跳到正文

搜索“Air Space Intelligence”

研发设计收录论文、预印本和会议论文；标题保留原文，预印本与设计目标请核对原文。未经过编辑判断的资料展示在全部动态中。

VFS历届eVTOL研讨会与论坛 ↗VFS Forum82论文目录 ↗技术报告与参考资料 ↗
找到 8 条 · 更新于 01:10
2025年1月7日周二
  1. arXiv eVTOL预印本历史资料

    基于物理约束的生成人工智能用于快速起飞轨迹设计

    为助力城市空中交通（UAM），电动垂直起降（eVTOL）飞行器正成为研究目标。传统多学科分析与优化（MDAO）成本高昂，而基于代理模型的优化则难以应对复杂的物理约束。本文提出一种受物理约束的生成对抗网络（physicsGAN），用于智能参数化eVTOL飞行器的起飞控制曲线，并将原始设计空间转换为可行空间。具体而言，转换后的可行空间指的是所有设计直接满足所有设计约束的空间。在Airbus A3 Vahana上展示了基于physicsGAN的代理模型起飞轨迹设计框架。physicsGAN在可行空间中仅生成可行的功率和机翼角度控制曲线，约98.9%的设计满足所有约束条件。所提出的框架与基于仿真的最优设计相比准确率达99.6%，仅需2.2秒，将计算时间减少了约200倍。同时，基于数据驱动的GAN代理模型优化使用无导数优化器耗时21.9秒，速度比所提出的框架慢一个数量级。此外，基于梯度优化器的数据驱动GAN优化在随机试验中无法一致找到最优设计，陷入不可行区域，这在实际应用中存在问题。因此，所提出的基于physicsGAN的设计框架优于数据驱动的GAN框架（预印本；同行评审状态请核对原文。）

2024年4月4日周四
  1. arXiv eVTOL预印本历史资料

    城市空中交通的自组织自由飞行到达

    Urban air mobility is an innovative mode of transportation in which electric vertical takeoff and landing (eVTOL) vehicles operate between nodes called vertiports. We outline a self-organized vertiport arrival system based on deep reinforcement learning. The airspace around the vertiport is assumed to be circular, and the vehicles can freely operate inside. Each aircraft is considered an individual agent and follows a shared policy, resulting in decentralized actions that are based on local information. We investigate the development of the reinforcement learning policy during training and illustrate how the algorithm moves from suboptimal local holding patterns to a safe and efficient final policy. The latter is validated in simulation-based scenarios, including robustness analyses against sensor noise and a changing distribution of inbound traffic. Lastly, we deploy the final policy on small-scale unmanned aerial vehicles to showcase its real-world usability.（预印本；同行评审状态请核对原文。）

6月23日周二
  1. arXiv先进空中交通研究历史资料

    通过先进空中交通走廊实现自主交通的去中心化协调

    将专用走廊用于先进空中交通（AAM）交通是将它们整合到现有空域运行中最常提出的途径之一。大多数先前的研究都集中在AAM走廊网络的设计和走廊内飞行器的冲突解决上。普遍认为，虽然从实施角度来看具有吸引力，但基于走廊的运行可能效率低下，尤其是在没有集中式交通管理的情况下。在本文中，我们证明了与这一观点相反，自主飞行器能够在去中心化环境中学习自我组织成走廊流量。我们使用场景来说明我们的方法，其中固定翼飞机需要安全高效地穿越（1）在出口后有流量控制的单个走廊，（2）一系列连续的两个走廊，以及（3）一个分叉成两个的走廊。我们发现，在只有本地信息的去中心化环境中，飞机超过94%的时间能够符合走廊边界，并以相对高效的方式达到目标。此外，在低密度和中密度设置中，战术干预处理分离最小值的违规情况仅需很少。然而，当交通密度很高时，此类战术干预变得更为必要。（预印本；同行评审状态请核对原文。）

1月29日周四
  1. arXiv先进空中交通研究历史资料

    面向按需空中出租车服务的异构垂直起降平台选择优化：一种深度强化学习方法

    城市空中交通（UAM）作为一种缓解城市拥堵的变革性解决方案，通过利用低空空域，从而减轻地面交通网络的压力。为了实现真正高效且无缝的门到门出行体验，UAM需要与现有的地面交通基础设施紧密集成。然而，目前关于空地移动系统中乘客最优集成路由策略的研究仍有限，缺乏系统性的探索。为了解决这一差距，我们首先提出一个统一的优化模型，该模型整合了空地运输的策略选择。该模型捕捉了多模式运输网络的动态特性，并结合实时交通状况和乘客决策行为。在此模型的基础上，我们提出了一种统一的空地移动协调（UAGMC）框架，该框架利用深度强化学习（RL）和车与万物（V2X）通信来优化垂直港口选择并动态规划空中出租车路线。实验结果表明，与传统比例分配方法相比，UAGMC将平均出行时间减少了34\%，提高了整体出行效率，并为多模式交通系统的集成和优化提供了新的见解。这项工作为通过空地运输模式的协调推进智能城市移动解决方案奠定了坚实基础。相关代码可在https://github.com/Traffic-Alpha找到。（预印本；同行评审状态请核对原文。）

2025年10月21日周二
  1. arXiv先进空中交通研究历史资料

    城市空中交通：通信、管理与可持续性近期进展综述

    城市空中交通（UAM）提供了一种变革性的方法来解决城市拥堵、提高可及性和推进环境可持续性。自2020年以来，三个紧密相关的领域取得了快速进展：（1）通信，动态频谱分配和低空信道特征支持可靠的空地数据交换；（2）UAM管理，提出了针对密集、主要自主城市空域的新空交通控制概念；（3）可持续性，由高效推进、集成充电基础设施和整体环境评估驱动。本文回顾并综合了这些领域的最新研究，比较了最先进的解决方案，并概述了实现可扩展、可持续UAM生态系统的关键技术和基础设施里程碑。（预印本；同行评审状态请核对原文。）

7月23日周四
  1. arXiv先进空中交通研究历史资料

    城市空中交通（UAM）战略冲突解决中的声明式问题求解

    对城市空中交通（UAM）需求的增长给空域管理带来了重大挑战，特别是在人口密集的都市地区。随着无人机、空中出租车和直升机等航空器数量的持续增加，空中碰撞和与现有空域交通及障碍物冲突的风险也随之上升。确保安全高效的UAM运行需要强大的战略冲突解决机制。我们提出了一种基于答案集编程（ASP）的战略冲突解决方法，重点在于时间同步和航线优化以实现无冲突的飞行计划。该解决方案与约束编程（CP）进行基准测试，强调其可扩展性和资源使用情况。结果表明，ASP在中小型案例中执行速度更快且可扩展性更好，而CP则保持稳定的内存使用但随着复杂度增加而性能下降。（预印本；同行评审状态请核对原文。）

2025年12月31日周三
  1. arXiv先进空中交通研究历史资料

    赋能低空经济：一种面向可靠性的多模态无人机波束预测动态加权分配

    低空经济（LAE）正因城市空中交通、物流无人机和空中感知而迅速扩展，而在无人机（UAVs）通信中实现快速且准确的波束预测对于实现可靠的连接至关重要。当前研究正从单一信号转向多模态协同方法。然而，现有的多模态方法大多采用固定或经验权重，假设在任何时刻各模态的可靠性相同。实际上，不同模态的重要性随着无人机运动场景而大幅波动，静态权重会加剧退化模态的负面影响。此外，模态不匹配和弱对齐进一步削弱了跨场景泛化能力。为此，我们提出了一种可靠性感知的动态加权方案，应用于语义感知的多模态波束预测框架，命名为SaM2B。具体而言，SaM2B利用环境视觉、飞行姿态和地理空间数据等轻量级线索，通过可靠性感知的动态权重更新，在不同时间点自适应地分配各模态的贡献。此外，通过利用跨模态对比学习，我们将与特定波束信息相关的"多源表示波束语义"对齐到共享语义空间，从而在模态噪声和分布偏移下增强判别能力和鲁棒性。在真实低空无人机数据集上的实验表明，SaM2B比基线方法取得了更令人满意的结果。（预印本；同行评审状态请核对原文。）

2025年11月19日周三
  1. arXiv eVTOL预印本历史资料

    变压器引导的深度强化学习用于eVTOL无人机最优起飞轨迹设计

    电动垂直起降（eVTOL）飞行器的快速发展为缓解城市交通拥堵带来了良好机遇，但其应用仍受功率需求过高的限制，尤其是在起飞阶段。因此，设计能耗最低的最优起飞轨迹，对于扩大 eVTOL 飞行器的应用至关重要。传统最优控制方法（如动态规划和线性二次调节器）高效且成熟，但受问题维度和复杂性的限制，难以应用。深度强化学习（DRL）是一种应对复杂非线性系统的特殊人工智能方法；然而，训练困难是阻碍 DRL 应用的关键瓶颈。为应对这些挑战，我们提出变换器引导的 DRL 方法，通过变换器在每个时间步探索符合实际的状态空间，以降低训练难度。我们通过一架 eVTOL 无人机的最优起飞轨迹设计，展示了所提出的变换器引导 DRL 方法：在满足起飞条件（即最小垂直位移和最小水平速度）的同时，通过调整控制变量（即功率和机翼相对垂直方向的角度）使能耗最低。结果显示，变换器引导 DRL 智能体经过4.57美元\times10^6$个时间步后学会起飞，相当于原始 DRL 智能体所需19.79美元\times10^6$个时间步的25美元\%$。此外，变换器引导 DRL 在最优能耗方面达到97.2美元\%$的准确率。（预印本；同行评审状态请核对原文。）