基于改进卷积网络的终端区4D航迹预测与冲突检测

随着不断扩大的旅客运输量和航线网络规模,采用飞行计划结合空中交通管制的空中管理办法已经不能与当前民航需求和空中交通流量相匹配,直接影响到航班正常率和运行安全。为解决这一问题,国际民航组织(International Civil Aviation Organization,ICAO)提出了基于航迹运行(trajectory based operation,TBO)的下一代空中交通管理运行理念,中国民航也提出了智慧民航的建设方案和目标。其中4D航迹是TBO运行的核心组成部分,也是中国建设智慧民航的重要技术指标,其可以对航空器的运行进行精确地管理和控制。因此,提高4D航迹预测的准确性成为了目前急需解决的核心问题。面向航空器的飞行任务实施阶段,从4D航迹预测和冲突检测两个问题进行了研究。在航迹预测方面,采用了基于卷积神经网络-双向门控循环单元(convolutional neural networks-bidirectional gated recurrent unit,CNN-BiGRU)的模型对航迹进行高精度预测;在冲突检测方面,引入了航迹距离检测函数以检验预测模型生成的两条航迹是否存在冲突。通过使用某繁忙终端区真实广播自动相关监视(automatic dependent surveillance-broadcast,ADS-B)历史轨迹数据进行实验,并将该方法与同一数据集上的单一长短时记忆网络(long short-term memory,LSTM)模型和门控循环单元(gated recurrent unit,GRU)模型进行了比较。仿真实验表明,CNN-BiGRU模型的评价指标均优于对比模型,同时预测的两条航迹在未来800 s内不存在冲突。所提出的方法为空中交通管理提供了一种有效的手段,具有重要的应用价值。

基于4D卷积和混合注意力的驾驶行为检测方法

交通状况的复杂性和不确定性往往会影响驾驶行为模型的检测性能,为准确从前方道路视频中检测出本车的驾驶行为,提出一种基于混合注意力的4D卷积神经网络(MA4DN)模型。结合4D残差卷积块,MA4DN模型具备同时建模短程和长程时空表征的能力;为MA4DN设计一种混合注意力模块(MAM),联合学习时空感知特征、通道依赖特征和运动上下文特征等多类型信息;设计一种融合focal loss的损失函数,增强MA4DN模型对难样本的学习能力。在一个自然驾驶数据集上的实验结果表明,MA4DN的检测精度和泛化能力明显优于其它先进的3D卷积神经网络模型。