XiaoMi-AI文件搜索系统
World File Search System飞机轨迹
通过深度学习实现远程控制 - NSF PAR
摘要 — 人类遥控 (RC) 飞行员能够仅使用第三人称视角视觉感知来感知飞机的位置和方向。虽然新手飞行员在学习控制遥控飞机时经常会遇到困难，但他们可以相对轻松地感知飞机的方向。在本文中，我们假设并证明深度学习方法可用于模仿人类从单目图像感知飞机方向的能力。这项工作使用神经网络直接感知飞机姿态。该网络与更传统的图像处理方法相结合，用于飞机的视觉跟踪。来自卷积神经网络 (CNN) 的飞机轨迹和姿态测量值与粒子滤波器相结合，可提供飞机的完整状态估计。介绍了网络拓扑、训练和测试结果以及滤波器开发和结果。在模拟和硬件飞行演示中测试了所提出的方法。
风速控制和障碍物清除限制起飞...
为了确保在发动机严重失效的情况下飞行安全，商用飞机必须按照 14 CFR § 25.121 的规定达到最低爬升梯度。这些规定的爬升梯度与许多起飞程序中严格的起飞最低标准不相称；许多从布满障碍物的机场起飞的重型飞机被迫绕过障碍物，因为它们的发动机失效爬升梯度远低于安全飞越所需的值。在这里，我们研究了逆风或顺风的存在如何影响模拟 10 节逆风或顺风的发动机失效障碍物清除。我们发现，对于较轻的起飞重量和较低的爬升速度，飞机轨迹对风的敏感度更高。在合理的飞行重量下，实际风可能会消耗掉 FAA 的整个“总净”飞行路径安全裕度。同时，我们看不出任何理由为什么风速责任应该影响选择延长第二段的起飞。
硕士论文 - UPCommons
考虑到预期的空中交通增长，创新和开发能够更高效、更安全地管理飞机运营的新工具对于实现未来的期望是必不可少的。在这种情况下，能够准确预测飞机轨迹以确保高效的飞机运营（例如，航班规划和调度、飞行轨迹预测等）以及使空中交通管理 (ATM) 系统更加强大（包括地面 ATC 系统、预测 ATC 部门的需求等）非常重要。预测它们的方法是基于飞机性能模型 (APM)，即允许根据取决于执行飞行的飞机的一些特定系数对飞机性能进行建模的方程组。因此，预测轨迹的准确性将直接取决于所使用的飞机性能模型。如果 APM 不能反映现实，则预测轨迹将不够准确。此外，由于这些轨迹不再符合实际性能模型的最佳性能，因此飞机运营的成本效益和环境影响将降低。因此，需要尽可能真实地使用飞机性能模型。本硕士论文的目标是设计一种算法，该算法能够估计描述所考虑的飞机性能模型的函数系数，该算法将是
自由路线空域
航空的非CO 2气候影响强烈依赖于排放时的大气条件。因此，可以通过计划轨迹重新列出具有重大气候影响的空域区域来减轻其相关的气候影响。识别这种气候敏感区域需要特定的天气变量。如果不考虑飞行计划中的不考虑，不可避免的不确定天气预报会导致飞机轨迹效率低下。当前的研究解决了在使用集合预测系统中特征的气象不确定性下生成强大气候友好的飞行计划的问题。我们基于强大跟踪最佳控制理论的概念引入了一个框架，以制定和解决拟议的飞行计划问题。气象不确定性对飞机性能变量的影响是使用配制的集合飞机动力学模型捕获的，并通过惩罚性能指数方差来控制。案例研究表明，所提出的方法可以产生气候优化的轨迹，对天气不确定性的敏感性最小。
交流120-123
1.1 本咨询通告 (AC) 的目的。本咨询通告为《联邦法规汇编》第 14 篇 (14 CFR) 第 121 和 135 部分下的运营商以及第 142 部分培训中心提供指导和建议做法，以制定运营政策、程序和培训，支持有效的飞行路径管理 (FPM)。FPM 是在飞行中或地面上对飞机轨迹和能量的引导和控制的规划、执行和保证。FPM 为运营和培训提供了统一的框架，以满足第 121 部分及其附录和第 135 部分的监管要求。在过去几十年中，行业团体、研究机构和监管机构针对 FPM 主题生成了大量报告、研究和建议。本咨询通告中涉及的 FPM 主题包括手动飞行操作 (MFO)、管理自动化系统、飞行员监控 (PM) 和能源管理。这些主题需要按照美国联邦航空管理局 (FAA) 第 121 部分、§§ 121.419 至 121.427 和附录 E 和 F 以及第 135 部分的要求进行培训。
通过大规模飞行数据分析评估机场着陆效率
摘要 轨迹优化是航空运输和空中交通管理的一个主要研究课题，因为它对乘客、航空公司和整个环境都有深远的影响，从而对航空运输的感知价值和成本也有深远的影响。虽然人们很好地理解了优化飞行途中部分的挑战，但对最后一部分，即进近和着陆的关注相对较少。在这里，我们展示了如何使用开放的大规模飞机轨迹数据集来表征飞机降落在机场的效率，通过在 10,000 英尺以下飞行的时间和距离来测量。产生的图像高度异质，在低空停留的时间从苏黎世的平均 10 分钟到伦敦希思罗机场的 16 分钟不等。抵达同一机场的航班也会经历截然不同的时间，例如伦敦希思罗机场的到达时间从 12 分钟到 20 分钟不等，具体取决于交通量、一年中的时间和一天中的时间，以及与其他交通模式和机场的互动等因素。从更一般的角度来看，本文说明了如何利用大型数据集的可用性来提高我们对系统实际行为的理解，尤其是其与计划的偏差。
通过大规模飞行数据分析评估机场着陆效率
摘要 轨迹优化是航空运输和空中交通管理的一个主要研究课题，因为它对乘客、航空公司和整个环境都有深远的影响，从而对航空运输的感知价值和成本也有深远的影响。虽然人们很好地理解了优化飞行途中部分的挑战，但对最后一部分，即进近和着陆的关注相对较少。在这里，我们展示了如何使用开放的大规模飞机轨迹数据集来表征飞机降落在机场的效率，通过在 10,000 英尺以下飞行的时间和距离来测量。产生的图像高度异质，在低空停留的时间从苏黎世的平均 10 分钟到伦敦希思罗机场的 16 分钟不等。抵达同一机场的航班也会经历截然不同的时间，例如伦敦希思罗机场的到达时间从 12 分钟到 20 分钟不等，具体取决于交通量、一年中的时间和一天中的时间，以及与其他交通模式和机场的互动等因素。从更一般的角度来看，本文说明了如何利用大型数据集的可用性来提高我们对系统实际行为的理解，尤其是其与计划的偏差。
学习飞机运行因素以改善飞机爬升预测：一项大规模多机场研究
地面飞机轨迹预测是空中交通管制和管理的主要关注点。安全有效的预测是实施新自动化工具的先决条件。在当前的操作中，轨迹预测是使用物理模型计算的。它模拟作用在飞机上的力，以预测未来轨迹的连续点。使用这样的模型需要了解飞机状态（质量）和飞机意图（推力定律、速度意图）。大部分这些信息对于地面系统来说是不可用的。本文重点关注爬升阶段。我们通过预测一些未知的点质量模型参数来提高轨迹预测精度。这些未知参数是质量和速度意图。本研究依赖来自 OpenSky 网络的 ADS-B 数据。它包含该传感器网络检测到的 2017 年的爬升段。研究了 11 种最常见的飞机类型。获得的数据集包含来自世界各地的数百万个爬升段。爬升段未根据其高度进行过滤。使用机器学习方法从该数据集中学习返回缺失参数的预测模型。训练后的模型在一年的最后两个月进行测试，并与基线方法（使用 BADA 和前十个月计算的平均参数）进行比较。与此基线相比，机器学习方法降低了海拔高度的 RMSE
最终项目成果报告 - SESAR 联合承诺
本文档提供了 AGENT 最终项目成果，总结了项目概况中取得的定性和定量绩效、与 SESAR 计划的联系，并提供了 WP 级别的经验教训和一套详细的新研究领域，可作为未来研究的路线图，以将 AGENT 框架推向更高的 TRL。该文件由 AGENT 联盟成员编写，概括了项目每个领域开展的活动。AGENT 框架促进了轨迹管理、分离管理和防撞活动之间的操作集成，以实现无缝高效的安全程序，提出了通过协商交通 (AGENT) 概念的自适应自治空中生态系统。AGENT 设想了一种高效飞行、安全的协作和监督分离管理，在操作上集成到轨迹管理和防撞层。新开发的框架依靠空中生态系统的概念，通过合作高效的无冲突框架，在战术层面的分离管理和操作层面的防撞算法之间实现无缝过渡。空中生态系统可以理解为复杂自适应系统的范例，其中飞机轨迹会随着时间的推移而变化和发展，因为生态系统成员与其不断变化的环境之间的相互作用。
最终项目结果报告 - SESAR 联合承诺
本文件提供了 AGENT 最终项目结果，总结了项目概述中所取得的定性和定量绩效、与 SESAR 计划的联系，并提供了 WP 级别的经验教训和一套详尽的新研究领域，这些领域将被视为未来研究的路线图，以将 AGENT 框架推向更高的 TRL。该文件由 AGENT 联盟成员编写，并回顾了项目每个领域开展的活动。AGENT 框架促进了轨迹管理、分离管理和防撞活动之间的操作集成，以实现无缝高效的安全程序，提出了通过协商交通 (AGENT) 概念实现自适应自治空中生态系统。AGENT 设想了一种高效、安全的协作和监督分离管理，在操作上与轨迹管理和防撞层集成。新开发的框架依靠空中生态系统的概念，通过合作高效的无冲突框架，在战术层面的分离管理和操作层面的防撞算法之间提供无缝过渡。空中生态系统可以理解为复杂自适应系统的范例，其中飞机轨迹会随着时间的推移而变化和发展，因为生态系统成员与其不断变化的环境之间的相互作用。