無人機沖突探測與解脫技術研究概述

劉繼新, 蔣伶瀟, 劉禹汐, 張新玨

(1.南京航空航天大學民航學院, 南京 211106; 2.國家空管飛行流量管理技術重點實驗室, 南京 211106)

隨著無人機技術的迅速發展,無人機數量急劇增加。2021年底,《“十四五”民用航空發展規劃》提出要著力提升同行服務水平,大力引導無人機創新發展[1]。無人機憑借其靈活度高、低能耗和實時監控能力,已廣泛應用于監測、成像等領域。無人機數量的迅速增加給空域交通安全帶來了挑戰。當前風險主要集中于無人機故障、無人機“黑飛”對行人和基礎設施的風險,以及無人機飛行沖突的風險。為了在不同應用場景下保障無人機的飛行安全,提高空域運行效率,沖突探測與解脫技術作為保障無人機飛行安全的關鍵技術,需要進行重點研究。

現整理中外有關無人機沖突探測與解脫的相關文獻。首先介紹無人機沖突探測與解脫的相關概念;其次對無人機沖突探測方法進行總結;然后從理論模型的角度介紹當下無人機沖突解脫的目標及約束條件,并介紹主要解脫方法;最后對未來可研究方向進行展望。

1 無人機沖突探測與解脫相關概念

無人機在飛行沖突類型上可以分為無人機間、無人機與有人機間以及無人機與其他障礙物之間的沖突探測和解脫[2]。無人機在飛行中的障礙物可以分為靜態障礙物和動態障礙物[3]。靜態障礙物包括建筑物等,動態障礙物包括鳥、風箏和動態劃設的禁飛區等。沖突是指兩個或多個無人機喪失安全距離的事件。沖突探測主要是通過無人機搭載的傳感器(合作/非合作式)獲取當前無人機飛行態勢,根據當前無人機飛行態勢,基于幾何法或概率法來預測無人機的飛行路徑,判斷無人機間的間隔是否小于安全距離,若小于安全間隔,則發生沖突。若發生沖突,無人機通過確定沖突時間和沖突位置,執行相應的解脫方案,保證飛行安全。

環境感知:為了實現環境感知,無人機需要配備傳感設備,包括合作式和非合作式2種[4]。合作式是指飛行器之間可以互相進行通信。常用的合作式包括交通警報和防撞系統(traffic collision avoidance system,TCAS)和自動相關監視-廣播系統(automatic dependent surveillance broadcast, ADS-B)。采用合作式的無人機,需要空域中的其他無人機也攜帶傳感器,而非合作式無需攜帶,便可以探測地面及空中障礙物。TCAS受到載荷限制,不能直接應用于小型無人機,ADS-B系統廣泛應用于航空工業中,可以提供飛機的位置、速度和高度,但是易受地面障礙物的影響,且應用成本較高。非合作式包括雷達、激光/光探測和測距(light detection and ranging, LIDAR)、電光(electro-optical conversion, EO)系統、聲學系統和紅外(instruction register, IR)傳感器。非合作式技術不要求其他飛機在共享相同空域時配備相同的設備以避免碰撞,應用成本也較低。此外,與合作式相比,這些技術可用于檢測地面障礙物以及空中障礙物[5]。無人機沖突探測與解脫流程圖如圖1所示。

圖1 無人機沖突探測與解脫流程圖

2 沖突探測方法

沖突探測從維度來分,可以分為二維和三維平面,二維又可以分為二維水平平面和二維垂直平面。從探測模型的角度來分,可以分為幾何型沖突探測模型和概率型沖突探測模型。幾何法是以無人機為中心設置邊界,建立水平或垂直方向上的無人機保護區模型,基于無人機當前的飛行態勢,對無人機航跡進行預測,當其他航空器侵入時,認為破壞了最小安全間隔,從而判定是否發生沖突。概率型分析方法考慮了無人機導航誤差、風向預測誤差等不確定因素,主要通過建立概率性沖突探測模型,來預測無人機未來發生沖突的概率。沖突探測分類如圖2所示。

圖2 沖突探測分類

2.1 探測模型

無人機沖突探測是在保護區和安全間隔確定的基礎上,對空域中可能存在的危險進行探測。當下針對二維平面,應用較多的保護區模型主要為矩形、圓形、橢圓形;在三維模式下,多用Reich、圓柱體以及球體保護區模型,也有少部分用橢圓保護區模型、動態碰撞區模型[6]等。

無人機進行沖突探測時,往往是采用成對檢測沖突的方法,當無人機數量較多時,該方法計算量大,較復雜。當下針對多無人機情況,也可將空域網格化,對空域進行全局解脫的方法,提高解脫效率。現在常用的無人機沖突探測方法主要分為幾何型沖突探測方法和概率型沖突探測方法。

2.1.1 保護區模型

1)Reich模型

Reich模型最初是于1966年在英國提出的。在沒有導航和雷達監視設備的情況下,通過虛擬出一個碰撞模板和相鄰層來研究縱向、橫向和垂直碰撞風險。但是該方法不考慮不同飛機的幾何結構。魏瀟龍等[7]借鑒Reich模型,建立了移動航空器威脅模型,將無人機看作質點,其他航空器看成圓形障礙物,當質點進入該區域,則判定為沖突。

2)圓柱體保護區模型

圓柱體保護區模型將無人機簡化成質點,并將該點作為圓柱體中心,以最小安全間距為半徑進行水平分隔,以兩倍垂直間距的垂直分隔建立保護區模型。Chryssanthacopoulos等[8]根據最小飛行安全間隔標準將碰撞區定義為三維圓柱體。Zhang等[9]構建了基于沖突區域的圓柱形無人機碰撞風險模型,分析了大型無人機與ADS-B機載傳感器系統進入非隔離空域的碰撞概率,并提出了解決無人機飛行沖突的策略;袁夢婷等[10]利用ADS-B監視技術,從水平和垂直面構建圓柱體保護區模型,進行幾何距離判定沖突目標,引入了綜合啟發函數和排序機制的蟻群算法進行航路重規劃來實現避撞。當下圓柱體保護區模型是以無人機為中心,以無人機最小水平安全間隔為半徑,兩倍的最小垂直間隔為高[11]。根據載人飛行間隔標準,保護區的半徑設為3 000 m,高度設為100 m,最小安全距離為100 m[12]。

3)球體保護區模型

在三維環境中,對于兩架無人機,往往通過計算無人機間的相對速度和距離,將動態避撞問題轉化成靜態問題。當質點與球體(靜止)發生碰撞時,代表發生沖突。在高空領域,Christodoulou等[13]針對多架飛機沖突探測問題,提出了球體保護區模型,將每架飛機由兩個虛擬球體包圍,設置保護區和警戒區。當飛機的保護區重疊時,兩架飛機之間就會發生沖突或失去間隔。球體的半徑需要結合無人機物理尺寸,無人機導航誤差即無人機位置的不確定性等確定。當前球體保護區通常采用半徑9.26 km,垂直尺寸為0.61 km[14]。

3種模型優缺點如表1所示。

表1 保護區的優劣勢對比

2.1.2 幾何型沖突探測方法

1)速度障礙法

速度障礙法定義了一個相對速度障礙區域,當相對速度有重疊時,則無人機之間存在沖突,否則不存在沖突。速度障礙法可以解決無人機實時沖突問題,具有實時性好的特點。張宏宏等[15]針對在融合空域內面臨復雜障礙物時無人機飛行沖突解脫和航跡恢復問題,在速度障礙法的基礎上提出了一種幾何優化方法,根據無人機與障礙物之間的相對位置和速度關系,基于航跡預推模型確定了飛機沖突類型,選取相應的解脫策略;張宏宏等[16]基于有限時間內的速度障礙法進行沖突探測,推導出解脫條件下沖突雙方航向改變量與速度大小改變量滿足的關系,并將合作博弈概念用在沖突解脫過程中,將聯盟福利最優解作為博弈雙方最優解脫策略。吳學禮等[17]針對無人機轉彎角度過大的問題,基于速度障礙法,利用幾何關系建立了探測模型,用改進的互惠速度障礙法和B樣條曲線,通過無人機間的相對速度和位置之間的角度判斷沖突。

2)線性外推法

線性外推法是基于無人機當前位置和速度矢量信息進行沖突探測的幾何優化方法。該方法適用于線性運動的對象,通過計算在預警時間T內,判斷兩對象之間在水平和垂直方向上是否存在安全間隔損失的可能,即無人機是否有發生沖突的可能。該方法在解決多機沖突問題時,不能保證得到的解是最優解。Bilimoria[18]針對二維平面航空器沖突探測問題,基于航空器飛行軌跡的幾何特征,得到沖突解析解,通過速度和航向的調整進行沖突解脫。揭東等[11]針對無人機可能存在的危險,基于線性外推法的飛行沖突預判算法,對無人機飛行沖突進行沖突預警。

除了以上幾種方法,還有部分文章使用混合幾何[18]和碰撞錐方法[19],即3D環境中兩架飛行器之間碰撞問題的幾何分析方法。

2.1.3 概率型沖突探測方法

概率型沖突探測方法是通過計算飛行器發生沖突的概率值來表征危險程度。當概率值超過設定的閾值,則發生沖突。該方法考慮了無人機可能遇到的不確定的情況,如天氣、導航誤差等。概率型沖突探測方法從時間的角度可以分為短期沖突探測和中期沖突探測。短期預測是在幾分鐘內的沖突探測,而中期預測長達幾十分鐘。Prandini等[20]針對同一高度層的飛行沖突,考慮了飛機位置的不確定性,提出了短期預測模型,當監測到沖突時,立即執行沖突解決。徐肖豪等[21]通過構造橢圓形沖突區域,基于概率法提出了一種中期沖突探測模型,結果表明該算法具有良好的預測效果。錢曉鵬等[22]針對沖突探測技術難以實現精準識別和實時識別的問題,基于概率神經網絡(product-based neural network, PNN),考慮了航空器相對距離、相對速度以及沖突角這3個指標,結果表明誤警率和漏警率降低,探測準確度和識別效率得到顯著改善。

當前常用的無人機沖突概率方法有近似分析法、網格計算法和蒙特卡羅法。

(1)近似分析法。近似分析法是指基于飛行器動力學模型和飛行器飛行意圖,預測飛行軌跡,并傳播預測誤差的方法。Hwang等[23]提出了一種計算效率高的短期預測的分析算法來計算任意一對機動或非機動飛機之間的沖突概率,并通過各種示例性空中交通場景證明了該算法的計算效率和準確性。

(2)網格計算法。網格計算法是通過將飛行器運動軌跡離散化來計算沖突概率方法。Hu等[24]提出了一種網格計算方法,通過在時間和空間上離散飛機運動的隨機過程來計算沖突概率,然后使用馬爾可夫鏈來近似隨機微分方程。Yang等[25]針對飛行前無人機沖突檢測問題,提出一種基于時空數據的網格,確定適用于沖突檢測的網格大小,并驗證了沖突檢測方法的可行性和有效性。

(3)蒙特卡羅法。蒙特卡羅法是通過考慮飛行器的航向、速度、位置等,進行多次軌跡模擬,得到侵入保護區的數量,最后計算出無人機沖突概率。Yang等[26]提出了蒙特卡羅模擬法,將飛機意圖信息納入概率沖突檢測。該方法用一系列直線近似一對飛機的相對軌跡。但對轉彎預測不準確。此外,該方法對于三架或更多架飛機沖突場景的計算效率不高,因為它需要對每對飛機進行蒙特卡羅模擬。Jones等[27]引入多項式混沌估計碰撞概率,通過多項式混沌展開近似表示隨機微分方程的解,最后通過蒙特卡羅模擬計算碰撞概率。

幾何型沖突探測方法當下主要用于二維空間,具有操作簡單,可以解決實時性沖突的優點,但在多無人機沖突探測情況下,較復雜,存在局限性。概率分析方法采取數學計算的方法,利用概率來表征發生沖突的可能性,通過與無人機沖突閾值相比做出決策。概率法相較于幾何分析法,更精確,可以直接對安全性和誤報率進行評估,但該方法計算量大,對設備要求高,成本較大。

3 沖突解脫

無人機沖突解脫可以分為起飛前的沖突解脫和起飛后的沖突解脫。飛行前的沖突解脫目的是產生無沖突的飛行路徑,主要通過無人機調度或調整路由的方法來解決潛在沖突。調度是通過調整無人機起飛時間來避免飛行沖突。調整路由是通過改變飛行路徑來避免沖突。該方法在民航領域也廣泛應用。

飛行后的沖突解脫是通過解脫方法來尋找無人機避讓路徑或通過無人機機動方式避免局部沖突。它的沖突解脫效率一定程度上決定了無人機與有人機的融合程度。由于無人機機動性的限制以及轉彎角、航跡段長度、飛行高度等因素的影響,無人機的避讓條件比較嚴格。

無人機解脫機動方式主要包括改變飛行高度、調整速度、改變無人機的航向以及它們的混合機動方式。作為解決沖突的3種手段,它們可以單獨使用,也可以協同使用[27]。沖突解脫也可以描述成一種約束優化問題,無人機的解脫目的是保證無人機在一定時間間隔內,在保障安全間隔的前提下,找到適當成本函數下的最小化軌跡,達到成本最小化。

3.1 理論模型

以下將對無人機沖突解脫常用的目標和約束條件進行綜述。

3.1.1 優化目標

無人機沖突解脫是以保障無人機飛行安全為出發點,在此基礎上,需盡量降低無人機進行沖突解脫的成本,增加無人機的續航能力。因此,沖突解脫問題可以簡化成一個多目標優化問題。飛行器間不發生沖突是前提。

(1)調度優化。在無人機起飛前,通過無人機調度優化,改變無人機起飛時間,來避免潛在沖突。常用的目標函數有最小化無人機沖突[28]、最小化航班延誤和最小化飛行計劃成本[29]。

(2)經濟效益成本。無人機在采取機動措施進行沖突解脫時,為了降低無人機沖突解脫成本,減少沖突時間以及燃油消耗情況,增加無人機續航能力。常用的目標函數有飛行總長度最短[7, 30-31]、總飛行時間最小化[13]、燃油成本最小[32-34]、航向轉彎次數、最小航向變化[33]、沖突解脫時間最小化[11]、反沖突機動對其他無人機的影響最小化[34]。

(3)航跡恢復。在無人機沖突解脫完成之后,需要恢復初始的飛行軌跡,并按照要求抵達終點。為了使無人機在解決沖突的同時,盡可能小的偏離原航線,常用的目標函數有延誤距離最小化[10, 30, 35-36]、最小化飛行器軌跡變化[35]。當延誤距離越小,沖突解脫相應的效果也越好。

(4)公平性。無人機進行多機沖突解脫時,為了讓無人機快速規劃找到目標解,會面臨無人機個體支付問題不均衡的問題。需要運用一定的解脫方法,提高自由飛行條件下多機實時沖突解脫效率以及解決無人機沖突解脫過程個體支付成本不均勻的問題。張宏宏等[35]提出基于合作博弈“核仁解”概念的多機沖突解脫算法,保證了個體解脫成本公平性,并基于人工勢場法-蟻群法的混合求解策略,快速生成無人機解脫路徑。蔣旭瑞等[37]構建了合作博弈沖突解脫模型,將聯盟福利作為最優解,并提出了3種效用函數以保證在解脫代價最小化的情況下,均衡各參與人的效益,最后利用粒子群算法縮短計算時間;管祥民等[38]基于滿意博弈論的方法,考慮條件概率的方法建立“社會關系”,設置飛行器解脫優先級,在考慮個體的情況下,實現解脫整體最優化。

3.1.2 約束條件

在一定空域范圍內,無人機沖突解脫所建立的模型,不僅需要保證無人機飛行安全,而且必須兼顧無人機的沖突解脫成本。因此,理論模型中通常需要包含以下約束條件。

(1)飛行計劃約束。無人機需要依據不同的任務制定相應的飛行計劃,并按照不同飛行任務進行飛行計劃的申報。飛行計劃是保證飛行安全的第一步[39]。當前常用的飛行計劃約束有最小化飛行計劃、初始飛行計劃偏差最小[28]。

(2)最小安全間隔約束。無人機間以及無人機與障礙物間需要保持一定的安全間隔,保障無人機飛行安全,以防發生沖突。當前常用的約束有最小安全距離,即無人機間隔損失。當前無人機常用的飛行安全間隔為20 km[30]。

(3)無人機機動能力約束。無人機運行時會受到自身結構、性能的限制。常用的約束函數有最大轉彎角度約束[10]、角速度約束[11]、水平加速度約束[11]、航向角度約束[11, 35]、飛行高度約束、飛行包線約束[40]。飛行包線約束是指無人機采取機動之后,如改變航向等,無人機不可以規避的區域。

(4)解脫實時性約束。低空空域環境復雜,無人機有種類眾多,執行任務多樣化且飛行路徑不規則的特點,所以發生沖突的概率也較大。因此,無人機避障計算時間要盡可能小,盡可能達到實時性解脫的目標,以此來應對不同場景中的障礙物。常用的約束有沖突解脫時間最小化[30, 35, 41],當解脫計算時間越少,意味著沖突解脫效率越高,解脫實時性越強。

(5)空間約束。無人機在低空空域運行時,會受到一定地理條件限制,包括禁飛區、危險區等不允許無人機進入的空域。融合空域內運行的無人機需要考慮地理威脅因素,包括建筑物、山體等對無人機運行軌跡有影響的障礙物,因此,在生成解脫路徑時需要考慮空間約束條件。

3.2 沖突解脫常用方法

(1)基于規則的沖突解脫方法。基于規則的沖突解脫方法是通過調度或重新調整飛行路徑的方式進行解脫。該方法主要用于無人機物流配送領域,根據無人機飛行任務,預先規劃無人機的飛行計劃。該方法沖突解脫效率較高,執行時間短,但是靈活性很差,當對多無人機進行調度時,重新路由可能會造成飛行沖突數量增加。Mellinger等[42]提出了一種基于軸對齊最小邊界框的算法檢測沖突,并通過添加中間航路點來改變無人機的飛行計劃,并利用遺傳算法協同解決沖突。張洪海等[29]針對城市環境下物流無人機飛行計劃調配問題,以無人機運輸成本和延誤成本最小為目標,建立多約束物流無人機飛行計劃預先調配模型,并設計了基于綜合優先級的飛行計劃預先調配算法。

(2)幾何法。幾何法是當下最常用的沖突解脫方法。它是通過建立無人機與障礙物的空間幾何關系,在判斷出現沖突之后,無人機采取相應的機動措施進行沖突解脫。常用的幾何解脫方法有最小接近點法(closest point of approach,CPA)[43],主成分分析法(principal component analysis,PCA),碰撞錐方法(collision cone approach,CCA)、速度障礙法等。最小接近點法指的是兩個動態移動的物體達到其最接近距離的位置[44]。將最接近的距離與保護區所設置的安全距離進行比較,若小于安全間隔則發生沖突。CPA是通過評估兩架無人機之間最差的沖突狀況,這些幾何算法很難得到平滑的路徑。CCA是指創建球體或圓柱體區域之后,通過將飛行器的相對速度調整為與空間區域相切的狀態,然后采取機動措施。幾何法可以有效解決成對無人機的沖突,但在進行多無人機沖突解脫時,較復雜,一般不使用該方法。

(3)人工勢場法。在勢場法中,每架飛機都被視為帶電粒子,修改后的靜電方程用于產生沖突解決機動[45]。它將目標路徑定義為引力函數,障礙物定義為斥力函數。該方法計算量小,效率較高,可以用于無人機目標追蹤場景,解決無人機在復雜環境下實時沖突解脫問題,但容易陷入局部極小值,不具備全局規劃的能力。林立雄等[46]針對無人機在追蹤目標的過程中實時避障的問題,利用激光傳感器獲得障礙物在無人機所處高度的二維位置信息,提出了一種改進人工勢場局部實時避障方法,結果表明該算法可有效進行無人機實時避障。

(4)數學規劃方法。數值優化方法主要有非線性規劃[28]、混合整數線性規劃[6, 33]、二次規劃、動態規劃算法等。該方法計算量較大。

(5)軌跡規劃算法。軌跡規劃算法可以分為長期(數十分鐘)和短期(數十秒)軌跡規劃算法。當前應用較多的算法有集中式混合整數二次優化算法[42]、遺傳算法[47]、蟻群算法[48]、粒子群算法[49]、改進人工蜂群算法[50]、麻雀搜索算法[51]、RRT算法[52]等。符強等[51]針對無人機在三維復雜環境中多約束的最優化問題,提出了一種增強型改進麻雀搜索算法用于無人機路徑規劃,結果表明算法的尋優精度、穩定性以及收斂速度均得到了提高。這些算法廣泛用于低空城市物流、海域巡檢的路徑規劃,可以解決多約束問題,但不具備實時性,需提前確定沖突點的位置才可以進行沖突解脫。并且該智能算法計算時間不可預測,也無法按照實時控制系統在有限時間內確保收斂方案,收斂速度慢,容易陷入局部最優解。

(6)圖論。圖論是基于圖形的解脫算法,首先需要對無人機空域運行環境進行分割,如正三角形柵格法和十字柵格法等,再利用搜索算法得到無人機解脫路徑。常用的算法有A*算法[53-55]、Dijkstra算法、Dubins曲線、Voronoi圖等。這些方法可用于無人機路徑規劃領域,根據飛行任務和飛行環境等要求,滿足無人機性能要求前提下,執行任務前,無人機可以找到一條從起點到終點的最優、平滑路徑。這些算法主要用于進行二維無人機沖突解脫,無法解決多無人機沖突問題。傳統的算法不具備實時規劃路徑的能力。Dijkstra算法簡單直接,但路徑搜索效率低,需要遍歷整個地圖。A*算法是Dijkstra算法與貪心算法的結合,尋路效率更高。程潔等[53]針對現有路徑規劃算法無法滿足超低空物流運輸無人機在密集障礙物場景下進行安全軌跡規劃的問題,基于A*算法,以規劃風險最小軌跡為目標,從時間、風險兩個維度對算法的成本估計函數進行重構,最終在兼顧航程的同時也規劃出安全性更高的路徑。

(7)蒙特卡羅算法。蒙特卡羅算法是基于概率和統計的算法。該方法可以對沖突解脫算法有效性進行評估。付其喜等[56]提出了雙層優化策略,即先利用隨機并行梯度下降法求初始可行解,再運用序列二次規劃求得最優解以進行最優的航向解脫。最后運用蒙特卡羅法對算法進行了可靠性評價。該算法在無人機的防撞問題上,主要用于解決一對無人機,往往不能兼顧整個空域的無人機。

(8)深度強化學習。深度強化學習是將具有感知能力的深度學習與具有決策能力的強化學習相結合。通過與外界環境的交互,不斷優化自身行為的算法。該算法被廣泛應用于機器運動、無人駕駛及電力系統等領域,主要解決無人機目標監測與自主避障問題。該算法環境適應性強,在復雜環境中,能有效提高無人機避障效率,并且在無人機實時避障問題上表現更好。張香竹等[57]針對基于單目視覺的無人機避障問題,提出基于單目深度估計和目標檢測的四旋翼自主避障方法,結果表明該算法具有較好的自主避障性能。針對無人機自主避障及動態目標追蹤問題,Chen等[58]基于傳統的Q學習,提出了深度Q網,實現了二維環境中對目標無人機的快速追蹤;Bhagat S等[59]在不同仿真環境中,基于DQN深度Q網進行目標跟蹤,驗證了算法的有效性;江未來等[60]以深度Q網絡算法為基礎,提出一種多經驗深度Q網絡算法,使無人機避障與追蹤的成功率和算法的收斂性得到優化。胡多修等[61]建立了遠距離自主引導與近距離伴飛避障2個階段的馬爾可夫決策過程模型。

幾何算法考慮了無人機與障礙物的位置,具有實時性好,計算相對簡單的特點,可以及時進行沖突解脫,但很難獲得比較平滑的路徑,并且在進行多無人機沖突解脫時,不能保證得到最優解;智能算法可以進行全局搜索,尋找最優解,但是這類方法適用范圍較窄,需要先確定沖突點,才能進行沖突解脫。計算時間較長,實時性差。當下深度強化學習算法實時性和全局規劃能力表現較好,環境適應性強,且可以平滑飛行軌跡,縮短飛行距離,提高飛行的安全性。

4 結論

近年來,中外學者就無人機沖突探測與解脫方向展開了多維度、多角度的探討及研究,不斷涌現出新的理論、方法和技術,這些方法為無人機進入融合空域提供新的強有力支撐。以下將從無人機保護區、沖突探測以及沖突解脫3個方面對未來研究方向進行展望。

(1)基于無人機保護區的研究,當下研究主要集中在靜態保護區,靜態保護區模型簡單,但忽略了無人機的機型,為了使保護區模型更貼合無人機實際的避撞和決策,未來可進行動態保護區的研究,對任意投影面的碰撞區進行研究,進一步推廣碰撞區的適應性。

(2)基于網格的沖突探測。傳統的沖突探測需對無人機進行成對沖突檢測,計算量與空域中的實體數量的增加成幾何增長,計算量大,且現有網格探測也不適用于具有高速移動對象的場景。未來可基于空域網格編碼技術,進行沖突探測研究,提高無人機沖突解脫計算效率,如何確定網格大小,提高探測效率是一大難題。

(3)傳統的沖突解脫算法,幾何法簡單但計算量大,不適用于多無人機解脫;軌跡優化算法全局規劃能力強,實時性差,需提前確定環境中障礙物的信息,適合起飛前的飛行計劃制定;勢場法實時性好,路徑平滑但容易陷入局部最優解;基于深度強化學習的探測與解脫實時性和全局性表現良好,且環境適應性強,但訓練時間長,收斂速度慢。未來可以使用強化學習技術補充幾何方法的不足。

(4)當前該研究方向主要集中于靜態環境中的無人機探測、解脫和風險研究,研究普適性不高,未來可針對動態風險,如天氣、風等以及不確定飛行路徑的無人機,對基于風險的實時沖突解決的方法進行研究,例如,將博弈論思想用在優化算法中,解決實時沖突解決問題,使研究更貼合實際應用。

(5)構建無人機空中交通管理體系。在民航飛行領域,已經擁有成熟的空中交通管理體系,航空器在起飛前會制定嚴格的飛行計劃,保證航空器安全。低空無人機研究集中于飛行過程中的沖突探測與解脫研究,而缺乏對起飛前的飛行計劃制定沖突探測與解脫研究較少,未來可基于四維航跡制定完整的飛行計劃,進行無人機全過程飛行計劃研究。

基于目前的發展現狀,理論與實踐之間存在差距,未來發展應注重算法在真實運行場景中的運用。