基于密度聚类与匹配算法的异常飞行行为挖掘

在空中交通愈加拥挤的背景下,航空器的异常飞行行为的有效挖掘可以辅助管制员进行调配决策。现有方法只能辨识飞机空间位置特征异常,存在水平可扩展性的局限。本文考虑位置、速度、高度和航向4个异常特征,采用高度层划分策略、局部异常因子和快速覆盖树对基于密度的有噪声应用中的空间聚类（Density-based spatial clustering of applications with noise, DBSCAN）方法进行改进,提出局部异常因子改进的考虑速度、方向及高度的基于密度聚类方法（Density-based spatial clustering considering speed, direction and high level improved by local outlier factor,LOFDBSC-SDH）密度聚类算法对正常航迹模式进行快速准确提取。然后,基于正常航迹模式设计考虑过点时间和上述异常特征的航迹匹配算法,挖掘异常飞行行为。最后,通过实验仿真验证了本文方法的有效性和应用价值。     

NASA无人机运行管理系统ICAROUS框架分析

NASA和FAA提出了无人机系统交通管理(UTM)概念,旨在将低空无人机运行纳入国家空域范围,实现无人机在城市、应急等运行场景下的大规模安全运行。作为UTM项目的一部分,NASA开发了无人机运行管理系统的“无人系统可靠运行集成可配置算法框架(ICAROUS)”,该框架集成了无人机低空安全运行所需的飞行决策、地理围栏、路径规划以及空中交通冲突探测与避让等关键功能,并提供了软件在环仿真和地面控制站接口。通过剖析ICAROUS源代码分析了NASA无人机运行管理框架的研究进展,从架构、算法实现以及关键参数等方面解读了该框架的若干核心功能。最后,为中国无人机运行管理技术的发展提出了建议。