根据 ONERA [1] 和 EASA [21] 的路线图,实施机器学习 (ML) 技术以提高飞行器的自主性和可靠性是一个非常活跃的研究领域。视觉传感器和计算性能的最新进展以及 ML 技术和算法的改进使基于计算机视觉的解决方案成为改进制导、导航和控制架构的真正资产,例如通过丰富数据融合算法,从而提高无人机的导航性能 [24]。此外,这些解决方案是被动的、廉价的,除了机载摄像头和视觉处理单元外,不需要任何特殊设备。近年来,ONERA 和 ISAE-SUPAERO 为基于计算机视觉的民用飞机自主性和安全性的最新进展做出了重大贡献。尽管获得了宝贵的成果和多次成功的飞行演示,但大多数开发的方法都是基于经典技术,数据驱动算法的使用非常有限,并且考虑的场景仅限于正常能见度条件。因此,其他机器学习方法和架构仍有很大的改进和探索空间,特别是在民用飞机着陆阶段,在正常和下降的能见度条件下。事实上,着陆阶段被认为是迄今为止最关键的阶段,它可以从计算机视觉工具中受益,这些工具可以为飞行员提供信息,甚至可以部分或完全控制飞机。基于视觉的着陆是 EASA CoDANN(神经网络设计保证概念)报告 [6] 中详述的第一个具体示例,需要在传感器生成的图像上识别着陆跑道。
航空母舰是世界上最强大的武器。航空母舰着陆区长度相当于陆地机场的十分之一。由于甲板运动、气流干扰等因素,飞机降落在航母飞行甲板上非常困难。固定翼舰载机在六自由度运动的航母飞行甲板上着陆时,需要实时跟踪甲板运动以减少终端误差。舰载机跟踪甲板运动的航迹控制过程中,不可避免地存在响应延迟,从而导致进近偏差。航母甲板运动预测是减少偏差、提高着舰精度最有效的方法之一。通过为舰载机提供预测的甲板运动信息,可以补偿响应延迟带来的误差。航母甲板运动预测的实现主要基于当前甲板运动和历史运动。可以预测未来几秒内的甲板运动。预测时间过长,预测偏差较大。而预测时间过短,不足以弥补航迹控制过程中飞机的响应延迟。
先进空中机动 (AAM) 飞机需要感知系统,以便在城市、郊区、农村和区域环境中实现精确进近和着陆系统 (PALS)。目前批准用于自动进近和着陆的最先进的方法将难以用于支持 AAM 操作概念。但是,来自其他应用和低 TRL 研究的技术和系统使用视觉、红外、雷达和 GPS 方法为 AAM 飞机进近和着陆提供基线感知和传感要求。本文重点介绍基于视觉的 PAL,以演示闭环基线控制器,同时遵守联邦航空管理局的要求和规定。共面算法确定姿势估计,并将其输入到扩展卡尔曼滤波器中。将 IMU 与视觉相结合,为 GPS 拒绝的环境创建传感器融合导航解决方案。状态估计会导致下滑道和定位器误差计算,这对于设计和推导 AAM PALS 的制导律和控制律至关重要。 IMU 和视觉导航解决方案为 AAM PALS 提供了有希望的模拟结果,更高保真度的模拟将包括计算机图形渲染和特征对应。
尖端技术构建美好未来:宇宙应用的先进技术 隼鸟2号的离子发动机及其潜在应用 隼鸟2号——自主导航、制导和控制系统 支持龙宫小行星精确着陆 隼鸟2号航天器利用太空激光雷达和遥感技术自主着陆 隼鸟2号:系统设计和运行结果 用于高速、大容量数据通信的光学卫星间通信技术 为三朝深空站开发30kW级X波段固态功率放大器 开发世界最高性能的薄膜太阳能电池阵列桨片
2.本手册标准化了地面和飞行程序,但不包括战术理论。除本文授权外,必须遵守规定的手册要求和程序。为了保持有效性,NATOPS 必须充满活力,并激发而不是抑制个人思考。由于航空业是一个持续进步的职业,因此,如果新想法和新技术被证明是合理的,则应迅速对其进行评估和采纳,这是可取且必要的。为此,航空部队指挥官有权根据 OPNAV 指令 3710.7 规定的豁免条款修改此处包含的程序,以便在提出永久性变更建议之前评估新想法。本手册由用户编写并保持最新,以便以最有效和最经济的方式实现最大程度的准备和安全性。如果本手册中的培训和操作程序与其他出版物中的培训和操作程序存在冲突,则以本手册为准。
自 20 世纪 90 年代末以来,SAAB 一直在对几种无人驾驶飞行器 (UAV) 概念进行初步研究,但并未将其用于飞行演示。2001 年,决定启动 SHARC 技术演示项目:一个小型专业团队负责开发、制造和飞行测试一个无人机系统,包括航空电子系统和地面控制站 (GCS),该系统稍后可在稍后开发的第二个演示器(称为 FILUR)中重复使用(见图1)。由于预算有限,并且从仪表化小尺寸飞机的飞行测试中获得良好的内部经验,因此决定 SHARC 技术演示器应为原始 SHARC 设计的 1:4 比例。该项目的主要目标之一是测试军用无人机的适航过程,即使使用小尺寸飞机也可以实现这一目标。甚至测试演示者的精益开发流程的目标也可以通过这种方式实现。SHARC 项目于 2001 年启动,不到一年后首次飞行,
1。简介一般而言,飞机可以分为两类:固定翼和旋转翼,既有优点和缺点。传统固定翼航空车的空气动力学在[1]中介绍,[2-4]中的传统旋转飞机在[1]中提供。关于物体的空气动力学,它受两个主要力的影响:升降和拖动。升力作用于相对风,并反对另一种称为重量的力。阻力与相对风平行,并反对称为推力的力。固定翼航空车的运行取决于有足够的起飞跑道的可用性,这导致了该地点的关键选择。另一方面,这种平台的飞行范围明显长于旋转翼航空车提供的时间。在[3,4]中,有关影响旋转空中的空气动力学的更详细的研究
本文提供了有关起落架结构健康监测 (SHM) 系统开发的信息,该系统通过直接负载测量以及支柱维修检测算法提供预测/诊断 HUMS 功能。该系统通过将新传感器集成到起落架组件中来提供先进的监测技术。直接负载测量方法是当前跟踪机身起落架系统和机身支撑结构疲劳损伤方法的范式转变,这些方法依赖于 SHM 设备以各种采样率在机上记录的飞机参数数据收集。起落架 SHM 提供直接负载测量、重量/平衡计算以及对起落架组件执行基于条件的维护 (CBM) 的能力。NAVAIR 与 ES3 签订合同,通过小型企业创新研究 (SBIR) 计划(通过 N121-043 主题的第二阶段奖励)支持起落架 SHM 的开发。提议的解决方案将直接转移到其他海军、军用和商用飞机平台。本文将讨论 HUMS 和 CBM 领域的以下主题:(1) 用于直接负载测量的先进起落架传感器;(2) 将直接负载监测数据融合到疲劳寿命评估中;(3) 利用支柱维修检测算法实现飞机维护的范式转变;(4) 系统验证和确认;(5) 安全和维护效益。频谱开发和使用监测领域的先前工作通常侧重于飞机结构,将假设转化为起落架组件,而无需任何直接测量。使用监测的好处也可以用于起落架。直接载荷测量能够延长使用寿命、根据实际载荷移除部件、提高安全性、增加飞机可用性,并将 CBM 数据纳入维护实践,从而节省维护成本。本文通过对在高技术就绪水平 (TRL) 下适用于严酷起落架环境的传感器进行小型化,推动了最新技术的发展。
• CPPA:充当指挥成员和支持 TSC 或区域支持中心 (RSC) 之间的主要客户服务联系。职责和责任在 MPM 1000-021 中定义。CPPA 一词指代海军士兵分类 (NEC) 代码为 791F 的人员,但就本 SOP 而言,可能包括直接与船舶人事办公室/TSC 联络的行政代表。此外,就本 SOP 而言,还包括服务成员预备役部队的指挥个人增援协调员 (CIAC) 职责。注意:最近和未来的 NSIPS 编程版本将继续扩展 NSIPS 中的 CPPA 角色和能力。因此,CPPA 可以完成本 SOP 中 TSC 文员分配的步骤,与扩展的 NSIPS 角色和能力以及服务 TSC/RSC 授权一致。
摘要:飞机在着陆过程中的位置至关重要。一组传感器提供数据以获得对飞机定位的最佳估计。但是,数据可能包含异常。为了保证传感器的正确行为,必须检测异常。然后,要么隔离故障传感器,要么过滤检测到的异常。本文提出了一种用于检测和纠正异常的新型神经算法,称为 NADCA。该算法使用紧凑的深度学习预测模型,并使用真实着陆信号中的真实和模拟异常进行了评估。NADCA 检测和纠正快速变化和缓慢移动的异常;无论信号的振荡程度如何,它都很稳健,并且不需要隔离具有异常行为的传感器。无论传感器精度如何,NADCA 都可以实时检测和纠正异常。同样,NADCA 可以处理不同传感器中同时发生的异常,并避免信号之间可能出现的耦合问题。从技术角度来看,NADCA 使用一种新的预测方法和一种新的方法来实时获得平滑信号。NADCA 已被开发用于在飞机着陆期间检测和纠正异常,从而改善向飞行员呈现的信息。尽管如此,NADCA 是一种通用算法,在其他情况下可能有用。NADCA 评估给出的异常检测平均 F 值是 0.97,异常纠正平均均方根误差 (RMSE) 值是 2.10。