城市低空eVTOL密集航路下的多机冲突检测与自动解脱控制系统设计.docxVIP

PAGE2

城市低空eVTOL密集航路下的多机冲突检测与自动解脱控制系统设计

摘要

随着城市空中交通(UAM)的快速发展，电动垂直起降飞行器(eVTOL)在低空空域的大规模运行即将成为现实。然而，密集航路下多机飞行冲突的实时检测与安全解脱是制约其商业化运营的关键瓶颈。本课题针对这一核心痛点，设计了一套基于深度学习的多机冲突检测与自动解脱控制系统。系统以时空图卷积网络(ST-GCN)构建冲突预测模型，利用飞行器间的时空交互特征实现高精度、低延迟的冲突风险预警；在此基础上，提出基于深度强化学习(DRL)的解脱轨迹生成与控制策略，使飞行器在密集航路中能够自主生成无冲突的四维航迹并执行机动。设计遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进思路，首先从城市低空运行场景出发，明确了系统功能与非功能需求；进而设计了感知层、决策层、控制层三层解耦的总体架构，并划分了状态感知、冲突预测、轨迹生成、执行控制等核心模块；详细设计中给出了ST-GCN模型结构与训练流程，以及基于PPO算法的解脱策略网络设计；最后在仿真环境中实现了系统原型，并通过多场景测试验证了冲突检测准确率大于95%、解脱成功率大于98%且平均响应时间小于200ms的性能指标。本设计的创新点在于：将图神经网络引入多机冲突时空建模，突破了传统方法在高密度、动态场景下的预测瓶颈；同时将强化学习应用于连续空间的轨迹优化，实现