认证学习型噪声感知运动规划用于城市空中交通

城市空中交通（UAM）已成为缓解城市拥堵和交通挑战的有前景的解决方案。然而，eVTOL飞机产生的噪音对公众接受度和监管批准构成了重大障碍，可能限制UAM系统的运行范围和可扩展性。因此，UAM系统的成功采用取决于预测生成的噪音水平的能力，并进一步开发符合社区噪音法规且保持运营效率的运动规划策略。为此，本文提出了一种新颖的噪声感知运动规划框架，确保UAM系统符合噪音法规。我们首先开发了一个可认证的神经网络模型，以准确预测eVTOL飞机在城市环境中的噪音传播模式，提供对其正确性的可证明界限。为了达到所需的准确度水平，我们提出了一种主动采样策略，以高效构建用于训练和测试噪音模型的数据集。接下来，我们开发了一种噪声感知运动规划算法，利用噪音模型生成eVTOL飞机轨迹，确保符合社区噪音法规。该算法利用噪音模型的单调结构，高效采样配置空间，确保生成的轨迹既符合噪音法规又具有运营效率。我们通过一系列实验验证了所提出框架的有效性，针对Vahana eVTOL飞机。结果表明，该框架可以为eVTOL飞机编队生成符合社区噪音法规的飞行计划，同时优化运营效率。

这里展示来源摘要及其中文翻译，完整内容请阅读原文。