无人机冲突探测与解脱技术研究概述

刘继新, 蒋伶潇, 刘禹汐, 张新珏

(1.南京航空航天大学民航学院, 南京 211106; 2.国家空管飞行流量管理技术重点实验室, 南京 211106)

随着无人机技术的迅速发展,无人机数量急剧增加。2021年底,《“十四五”民用航空发展规划》提出要着力提升同行服务水平,大力引导无人机创新发展[1]。无人机凭借其灵活度高、低能耗和实时监控能力,已广泛应用于监测、成像等领域。无人机数量的迅速增加给空域交通安全带来了挑战。当前风险主要集中于无人机故障、无人机“黑飞”对行人和基础设施的风险,以及无人机飞行冲突的风险。为了在不同应用场景下保障无人机的飞行安全,提高空域运行效率,冲突探测与解脱技术作为保障无人机飞行安全的关键技术,需要进行重点研究。

现整理中外有关无人机冲突探测与解脱的相关文献。首先介绍无人机冲突探测与解脱的相关概念;其次对无人机冲突探测方法进行总结;然后从理论模型的角度介绍当下无人机冲突解脱的目标及约束条件,并介绍主要解脱方法;最后对未来可研究方向进行展望。

1 无人机冲突探测与解脱相关概念

无人机在飞行冲突类型上可以分为无人机间、无人机与有人机间以及无人机与其他障碍物之间的冲突探测和解脱[2]。无人机在飞行中的障碍物可以分为静态障碍物和动态障碍物[3]。静态障碍物包括建筑物等,动态障碍物包括鸟、风筝和动态划设的禁飞区等。冲突是指两个或多个无人机丧失安全距离的事件。冲突探测主要是通过无人机搭载的传感器(合作/非合作式)获取当前无人机飞行态势,根据当前无人机飞行态势,基于几何法或概率法来预测无人机的飞行路径,判断无人机间的间隔是否小于安全距离,若小于安全间隔,则发生冲突。若发生冲突,无人机通过确定冲突时间和冲突位置,执行相应的解脱方案,保证飞行安全。

环境感知:为了实现环境感知,无人机需要配备传感设备,包括合作式和非合作式2种[4]。合作式是指飞行器之间可以互相进行通信。常用的合作式包括交通警报和防撞系统(traffic collision avoidance system,TCAS)和自动相关监视-广播系统(automatic dependent surveillance broadcast, ADS-B)。采用合作式的无人机,需要空域中的其他无人机也携带传感器,而非合作式无需携带,便可以探测地面及空中障碍物。TCAS受到载荷限制,不能直接应用于小型无人机,ADS-B系统广泛应用于航空工业中,可以提供飞机的位置、速度和高度,但是易受地面障碍物的影响,且应用成本较高。非合作式包括雷达、激光/光探测和测距(light detection and ranging, LIDAR)、电光(electro-optical conversion, EO)系统、声学系统和红外(instruction register, IR)传感器。非合作式技术不要求其他飞机在共享相同空域时配备相同的设备以避免碰撞,应用成本也较低。此外,与合作式相比,这些技术可用于检测地面障碍物以及空中障碍物[5]。无人机冲突探测与解脱流程图如图1所示。

图1 无人机冲突探测与解脱流程图

2 冲突探测方法

冲突探测从维度来分,可以分为二维和三维平面,二维又可以分为二维水平平面和二维垂直平面。从探测模型的角度来分,可以分为几何型冲突探测模型和概率型冲突探测模型。几何法是以无人机为中心设置边界,建立水平或垂直方向上的无人机保护区模型,基于无人机当前的飞行态势,对无人机航迹进行预测,当其他航空器侵入时,认为破坏了最小安全间隔,从而判定是否发生冲突。概率型分析方法考虑了无人机导航误差、风向预测误差等不确定因素,主要通过建立概率性冲突探测模型,来预测无人机未来发生冲突的概率。冲突探测分类如图2所示。

图2 冲突探测分类

2.1 探测模型

无人机冲突探测是在保护区和安全间隔确定的基础上,对空域中可能存在的危险进行探测。当下针对二维平面,应用较多的保护区模型主要为矩形、圆形、椭圆形;在三维模式下,多用Reich、圆柱体以及球体保护区模型,也有少部分用椭圆保护区模型、动态碰撞区模型[6]等。

无人机进行冲突探测时,往往是采用成对检测冲突的方法,当无人机数量较多时,该方法计算量大,较复杂。当下针对多无人机情况,也可将空域网格化,对空域进行全局解脱的方法,提高解脱效率。现在常用的无人机冲突探测方法主要分为几何型冲突探测方法和概率型冲突探测方法。

2.1.1 保护区模型

1)Reich模型

Reich模型最初是于1966年在英国提出的。在没有导航和雷达监视设备的情况下,通过虚拟出一个碰撞模板和相邻层来研究纵向、横向和垂直碰撞风险。但是该方法不考虑不同飞机的几何结构。魏潇龙等[7]借鉴Reich模型,建立了移动航空器威胁模型,将无人机看作质点,其他航空器看成圆形障碍物,当质点进入该区域,则判定为冲突。

2)圆柱体保护区模型

圆柱体保护区模型将无人机简化成质点,并将该点作为圆柱体中心,以最小安全间距为半径进行水平分隔,以两倍垂直间距的垂直分隔建立保护区模型。Chryssanthacopoulos等[8]根据最小飞行安全间隔标准将碰撞区定义为三维圆柱体。Zhang等[9]构建了基于冲突区域的圆柱形无人机碰撞风险模型,分析了大型无人机与ADS-B机载传感器系统进入非隔离空域的碰撞概率,并提出了解决无人机飞行冲突的策略;袁梦婷等[10]利用ADS-B监视技术,从水平和垂直面构建圆柱体保护区模型,进行几何距离判定冲突目标,引入了综合启发函数和排序机制的蚁群算法进行航路重规划来实现避撞。当下圆柱体保护区模型是以无人机为中心,以无人机最小水平安全间隔为半径,两倍的最小垂直间隔为高[11]。根据载人飞行间隔标准,保护区的半径设为3 000 m,高度设为100 m,最小安全距离为100 m[12]。

3)球体保护区模型

在三维环境中,对于两架无人机,往往通过计算无人机间的相对速度和距离,将动态避撞问题转化成静态问题。当质点与球体(静止)发生碰撞时,代表发生冲突。在高空领域,Christodoulou等[13]针对多架飞机冲突探测问题,提出了球体保护区模型,将每架飞机由两个虚拟球体包围,设置保护区和警戒区。当飞机的保护区重叠时,两架飞机之间就会发生冲突或失去间隔。球体的半径需要结合无人机物理尺寸,无人机导航误差即无人机位置的不确定性等确定。当前球体保护区通常采用半径9.26 km,垂直尺寸为0.61 km[14]。

3种模型优缺点如表1所示。

表1 保护区的优劣势对比

2.1.2 几何型冲突探测方法

1)速度障碍法

速度障碍法定义了一个相对速度障碍区域,当相对速度有重叠时,则无人机之间存在冲突,否则不存在冲突。速度障碍法可以解决无人机实时冲突问题,具有实时性好的特点。张宏宏等[15]针对在融合空域内面临复杂障碍物时无人机飞行冲突解脱和航迹恢复问题,在速度障碍法的基础上提出了一种几何优化方法,根据无人机与障碍物之间的相对位置和速度关系,基于航迹预推模型确定了飞机冲突类型,选取相应的解脱策略;张宏宏等[16]基于有限时间内的速度障碍法进行冲突探测,推导出解脱条件下冲突双方航向改变量与速度大小改变量满足的关系,并将合作博弈概念用在冲突解脱过程中,将联盟福利最优解作为博弈双方最优解脱策略。吴学礼等[17]针对无人机转弯角度过大的问题,基于速度障碍法,利用几何关系建立了探测模型,用改进的互惠速度障碍法和B样条曲线,通过无人机间的相对速度和位置之间的角度判断冲突。

2)线性外推法

线性外推法是基于无人机当前位置和速度矢量信息进行冲突探测的几何优化方法。该方法适用于线性运动的对象,通过计算在预警时间T内,判断两对象之间在水平和垂直方向上是否存在安全间隔损失的可能,即无人机是否有发生冲突的可能。该方法在解决多机冲突问题时,不能保证得到的解是最优解。Bilimoria[18]针对二维平面航空器冲突探测问题,基于航空器飞行轨迹的几何特征,得到冲突解析解,通过速度和航向的调整进行冲突解脱。揭东等[11]针对无人机可能存在的危险,基于线性外推法的飞行冲突预判算法,对无人机飞行冲突进行冲突预警。

除了以上几种方法,还有部分文章使用混合几何[18]和碰撞锥方法[19],即3D环境中两架飞行器之间碰撞问题的几何分析方法。

2.1.3 概率型冲突探测方法

概率型冲突探测方法是通过计算飞行器发生冲突的概率值来表征危险程度。当概率值超过设定的阈值,则发生冲突。该方法考虑了无人机可能遇到的不确定的情况,如天气、导航误差等。概率型冲突探测方法从时间的角度可以分为短期冲突探测和中期冲突探测。短期预测是在几分钟内的冲突探测,而中期预测长达几十分钟。Prandini等[20]针对同一高度层的飞行冲突,考虑了飞机位置的不确定性,提出了短期预测模型,当监测到冲突时,立即执行冲突解决。徐肖豪等[21]通过构造椭圆形冲突区域,基于概率法提出了一种中期冲突探测模型,结果表明该算法具有良好的预测效果。钱晓鹏等[22]针对冲突探测技术难以实现精准识别和实时识别的问题,基于概率神经网络(product-based neural network, PNN),考虑了航空器相对距离、相对速度以及冲突角这3个指标,结果表明误警率和漏警率降低,探测准确度和识别效率得到显著改善。

当前常用的无人机冲突概率方法有近似分析法、网格计算法和蒙特卡罗法。

(1)近似分析法。近似分析法是指基于飞行器动力学模型和飞行器飞行意图,预测飞行轨迹,并传播预测误差的方法。Hwang等[23]提出了一种计算效率高的短期预测的分析算法来计算任意一对机动或非机动飞机之间的冲突概率,并通过各种示例性空中交通场景证明了该算法的计算效率和准确性。

(2)网格计算法。网格计算法是通过将飞行器运动轨迹离散化来计算冲突概率方法。Hu等[24]提出了一种网格计算方法,通过在时间和空间上离散飞机运动的随机过程来计算冲突概率,然后使用马尔可夫链来近似随机微分方程。Yang等[25]针对飞行前无人机冲突检测问题,提出一种基于时空数据的网格,确定适用于冲突检测的网格大小,并验证了冲突检测方法的可行性和有效性。

(3)蒙特卡罗法。蒙特卡罗法是通过考虑飞行器的航向、速度、位置等,进行多次轨迹模拟,得到侵入保护区的数量,最后计算出无人机冲突概率。Yang等[26]提出了蒙特卡罗模拟法,将飞机意图信息纳入概率冲突检测。该方法用一系列直线近似一对飞机的相对轨迹。但对转弯预测不准确。此外,该方法对于三架或更多架飞机冲突场景的计算效率不高,因为它需要对每对飞机进行蒙特卡罗模拟。Jones等[27]引入多项式混沌估计碰撞概率,通过多项式混沌展开近似表示随机微分方程的解,最后通过蒙特卡罗模拟计算碰撞概率。

几何型冲突探测方法当下主要用于二维空间,具有操作简单,可以解决实时性冲突的优点,但在多无人机冲突探测情况下,较复杂,存在局限性。概率分析方法采取数学计算的方法,利用概率来表征发生冲突的可能性,通过与无人机冲突阈值相比做出决策。概率法相较于几何分析法,更精确,可以直接对安全性和误报率进行评估,但该方法计算量大,对设备要求高,成本较大。

3 冲突解脱

无人机冲突解脱可以分为起飞前的冲突解脱和起飞后的冲突解脱。飞行前的冲突解脱目的是产生无冲突的飞行路径,主要通过无人机调度或调整路由的方法来解决潜在冲突。调度是通过调整无人机起飞时间来避免飞行冲突。调整路由是通过改变飞行路径来避免冲突。该方法在民航领域也广泛应用。

飞行后的冲突解脱是通过解脱方法来寻找无人机避让路径或通过无人机机动方式避免局部冲突。它的冲突解脱效率一定程度上决定了无人机与有人机的融合程度。由于无人机机动性的限制以及转弯角、航迹段长度、飞行高度等因素的影响,无人机的避让条件比较严格。

无人机解脱机动方式主要包括改变飞行高度、调整速度、改变无人机的航向以及它们的混合机动方式。作为解决冲突的3种手段,它们可以单独使用,也可以协同使用[27]。冲突解脱也可以描述成一种约束优化问题,无人机的解脱目的是保证无人机在一定时间间隔内,在保障安全间隔的前提下,找到适当成本函数下的最小化轨迹,达到成本最小化。

3.1 理论模型

以下将对无人机冲突解脱常用的目标和约束条件进行综述。

3.1.1 优化目标

无人机冲突解脱是以保障无人机飞行安全为出发点,在此基础上,需尽量降低无人机进行冲突解脱的成本,增加无人机的续航能力。因此,冲突解脱问题可以简化成一个多目标优化问题。飞行器间不发生冲突是前提。

(1)调度优化。在无人机起飞前,通过无人机调度优化,改变无人机起飞时间,来避免潜在冲突。常用的目标函数有最小化无人机冲突[28]、最小化航班延误和最小化飞行计划成本[29]。

(2)经济效益成本。无人机在采取机动措施进行冲突解脱时,为了降低无人机冲突解脱成本,减少冲突时间以及燃油消耗情况,增加无人机续航能力。常用的目标函数有飞行总长度最短[7, 30-31]、总飞行时间最小化[13]、燃油成本最小[32-34]、航向转弯次数、最小航向变化[33]、冲突解脱时间最小化[11]、反冲突机动对其他无人机的影响最小化[34]。

(3)航迹恢复。在无人机冲突解脱完成之后,需要恢复初始的飞行轨迹,并按照要求抵达终点。为了使无人机在解决冲突的同时,尽可能小的偏离原航线,常用的目标函数有延误距离最小化[10, 30, 35-36]、最小化飞行器轨迹变化[35]。当延误距离越小,冲突解脱相应的效果也越好。

(4)公平性。无人机进行多机冲突解脱时,为了让无人机快速规划找到目标解,会面临无人机个体支付问题不均衡的问题。需要运用一定的解脱方法,提高自由飞行条件下多机实时冲突解脱效率以及解决无人机冲突解脱过程个体支付成本不均匀的问题。张宏宏等[35]提出基于合作博弈“核仁解”概念的多机冲突解脱算法,保证了个体解脱成本公平性,并基于人工势场法-蚁群法的混合求解策略,快速生成无人机解脱路径。蒋旭瑞等[37]构建了合作博弈冲突解脱模型,将联盟福利作为最优解,并提出了3种效用函数以保证在解脱代价最小化的情况下,均衡各参与人的效益,最后利用粒子群算法缩短计算时间;管祥民等[38]基于满意博弈论的方法,考虑条件概率的方法建立“社会关系”,设置飞行器解脱优先级,在考虑个体的情况下,实现解脱整体最优化。

3.1.2 约束条件

在一定空域范围内,无人机冲突解脱所建立的模型,不仅需要保证无人机飞行安全,而且必须兼顾无人机的冲突解脱成本。因此,理论模型中通常需要包含以下约束条件。

(1)飞行计划约束。无人机需要依据不同的任务制定相应的飞行计划,并按照不同飞行任务进行飞行计划的申报。飞行计划是保证飞行安全的第一步[39]。当前常用的飞行计划约束有最小化飞行计划、初始飞行计划偏差最小[28]。

(2)最小安全间隔约束。无人机间以及无人机与障碍物间需要保持一定的安全间隔,保障无人机飞行安全,以防发生冲突。当前常用的约束有最小安全距离,即无人机间隔损失。当前无人机常用的飞行安全间隔为20 km[30]。

(3)无人机机动能力约束。无人机运行时会受到自身结构、性能的限制。常用的约束函数有最大转弯角度约束[10]、角速度约束[11]、水平加速度约束[11]、航向角度约束[11, 35]、飞行高度约束、飞行包线约束[40]。飞行包线约束是指无人机采取机动之后,如改变航向等,无人机不可以规避的区域。

(4)解脱实时性约束。低空空域环境复杂,无人机有种类众多,执行任务多样化且飞行路径不规则的特点,所以发生冲突的概率也较大。因此,无人机避障计算时间要尽可能小,尽可能达到实时性解脱的目标,以此来应对不同场景中的障碍物。常用的约束有冲突解脱时间最小化[30, 35, 41],当解脱计算时间越少,意味着冲突解脱效率越高,解脱实时性越强。

(5)空间约束。无人机在低空空域运行时,会受到一定地理条件限制,包括禁飞区、危险区等不允许无人机进入的空域。融合空域内运行的无人机需要考虑地理威胁因素,包括建筑物、山体等对无人机运行轨迹有影响的障碍物,因此,在生成解脱路径时需要考虑空间约束条件。

3.2 冲突解脱常用方法

(1)基于规则的冲突解脱方法。基于规则的冲突解脱方法是通过调度或重新调整飞行路径的方式进行解脱。该方法主要用于无人机物流配送领域,根据无人机飞行任务,预先规划无人机的飞行计划。该方法冲突解脱效率较高,执行时间短,但是灵活性很差,当对多无人机进行调度时,重新路由可能会造成飞行冲突数量增加。Mellinger等[42]提出了一种基于轴对齐最小边界框的算法检测冲突,并通过添加中间航路点来改变无人机的飞行计划,并利用遗传算法协同解决冲突。张洪海等[29]针对城市环境下物流无人机飞行计划调配问题,以无人机运输成本和延误成本最小为目标,建立多约束物流无人机飞行计划预先调配模型,并设计了基于综合优先级的飞行计划预先调配算法。

(2)几何法。几何法是当下最常用的冲突解脱方法。它是通过建立无人机与障碍物的空间几何关系,在判断出现冲突之后,无人机采取相应的机动措施进行冲突解脱。常用的几何解脱方法有最小接近点法(closest point of approach,CPA)[43],主成分分析法(principal component analysis,PCA),碰撞锥方法(collision cone approach,CCA)、速度障碍法等。最小接近点法指的是两个动态移动的物体达到其最接近距离的位置[44]。将最接近的距离与保护区所设置的安全距离进行比较,若小于安全间隔则发生冲突。CPA是通过评估两架无人机之间最差的冲突状况,这些几何算法很难得到平滑的路径。CCA是指创建球体或圆柱体区域之后,通过将飞行器的相对速度调整为与空间区域相切的状态,然后采取机动措施。几何法可以有效解决成对无人机的冲突,但在进行多无人机冲突解脱时,较复杂,一般不使用该方法。

(3)人工势场法。在势场法中,每架飞机都被视为带电粒子,修改后的静电方程用于产生冲突解决机动[45]。它将目标路径定义为引力函数,障碍物定义为斥力函数。该方法计算量小,效率较高,可以用于无人机目标追踪场景,解决无人机在复杂环境下实时冲突解脱问题,但容易陷入局部极小值,不具备全局规划的能力。林立雄等[46]针对无人机在追踪目标的过程中实时避障的问题,利用激光传感器获得障碍物在无人机所处高度的二维位置信息,提出了一种改进人工势场局部实时避障方法,结果表明该算法可有效进行无人机实时避障。

(4)数学规划方法。数值优化方法主要有非线性规划[28]、混合整数线性规划[6, 33]、二次规划、动态规划算法等。该方法计算量较大。

(5)轨迹规划算法。轨迹规划算法可以分为长期(数十分钟)和短期(数十秒)轨迹规划算法。当前应用较多的算法有集中式混合整数二次优化算法[42]、遗传算法[47]、蚁群算法[48]、粒子群算法[49]、改进人工蜂群算法[50]、麻雀搜索算法[51]、RRT算法[52]等。符强等[51]针对无人机在三维复杂环境中多约束的最优化问题,提出了一种增强型改进麻雀搜索算法用于无人机路径规划,结果表明算法的寻优精度、稳定性以及收敛速度均得到了提高。这些算法广泛用于低空城市物流、海域巡检的路径规划,可以解决多约束问题,但不具备实时性,需提前确定冲突点的位置才可以进行冲突解脱。并且该智能算法计算时间不可预测,也无法按照实时控制系统在有限时间内确保收敛方案,收敛速度慢,容易陷入局部最优解。

(6)图论。图论是基于图形的解脱算法,首先需要对无人机空域运行环境进行分割,如正三角形栅格法和十字栅格法等,再利用搜索算法得到无人机解脱路径。常用的算法有A*算法[53-55]、Dijkstra算法、Dubins曲线、Voronoi图等。这些方法可用于无人机路径规划领域,根据飞行任务和飞行环境等要求,满足无人机性能要求前提下,执行任务前,无人机可以找到一条从起点到终点的最优、平滑路径。这些算法主要用于进行二维无人机冲突解脱,无法解决多无人机冲突问题。传统的算法不具备实时规划路径的能力。Dijkstra算法简单直接,但路径搜索效率低,需要遍历整个地图。A*算法是Dijkstra算法与贪心算法的结合,寻路效率更高。程洁等[53]针对现有路径规划算法无法满足超低空物流运输无人机在密集障碍物场景下进行安全轨迹规划的问题,基于A*算法,以规划风险最小轨迹为目标,从时间、风险两个维度对算法的成本估计函数进行重构,最终在兼顾航程的同时也规划出安全性更高的路径。

(7)蒙特卡罗算法。蒙特卡罗算法是基于概率和统计的算法。该方法可以对冲突解脱算法有效性进行评估。付其喜等[56]提出了双层优化策略,即先利用随机并行梯度下降法求初始可行解,再运用序列二次规划求得最优解以进行最优的航向解脱。最后运用蒙特卡罗法对算法进行了可靠性评价。该算法在无人机的防撞问题上,主要用于解决一对无人机,往往不能兼顾整个空域的无人机。

(8)深度强化学习。深度强化学习是将具有感知能力的深度学习与具有决策能力的强化学习相结合。通过与外界环境的交互,不断优化自身行为的算法。该算法被广泛应用于机器运动、无人驾驶及电力系统等领域,主要解决无人机目标监测与自主避障问题。该算法环境适应性强,在复杂环境中,能有效提高无人机避障效率,并且在无人机实时避障问题上表现更好。张香竹等[57]针对基于单目视觉的无人机避障问题,提出基于单目深度估计和目标检测的四旋翼自主避障方法,结果表明该算法具有较好的自主避障性能。针对无人机自主避障及动态目标追踪问题,Chen等[58]基于传统的Q学习,提出了深度Q网,实现了二维环境中对目标无人机的快速追踪;Bhagat S等[59]在不同仿真环境中,基于DQN深度Q网进行目标跟踪,验证了算法的有效性;江未来等[60]以深度Q网络算法为基础,提出一种多经验深度Q网络算法,使无人机避障与追踪的成功率和算法的收敛性得到优化。胡多修等[61]建立了远距离自主引导与近距离伴飞避障2个阶段的马尔可夫决策过程模型。

几何算法考虑了无人机与障碍物的位置,具有实时性好,计算相对简单的特点,可以及时进行冲突解脱,但很难获得比较平滑的路径,并且在进行多无人机冲突解脱时,不能保证得到最优解;智能算法可以进行全局搜索,寻找最优解,但是这类方法适用范围较窄,需要先确定冲突点,才能进行冲突解脱。计算时间较长,实时性差。当下深度强化学习算法实时性和全局规划能力表现较好,环境适应性强,且可以平滑飞行轨迹,缩短飞行距离,提高飞行的安全性。

4 结论

近年来,中外学者就无人机冲突探测与解脱方向展开了多维度、多角度的探讨及研究,不断涌现出新的理论、方法和技术,这些方法为无人机进入融合空域提供新的强有力支撑。以下将从无人机保护区、冲突探测以及冲突解脱3个方面对未来研究方向进行展望。

(1)基于无人机保护区的研究,当下研究主要集中在静态保护区,静态保护区模型简单,但忽略了无人机的机型,为了使保护区模型更贴合无人机实际的避撞和决策,未来可进行动态保护区的研究,对任意投影面的碰撞区进行研究,进一步推广碰撞区的适应性。

(2)基于网格的冲突探测。传统的冲突探测需对无人机进行成对冲突检测,计算量与空域中的实体数量的增加成几何增长,计算量大,且现有网格探测也不适用于具有高速移动对象的场景。未来可基于空域网格编码技术,进行冲突探测研究,提高无人机冲突解脱计算效率,如何确定网格大小,提高探测效率是一大难题。

(3)传统的冲突解脱算法,几何法简单但计算量大,不适用于多无人机解脱;轨迹优化算法全局规划能力强,实时性差,需提前确定环境中障碍物的信息,适合起飞前的飞行计划制定;势场法实时性好,路径平滑但容易陷入局部最优解;基于深度强化学习的探测与解脱实时性和全局性表现良好,且环境适应性强,但训练时间长,收敛速度慢。未来可以使用强化学习技术补充几何方法的不足。

(4)当前该研究方向主要集中于静态环境中的无人机探测、解脱和风险研究,研究普适性不高,未来可针对动态风险,如天气、风等以及不确定飞行路径的无人机,对基于风险的实时冲突解决的方法进行研究,例如,将博弈论思想用在优化算法中,解决实时冲突解决问题,使研究更贴合实际应用。

(5)构建无人机空中交通管理体系。在民航飞行领域,已经拥有成熟的空中交通管理体系,航空器在起飞前会制定严格的飞行计划,保证航空器安全。低空无人机研究集中于飞行过程中的冲突探测与解脱研究,而缺乏对起飞前的飞行计划制定冲突探测与解脱研究较少,未来可基于四维航迹制定完整的飞行计划,进行无人机全过程飞行计划研究。

基于目前的发展现状,理论与实践之间存在差距,未来发展应注重算法在真实运行场景中的运用。