。例如，运行时位置数据112可以包括全球定位系统(GPS)数据。在其他示例中，使用一个或更多个其他飞行仪表(诸如航向指示器、空速指示器和姿态指示器)来确定运行时位置数据112。以这种方式，计算系统102被配置为获得飞行器104的运行时位置数据112。
再次参考图2，计算系统102还包括轨迹预测模块118，该轨迹预测模块118被配置为至少基于闯入者载具的运行时位置数据110对闯入者载具106的轨迹进行建模。轨迹预测模块118还至少基于飞行器104的运行时位置数据112对飞行器104的轨迹进行建模。在一些示例中，进一步基于机场的地图120对轨迹进行建模。例如，闯入者载具106的轨迹可以基于地图120规定的约束，诸如地面载具可以转弯的位置以及地面载具到交叉路口和跑道入口之间的距离。以这种方式，地图120可以指导确定闯入者载具106的轨迹。
在一些示例中，轨迹预测模块116包括确定性模型。例如，飞行器104的轨迹可以是飞行器104的地速和航向的预定函数。在其他示例中，轨迹预测模块118包括被训练以输出闯入者载具的轨迹和/或飞行器的轨迹的机器学习模型。
计算系统102还被配置为输出相交概率值128。相交概率值128表示闯入者载具106的轨迹与飞行器104的轨迹相交的概率。如下文更详细描述的，相交概率值128用于确定是否输出推荐的防撞动作。
计算系统102还包括行为预测模块122。行为预测模块122被配置为输出行为概率值124。行为概率值124包括闯入者载具106的预测的行为分类的置信水平。
在一些示例中，行为预测模块122包括神经网络分类器。神经网络分类器可以被训练以至少基于闯入者载具的运行时位置数据110和飞行器的运行时位置数据112来输出二元分类。二元分类表示飞行器104和闯入者载具106是否将碰撞的预测。因此，行为概率值124包括预测分类的置信得分。
根据本公开的神经网络分类器可以具有任何合适的架构。图3示出了作为行为预测模型的全连接前馈神经网络300的示例。前馈神经网络300包括输入层302、两个全连接隐藏层304和306以及输出层308。隐藏层304和306各自包括256个神经元310，为了简单起见，在图3中未示出这些神经元310。隐藏层304和306的每个神经元310包括泄漏整流线性单元(泄漏ReLU)激活函数。
输入层302被配置为接收闯入者载具320的位置314、航向316和速度318以及飞行器328的位置322、航向324和速度326作为输入312。作为响应，输出层308被配置为基于输入312输出预测的行为分类330。输出层308包括单个输出神经元332。在一些示例中，输出神经元332包括S形函数。在其他示例中，输出神经元332包括任何其他合适类型的函数。此外，在其他示例中，输入312可以包括任何其他合适的信息集。
在一些其他示例中，计算系统包括递归/循环神经网络。递归神经网络接收闯入者载具的位置数据序列和飞行器的位置数据序列作为输入。以这种方式，递归神经网络被配置为使用闯入者载具和/或飞行器的先前状态来预测碰撞的可能性。在又一些示例中，计算系统利用任何其他合适类型的ML模型，诸如卷积神经网络模型。其他合适类型的ML模型包括长短期记忆(LSTM)和变换器模型。
如上所述，在一些示例中，预测的行为分类330表示飞行器328和闯入者载具320是否将碰撞的预测。预测的行为分类330伴随有置信水平334。对应于预测的碰撞的置信水平334表示闯入者载具和飞行器两者将同时穿过路径的估计的概率。
预测的行为分类可以附加地或替代地包括可以有用于预测碰撞风险的其他参数。例如，计算系统可以附加地或替代地包括分类器，该分类器被配置为识别闯入者载具是否意识到飞行器(并且因此可能更有可能停止)，或者闯入者载具是否未意识到飞行器。
再次参考图2，计算系统102还包括决策模块126，该决策模块126接收由行为预测模块122输出的行为概率值124和由轨迹预测模块118输出的相交概率值128作为输入。决策模块126被配置为至少基于相交概率值128和行为概率值124来输出推荐的防撞动作108。这使得飞行器能够适当地进行操纵以维持与闯入者载具的适当的分离距离。
在一些示例中，决策模块126被配置为计算地组合相交概率值和行为概率值，从而输出碰撞概率值。例如，决策模块126可以被配置为基于从轨迹预测模块输出的相交概率值以及行为概率模型来计算条件概率。当相交概率值和行为概率值被建模为独立事件时，碰撞概率值是相交概率值和行为概率模型的乘积。例如，给闯入者载具90％的机会到达跑道的轨迹预测和给闯入者载具70％的机会穿过跑道的行为预测可以产生63％的碰撞概率值。以这种方式，基于闯入者载具的预测行为来缩放轨迹预测，以准确地估计闯入者载具造成的碰撞风险。在其他示例中，当相交概率值和行为概率值相关时，使用条件概率规则找到碰撞概率值。
在一些示例中，至少基于确定碰撞概率值大于阈值来输出推荐的防撞动作。在一些示例中，阈值在5％至100％的范围内。在其他示例中，阈值在20％至100％的范围内。在又一些示例中，阈值在50％至100％的范围内。在一些其他示例中，可以使用小于5％的阈值。此外，可以基于假阴性和/或假阳性结果来调谐阈值。
在下面的等式(1)-(3)中，碰撞被定义为违反飞行器和闯入者载具之间的投影在2D表面上的距离dA to I。如下在等式(1)-(3)中，针对飞行器的动力学状态sA和闯入者载具的动力学状态sI进行预测。
(1)Pcollision＝P(dA to I＜dsafe|sA，sI)
(2)sV＝{xV，yV，vV，ψV，…}对于{vehicles(载具))中的v
(3)
在一些示例中，推荐的防撞动作包括对飞行器发起复飞操纵或等待操纵的推荐。这使得飞行器能够维持与闯入者载具空间分离。
如上所述，图1-图2的防撞系统100被训练以在训练阶段期间输出推荐的防撞动作108。在一些示例中，训练阶段发生在与图1-图2的示例中所示的运行时环境分离的训练环境中。例如，轨迹预测模块118、行为预测模块122和决策模块126可以在与计算系统102分离的计算系统(例如，远程数据中心处的服务器计算设备)处进行预训练。以这种方式，可以从计算系统102卸载训练阶段的至少一部分。
在其他示例中，训练阶段的至少一部分可以与防撞系统100的运行时实施并发发生或者在同一环境中发生。例如，轨迹预测模块118、行为预测模块122和决策模块126可以在运行时实施期间基于观察到的地面载具和飞行器的真实世界行为来学习和适应。
在一些示例中，防撞系统100至少部分地根据模拟数据进行训练。图4示出了由训练闯入者载具406和训练飞行器408的模拟404生成的训练数据402的示例。在一些示例中，训练数据402至少部分地被真实世界经验数据替代或增强。
图4的模拟404是三维防撞问题的简化二维投影/投射。模拟404包括多个闯入者载具在10千米×10千米的方形模拟环境410上的移动。
为了覆盖不同的场景集，模拟404包括蒙特卡罗模拟，其结合了用于训练闯入者载具406的概率行为模型。行为模型将训练闯入者载具406的轨迹随机化并模拟遵守和违反交通规则(例如，运行停车标志和保持短线要求)。
模拟404还基于脚本配置文件412。脚本配置文件412使得能够重新配置训练闯入者载具406和训练飞行器408的轨迹、模拟的参数以及所模拟的机场布局。
在一些示例中，训练飞行器408模仿单引擎涡轮螺旋桨塞斯纳208大篷车(Cessna208Grand Caravan)的动力学。训练飞行器408具有与训练闯入者载具406不同的动力学，训练闯入者载具406可以表示具有二维的类似汽车动力学的地面载具。训练飞行器408不具有与地面载具类似的制动、加速和转向。相反，训练飞行器的高度和空速是更相关的参数。在一些示例中，被选择来定义训练飞行器408的转弯速率和纵向加速度的参数是保守的并且在飞行器的整个飞行包线上得到保证。
在模拟更新模块414处，模拟404被配置为更新训练闯入者载具406的位置数据416和训练飞行器408的位置数据418。
在一些示例中，使用以下示例算法来执行模拟404：
重置到随机的初始值；
当t<tmax时，则
·更新闯入者载具：
·调用载具控制器以计算控制
·向载具设置控制信号
·调用载具更新以移动载具
·更新代理载具：
·将控制信号传递到载具
·调用载具更新以移动载具
·评估状态：
·碰撞
·终止
·得分
返回观察，回报，终止
结束
该示例算法假设训练闯入者载具406是被动的并且不对训练飞行器408的任何动作做出反应。每个训练闯入者载具406被表示为使用杜宾载具模型的无质量运动学模型。每个训练闯入者使用基类，该基类以转向和加速命令的形式获取控制输入，以换取其更新的位置和速度。训练闯入者根据所命令的转向输入及其转弯半径执行转弯。
模拟404使用基于比例积分微分(PID)的路点控制器，其为训练闯入者载具406提供低级控制。路点控制器使用配置文件412中定义的路点集来生成训练闯入者载具406的轨迹。
模拟404还包括评估模块420。在评估模块420处，将训练闯入者载具406的位置数据416和训练飞行器的位置数据418与碰撞阈值距离进行比较。如果训练闯入者和训练飞行器在碰撞阈值距离内，则用指示训练闯入者和训练飞行器违反碰撞阈值距离的地面实况输出422来标记训练数据402。如果训练闯入者和训练飞行器不在碰撞阈值距离内，则地面实况输出422指示训练闯入者和训练飞行器不在碰撞阈值距离内。以这种方式，训练数据402可以用于训练计算系统以基于位置数据输出推荐的防撞动作。
图5示出了描绘示例防撞方法500的流程图。方法500的以下描述是参考上面描述的并且在图1-图4和图6中示出的部件来提供的。应当理解，方法500还可以在其他背景中执行。
在502处，方法500包括接收闯入者载具的运行时位置数据。例如，图2的计算系统102被配置为接收闯入者载具106的运行时位置数据110。在504处，方法500包括接收飞行器的运行时位置数据。例如，图2的计算系统102被配置为接收飞行器104的运行时位置数据112。以这种方式，计算系统获得闯入者载具和飞行器的运行时位置数据。
在506处，方法500包括至少基于闯入者载具的运行时位置数据对闯入者载具的轨迹进行建模。例如，图2的轨迹预测模块118被配置为至少基于运行时位置数据110对闯入者载具106的轨迹进行建模。在508处，方法500包括至少基于飞行器的运行时位置数据对飞行器的轨迹进行建模。例如，图2的轨迹预测模块118被配置为至少基于飞行器104的运行时位置数据112对飞行器104的轨迹进行建模。在510处，方法500包括至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据，确定闯入者载具的轨迹与飞行器的轨迹相交的相交概率值。相交概率值用于确定是否输出推荐的防撞动作。
在512处，方法500包括至少基于闯入者载具的运行时位置数据和飞行器的运行时位置数据来确定包括闯入者载具的预测的行为分类的置信水平的行为概率值。例如，图2的行为预测模块122被配置为输出表示飞行器104和闯入者载具106将碰撞的预测概率的行为概率值124。
在一些示例中，在514处，确定行为概率值包括将闯入者载具的运行时位置数据和飞行器的运行时位置数据输入到神经网络中，从而使得神经网络输出预测的行为分类。图3示出了可以用于确定行为概率值的全连接前馈神经网络300的示例。以这种方式，神经网络300可以用于预测闯入者载具和飞行器将不维持合适的水平分离的估计的概率。
继续图5，方法500还包括，在516处，至少基于相交概率值和行为概率值，输出推荐的防撞动作。例如，相交概率值和行为概率值可以用于指示飞行器复飞或进入等待模式。这使得飞行器能够与闯入者载具保持空间分离。
在一些示例中，在518处，方法500包括计算地组合相交概率值和行为概率值，从而输出碰撞概率值。例如，可以将相交概率值和行为概率值相乘，从而将相交概率值按预测的行为概率值缩放。结果，相比于单独的相交概率值或行为概率值，碰撞概率值可以是碰撞概率的更准确的表示。
在520处，在一些示例中，至少基于确定碰撞概率值大于阈值来输出推荐的防撞动作。以这种方式，响应于确定闯入者载具对飞行器呈现碰撞风险而输出推荐的防撞动作。
如522处所示，在一些示例中，在着陆进场中的“最佳点(sweet spot)”处输出推荐的防撞动作。术语“最佳点”指的是着陆进场中的预定位置(例如，预定时间和/或地理位置、或预定时间范围和/或地理位置范围)。例如，计算系统102可以被配置为基于历史着陆信息或建模的着陆信息来确定有足够时间来重新引导飞行器104或指示飞行器104继续着陆进场的预定时间和/或预定位置。合适的着陆信息的一些示例包括飞行器的性能参数、着陆地点的规格(例如，跑道长度和表面类型)以及着陆条件(例如，天气和能见度)。如果飞行器距离着陆地点太近，则阻止飞行器着陆可能具有挑战性。另一方面，如果飞行器距离着陆地点较远，则闯入者可能有足够的时间在飞行器到达之前改变航线。在一些示例中，当飞行器位于确定的最佳点内时，执行步骤502-516中的一个或多个。通过在所确定的最佳点内执行这些一个或多个步骤，可以用足够的时间获得更好的着陆结果(例如，相对于在另一时间和/或另一位置执行这些一个或多个步骤而言在燃料效率方面)，以允许飞行器运营商执行推荐的防撞动作。
如上所述，计算系统被训练为基于闯入者载具的运行时位置数据和飞行器的运行时位置数据来输出推荐的防撞动作。以这种方式，推荐的防撞动作可以帮助维持飞行器和闯入者载具之间合适的分离距离。推荐的防撞动作是基于行为概率值输出的，该行为概率值是机器学习分类器的输出。以这种方式，推荐的防撞动作的输出至少部分地基于闯入者载具造成的碰撞风险的ML估计。在一些示例中，输出推荐的防撞动作的计算系统与飞行器集成。这使得飞行器能够执行本文在示例中描述的方法和过程，在这些示例中与远程计算设备通信可能具有挑战性，诸如在远程环境中。
在一些实施例中，本文描述的方法和过程可以绑定到一个或更多个计算设备的计算系统。具体地，此类方法和过程可以在如上所述的硬件中实施为计算机应用程序或服务、应用编程接口(API)、库和/或其他计算机程序产品。
图6示意性地示出了计算系统600的简化表示，该计算系统600被配置为提供本文所描述的任何至所有计算功能。作为示例，计算系统600可以采用一个或更多个个人计算机、服务器计算机以及与飞行器集成的计算机的形式。计算系统102是计算系统600的示例。
计算系统600包括逻辑子系统602和存储子系统604。计算系统600可以可选地包括显示子系统606、输入子系统608、通信子系统610和/或图6中未示出的其他子系统。
逻辑子系统602包括被配置为执行指令的一个或多个物理设备。例如，逻辑子系统可以被配置为执行作为一个或多个应用、服务、程序、例程、库、对象、部件、数据结构或其他逻辑构造的一部分的指令。此类指令可被实施以执行任务、实施数据类型、变换一个或多个部件的状态、实现技术效果或以其他方式达到期望的结果。
逻辑子系统可以包括被配置为执行软件指令的一个或多个硬件处理器。附加地或替代地，逻辑子系统可以包括被配置为执行硬件或固件指令的一个或多个硬件或固件设备。逻辑子系统的处理器可以是单核或多核，并且在其上执行的指令可以被配置用于顺序、并行和/或分布式处理。逻辑子系统的个体部件可选地可以分布在两个或更多个分离的设备当中，这些设备可以远程定位和/或配置用于协调处理。逻辑子系统的各方面可以由配置在云计算配置中的远程可访问的联网计算设备虚拟化和执行。
存储子系统604包括一个或多个物理设备，其被配置为临时和/或永久保存计算机信息，诸如数据和可由逻辑子系统执行的指令。当存储子系统包括两个或更多个设备时，这些设备可以并置和/或远程定位。存储子系统604可以包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址、文件可寻址和/或内容可寻址设备。存储子系统604可以包括可移除和/或内置设备。当逻辑子系统执行指令时，存储子系统604的状态可以被变换——例如，以保存不同的数据。
存储子系统604可以包括可移除和/或内置设备。存储子系统604可以包括光学存储器(例如，CD、DVD、HD-DVD、蓝光光盘等)、半导体存储器(例如，RAM、EPROM、EEPROM等)和/或磁存储器等。存储子系统604可以包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址、文件可寻址和/或内容可寻址设备。
逻辑子系统602和存储子系统604的各方面可以一起集成到一个或多个硬件逻辑部件中。例如，此类硬件逻辑部件可以包括特定于程序和应用的集成电路(PASIC/ASIC)、特定于程序和应用的标准产品(PSSP/ASSP)、片上系统(SOC)和复杂的可编程逻辑设备(CPLD)。
逻辑子系统和存储子系统可以协作来实例化一个或多个逻辑机器。如本文所使用的，术语“机器”用于统指硬件、固件、软件、指令和/或协作以提供计算机功能的任何其他部件的组合。换句话说，“机器”从来都不是抽象的概念，并且总是有有形的形式。机器可以由单个计算设备实例化，或者机器可以包括由两个或更多个不同计算设备实例化的两个或更多个子部件。在一些实施方式中，机器包括与远程部件(例如，由服务器计算机的网络提供的云计算服务)协作的本地部件(例如，由计算机处理器执行的软件应用)。向特定机器赋予其功能的软件和/或其他指令可以可选地被保存为一个或多个合适的存储设备上的一个或多个未执行的模块。
当被包括时，显示子系统606可以用于呈现由存储子系统604保存的数据的视觉表示。该视觉表示可以采取图形用户界面(GUI)的形式。当本文描述的方法和过程改变由存储子系统保存的数据并因此变换存储子系统的状态时，显示子系统606的状态同样可以被变换以可视地表示底层数据的改变。显示子系统606可以包括利用实际上任何类型的技术的一个或多个显示设备。这样的显示设备可以与逻辑子系统和存储子系统组合在共享外壳中，或者这样的显示设备可以是外围显示设备。
当被包括时，输入子系统608可以包括诸如键盘和触摸屏之类的一个或多个输入设备或与该一个或多个输入设备接合。在一些实施例中，输入子系统可以包括选定的自然用户输入(NUI)组件或与选定的自然用户输入(NUI)组件接合。这样的组件可以是集成的或外围的，并且输入动作的转换和/或处理可以在板上或板外处理。示例NUI组件可以包括用于语音和/或声音识别的麦克风；以及用于机器视觉和/或手势识别的红外、彩色、立体和/或深度相机。
当被包括时，通信子系统610可以被配置为将计算系统600与一个或多个其他计算设备通信地耦合。通信子系统610可以包括与一种或多种不同通信协议兼容的有线和/或无线通信设备。作为非限制性示例，通信子系统可以被配置用于经由无线电话网络、或者有线或无线局域网或广域网进行通信。在一些实施例中，通信子系统可以允许计算系统600经由诸如互联网之类的网络向其他设备发送消息和/或从其他设备接收消息。
此外，本公开包括根据以下条款的配置。
条款1.一种计算系统，其包括：处理器；以及存储器，其存储指令，所述指令能够由所述处理器执行以：接收闯入者载具的运行时位置数据；接收飞行器的运行时位置数据；至少基于所述闯入者载具的所述运行时位置数据对所述闯入者载具的轨迹进行建模；至少基于所述飞行器的所述运行时位置数据对所述飞行器的轨迹进行建模；至少基于所述闯入者载具的所述运行时位置数据和所述飞行器的所述运行时位置数据，确定所述闯入者载具的所述轨迹与所述飞行器的所述轨迹相交的相交概率值；至少基于所述闯入者载具的所述运行时位置数据和所述飞行器的所述运行时位置数据，确定包括所述闯入者载具的预测的行为分类的置信水平的行为概率值；以及至少基于所述相交概率值和所述行为概率值，输出推荐的防撞动作。
条款2.根据条款1所述的计算系统，其中所述计算系统在所述飞行器上。
条款3.根据条款1所述的计算系统，其中所述闯入者载具的所述运行时位置数据包括从地面载具接收的应答器数据。
条款4.根据条款1所述的计算系统，其中所述闯入者载具包括另一飞行器。
条款5.根据条款1所述的计算系统，其中所述闯入者载具的所述轨迹还基于机场的地图。
条款6.根据条款1所述的计算系统，其中能够执行以确定所述行为概率值的所述指令包括能够执行以使经训练的神经网络基于运行时输入数据输出所述预测的行为分类的指令。
条款7.根据条款6所述的计算系统，其中所述神经网络包括递归神经网络。
条款8.根据条款1所述的计算系统，其中所述预测的行为分类包括对所述闯入者载具穿过跑道的预测。
条款9.根据条款1所述的计算系统，其中所述推荐的防撞动作包括对所述飞行器发起复飞操纵或等待操纵的推荐。
条款10.根据条款1所述的计算系统，其中所述指令还能够执行以计算地组合所述相交概率值和所述行为概率值，从而输出碰撞概率值。
条款11.根据条款10所述的计算系统，其中所述指令还能够执行以至少基于确定所述碰撞概率值大于阈值来输出所述推荐的防撞动作。
条款12.根据条款1所述的计算系统，其中所述指令还能够执行以接收两个或更多个闯入者载具的运行时位置数据。
条款13.在计算系统处，一种防撞方法包括：接收闯入者载具的运行时位置数据；接收飞行器的运行时位置数据；至少基于所述闯入者载具的所述运行时位置数据对所述闯入者载具的轨迹进行建模；至少基于所述飞行器的所述运行时位置数据对所述飞行器的轨迹进行建模；至少基于所述闯入者载具的所述运行时位置数据和所述飞行器的所述运行时位置数据，确定所述闯入者载具的所述轨迹与所述飞行器的所述轨迹相交的相交概率值；至少基于所述闯入者载具的所述运行时位置数据和所述飞行器的所述运行时位置数据，确定包括所述闯入者载具的预测的行为分类的置信水平的行为概率值；以及至少基于所述相交概率值和所述行为概率值，输出推荐的防撞动作。
条款14.根据条款13所述的方法，其中确定所述行为概率值包括将所述闯入者载具的所述运行时位置数据和所述飞行器的所述运行时位置数据输入到神经网络中，从而使所述神经网络输出所述预测的行为分类。
条款15.根据条款13所述的方法，还包括计算地组合所述相交概率值和所述行为概率值，从而输出碰撞概率值。
条款16.根据条款13所述的方法，还包括在着陆进场中的预定位置处输出所述推荐的防撞动作。
条款17.一种飞行器，其包括：位置数据接收器；一个或更多个飞行仪表，以及防撞计算系统，其包括：处理器，以及存储器，其存储指令，所述指令能够由所述处理器执行以：从所述位置数据接收器接收地面载具的运行时位置数据；从所述一个或更多个飞行仪表接收飞行器的运行时位置数据；至少基于所述地面载具的所述运行时位置数据对所述地面载具的轨迹进行建模；至少基于所述飞行器的所述运行时位置数据对所述飞行器的轨迹进行建模；至少基于所述地面载具的所述运行时位置数据和所述飞行器的所述运行时位置数据，确定所述地面载具的所述轨迹与所述飞行器的所述轨迹相交的相交概率值；至少基于所述地面载具的所述运行时位置数据，确定包括所述地面载具的预测的行为分类的置信水平的行为概率值；以及至少基于所述相交概率值和所述行为概率值，输出推荐的防撞动作。
条款18.根据条款17所述的飞行器，其中能够执行以确定所述行为概率值的所述指令包括能够执行以使神经网络基于运行时输入数据输出所述预测的行为分类的指令。
条款19.根据条款17所述的飞行器，其中所述指令还能够执行以将所述相交概率值与所述行为概率值相乘，从而输出碰撞概率值。
条款20.根据条款19所述的飞行器，其中至少基于确定所述碰撞概率值大于阈值来输出所述推荐的防撞动作。
本公开内容通过示例并参考相关附图来呈现。在一个或多个附图中可能基本相同的部件、处理步骤和其他元素被协调地标识并且以最少的重复进行描述。然而，应当注意的是，协调地标识的元素也可能在某种程度上有所不同。还应当注意的是，一些附图可以是示意性的并且未按比例绘制。图中所示的各种绘图比例、纵横比和部件数量可以被故意扭曲，以使某些特征或关系更容易看到。
本文所用的“和/或”定义为包含或∨，如以下真值表所示：
A B A∨B
真 真 真
真 假 真
假 真 真
假 假 假
本文使用的术语“A或B中的一个或更多个”包括A、B或A和B的组合。术语“A、B或C中的一个或更多个”等同于A、B和/或C。因此，如本文所用的“A、B或C中的一个或更多个”包括单独A、单独B、单独C、A和B的组合、A和C的组合、B和C的组合或者A、B和C的组合。
应当理解，本文描述的配置和/或方法本质上是示例性的，并且这些具体实施例或示例不应被认为是限制性的，因为许多变化是可能的。本文描述的具体例程或方法可以表示任何数量的策略中的一种或多种。这样，所示和/或描述的各种动作可以按照所示和/或描述的顺序、按照其他顺序、并行地执行或者被省略。同样，上述处理的顺序可以改变。
本公开的主题包括各种过程、系统和配置的所有新颖和非显而易见的组合和子组合，以及本文公开的其他特征、功能、动作和/或属性，以及其任何和所有等同物。
零件清单：
系统100
计算系统102
飞行器104、328
闯入者载具106、320
推荐的防撞动作108
[闯入者载具的]运行时位置数据110
[飞行器的]运行时位置数据112
位置数据接收器114
飞行仪表116
轨迹预测模块118
相交概率值120
行为预测模块122
行为概率值124
决策模块126
训练数据128
神经网络300
输入层302
隐藏层304、306
输出层308
神经元310
输入312
[闯入者载具的]位置314
[闯入者载具的]航向316
[闯入者载具的]速度318
[飞行器的]位置322
[飞行器的]航向324
[飞行器的]速度326
预测的行为分类330
输出神经元332
置信水平334
训练数据402
模拟404
训练闯入者载具406
训练飞行器408
模拟环境410
配置文件412
模拟更新模块414
[训练闯入者载具的]位置数据416
[训练飞行器的]位置数据418
评估模块420
地面实况输出422
方法500
方法步骤502-522
计算系统600
逻辑子系统602
存储子系统604
显示子系统606
输入子系统608
通信子系统610

Claims (20)

1.一种计算系统(102、600)，其包括：
处理器(602)；以及
存储器(604)，其存储指令，所述指令能够由所述处理器(602)执行以：
接收闯入者载具(106、320)的运行时位置数据(110)；
接收飞行器(104、328)的运行时位置数据(112)；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)对所述闯入者载具(106、320)的轨迹进行建模；
至少基于所述飞行器(104、328)的所述运行时位置数据(112)对所述飞行器(104、328)的轨迹进行建模；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)，确定所述闯入者载具(106、320)的所述轨迹与所述飞行器(104、328)的所述轨迹相交的相交概率值(120)；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)，确定包括所述闯入者载具(106、320)的预测的行为分类(330)的置信水平(334)的行为概率值(124)；以及
至少基于所述相交概率值(120)和所述行为概率值(124)，输出推荐的防撞动作(108)。
2.根据权利要求1所述的计算系统(102、600)，其中所述计算系统(102、600)在所述飞行器(104、328)上。
3.根据权利要求1所述的计算系统(102、600)，其中所述闯入者载具(106、320)的所述运行时位置数据(110)包括从地面载具接收的应答器数据。
4.根据权利要求1所述的计算系统(102、600)，其中所述闯入者载具(106、320)包括另一飞行器。
5.根据权利要求1所述的计算系统(102、600)，其中所述闯入者载具(106、320)的所述轨迹还基于机场的地图。
6.根据权利要求1所述的计算系统(102、600)，其中能够执行以确定所述行为概率值(124)的所述指令包括能够执行以使经训练的神经网络(300)基于运行时输入数据输出所述预测的行为分类(330)的指令。
7.根据权利要求6所述的计算系统(102、600)，其中所述神经网络(300)包括递归神经网络。
8.根据权利要求1所述的计算系统(102、600)，其中所述预测的行为分类(330)包括对所述闯入者载具(106、320)穿过跑道的预测。
9.根据权利要求1所述的计算系统(102、600)，其中所述推荐的防撞动作(108)包括对所述飞行器(104、328)发起复飞操纵或等待操纵的推荐。
10.根据权利要求1所述的计算系统(102、600)，其中所述指令还能够执行以计算地组合所述相交概率值(120)和所述行为概率值(124)，从而输出碰撞概率值。
11.根据权利要求10所述的计算系统(102、600)，其中所述指令还能够执行以至少基于确定所述碰撞概率值大于阈值来输出所述推荐的防撞动作(108)。
12.根据权利要求1所述的计算系统(102、600)，其中所述指令还能够执行以接收两个或更多个闯入者载具(106、320)的运行时位置数据(110)。
13.在计算系统(102、600)处，一种防撞方法(500)包括：
接收(502)闯入者载具(106、320)的运行时位置数据(110)；
接收(504)飞行器(104、328)的运行时位置数据(112)；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)对所述闯入者载具(106、320)的轨迹进行建模(506)；
至少基于所述飞行器(104、328)的所述运行时位置数据(112)对所述飞行器(104、328)的轨迹进行建模(508)；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)，确定(510)所述闯入者载具(106、320)的所述轨迹与所述飞行器(104、328)的所述轨迹相交的相交概率值(120)；
至少基于所述闯入者载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)，确定(512)包括所述闯入者载具(106、320)的预测的行为分类(330)的置信水平(334)的行为概率值(124)；以及
至少基于所述相交概率值(124)和所述行为概率值(124)，输出(516)推荐的防撞动作(108)。
14.根据权利要求13所述的方法(500)，其中确定(512)所述行为概率值包括将所述闯入者载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)输入(514)到神经网络(300)中，从而使所述神经网络(300)输出所述预测的行为分类(330)。
15.根据权利要求13所述的方法(500)，还包括计算地组合(518)所述相交概率值(120)和所述行为概率值(124)，从而输出碰撞概率值。
16.根据权利要求13所述的方法(500)，还包括在着陆进场中的预定位置处输出(522)所述推荐的防撞动作(108)。
17.一种飞行器(104、328)，其包括：
位置数据接收器(114)；
一个或更多个飞行仪表(116)，以及
防撞计算系统(102、600)，其包括：
处理器(602)，以及
存储器(604)，其存储指令，所述指令能够由所述处理器(602)执行以：
从所述位置数据接收器(114)接收地面载具(106、320)的运行时位置数据(110)；
从所述一个或更多个飞行仪表(116)接收飞行器(104、328)的运行时位置数据(112)；
至少基于所述地面载具(106、320)的所述运行时位置数据(110)对所述地面载具(106、320)的轨迹进行建模；
至少基于所述飞行器(104、328)的所述运行时位置数据(112)对所述飞行器(104、328)的轨迹进行建模；
至少基于所述地面载具(106、320)的所述运行时位置数据(110)和所述飞行器(104、328)的所述运行时位置数据(112)，确定所述地面载具(106、320)的所述轨迹与所述飞行器(104、328)的所述轨迹相交的相交概率值(120)；
至少基于所述地面载具(106、320)的所述运行时位置数据(110)，确定包括所述地面载具(106、320)的预测的行为分类(330)的置信水平(334)的行为概率值(124)；以及
至少基于所述相交概率值(124)和所述行为概率值(124)，输出推荐的防撞动作(108)。
18.根据权利要求17所述的飞行器(104、328)，其中能够执行以确定所述行为概率值(124)的所述指令包括能够执行以使经训练的神经网络(300)基于运行时输入数据输出所述预测的行为分类(330)的指令。
19.根据权利要求17所述的飞行器(104、328)，其中所述指令还能够执行以将所述相交概率值(120)与所述行为概率值(124)相乘，从而输出碰撞概率值。
20.根据权利要求19所述的飞行器(104、328)，其中至少基于确定所述碰撞概率值大于阈值来输出所述推荐的防撞动作(108)。
CN202311329965.0A 2023-01-17 2023-10-13 防撞系统 Pending CN118366339A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US18/155,659 2023-01-17
US18/155,659 US20240242618A1 (en) 2023-01-17 2023-01-17 Collision avoidance system

Publications (1)

Publication Number Publication Date
CN118366339A true CN118366339A (zh) 2024-07-19

Family

ID=88837290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311329965.0A Pending CN118366339A (zh) 2023-01-17 2023-10-13 防撞系统

Country Status (3)

Country Link
US (1) US20240242618A1 (zh)
EP (1) EP4404174A1 (zh)
CN (1) CN118366339A (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2885439B1 (fr) * 2005-05-09 2010-11-19 Airbus France Procede et dispositif d'aide au pilotage d'un avion lors d'une phase d'approche en vue d'un atterrissage
US8019529B1 (en) * 2007-08-17 2011-09-13 Rockwell Collins, Inc. Runway and airport incursion alerting system and method
US7932853B1 (en) * 2008-09-12 2011-04-26 Rockwell Collins, Inc. System and method for identifying incursion threat levels
US9547993B2 (en) * 2015-02-23 2017-01-17 Honeywell International Inc. Automated aircraft ground threat avoidance system
US10043405B1 (en) * 2017-03-14 2018-08-07 Architecture Technology Corporation Advisor system and method
DE102018117561A1 (de) * 2018-07-20 2020-01-23 Zf Active Safety Gmbh Verfahren zum automatisierten Vermeiden einer Kollision
US10793286B1 (en) * 2018-08-23 2020-10-06 Rockwell Collins, Inc. Vision based autonomous landing using flight path vector
US11004349B2 (en) * 2019-02-11 2021-05-11 Rockwell Collins, Inc. Landing alert system
US20210150922A1 (en) * 2019-11-19 2021-05-20 Honeywell International Inc. Using vehicle lights for collision awareness
US11854418B2 (en) * 2020-02-14 2023-12-26 Honeywell International Inc. Collision awareness using historical data for vehicles
WO2022016018A1 (en) * 2020-07-15 2022-01-20 Aviation Communication & Surveillance Systems, Llc Systems and methods for intelligently displaying aircraft traffic information
CN114360300B (zh) * 2021-11-26 2023-05-02 中国航空无线电电子研究所 一种面向场面增强态势感知的交通冲突告警方法
US12159547B2 (en) * 2022-05-24 2024-12-03 Rockwell Collins, Inc. Ground-based system and method for autonomous runway overrun prediction, prevention and monitoring

Also Published As

Publication number Publication date
EP4404174A1 (en) 2024-07-24
US20240242618A1 (en) 2024-07-18

Similar Documents

Publication Publication Date Title
CN114080634B (zh) 使用锚定轨迹的代理轨迹预测
US11067988B1 (en) Interactive autonomous vehicle agent
US11202036B2 (en) Merged reality system and method
CN108227710B (zh) 自动驾驶控制方法和装置、电子设备、程序和介质
CN114514524A (zh) 多智能体模拟
TWI794516B (zh) 透過空中交通管理電子系統的用於空中管理的訓練和/或輔助平台及方法
CN115916615A (zh) 对周围因素的行为预测
US20230082079A1 (en) Training agent trajectory prediction neural networks using distillation
Gómez-Huélamo et al. Train here, drive there: ROS based end-to-end autonomous-driving pipeline validation in CARLA simulator using the NHTSA typology
WO2022156181A1 (zh) 一种运动轨迹的预测方法及装置
US20240262385A1 (en) Spatio-temporal pose/object database
US20230082365A1 (en) Generating simulated agent trajectories using parallel beam search
CN119475984A (zh) 自动驾驶多车交互式测试场景生成方法、装置及存储介质
Li et al. UAV system integration of real-time sensing and flight task control for autonomous building inspection task
CN118366339A (zh) 防撞系统
US20240176930A1 (en) Increase simulator performance using multiple mesh fidelities for different sensor modalities
CN109582042A (zh) 一种无人机跟随飞行的控制方法和装置
CN116301022A (zh) 基于深度强化学习的无人机集群任务规划方法和装置
KR20230099622A (ko) 비행 계획 관리 방법 및 장치
US12269510B2 (en) Rare scenario handling for autonomous vehicles
US20240385300A1 (en) Simulation of light detection and ranging (lidar) beam-to-beam variation and device-to-device variation
US20240125919A1 (en) Scintillation-based neural network for radar target classification
US20250005235A1 (en) Integrated autonomous vehicle signal quality-based review recommendation system
US20240232476A1 (en) Simulation test validation
EP4538931A1 (en) Behavior prediction using scene-centric representations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication