XiaoMi-AI文件搜索系统
World File Search System驾驶飞机
终端空域中非交通飞机的交通预测：开发框架和绩效评估
本文提出了一种空中交通预测算法，该算法对飞机进行了观察并对其飞机类型进行了分类，估计飞机的意图和加入机场交通模式的方法，并预测飞机的未来轨迹。开发算法，使自动驾驶飞机能够安全地插入非壁炉交通模式，需要解决一些挑战。这些挑战范围从交通检测到传感器融合到自己的船舶轨迹重建。对轨迹重新载体算法至关重要的是有关操作环境中所有交通飞机的未来行为的信息。所提出的交通预测算法通过定期测量交通飞机位置和速度来生成此信息，以按速度类对飞机进行分类，估计飞机将如何接近跑道，并在跑道上构建预测的轨迹，包括未来的位置和速度。提出的算法的预测是任何下游流量测序和自己的SHIP轨迹计划例程的必要输入。使用的算法使用大约300个随机交通轨迹进行基准测试，涵盖了四个车辆重量类别和八种交通输入类型。虽然该算法可以在终端区域处理多个交通车辆，但没有预测交通交通的交互。单独处理每辆交通车辆。
空战指挥
弗吉尼亚州兰利-尤斯蒂斯联合基地——今天，空战司令部发布了一份事故调查委员会报告，报告称一架 MQ-9A 收割者无人机于 2023 年 9 月 3 日坠毁在美国中央司令部责任区内一个未公开地点的水中。此次事故未造成人员死亡，未造成人员受伤，也没有报告平民财产损失。政府财产损失价值 2610 万美元。事故发生时，位于俄亥俄州斯普林菲尔德-贝克利空军国民警卫队基地的第 162 攻击中队的任务控制部门正在美国中央司令部责任区内远程驾驶飞机。任务控制部门由一名飞行员和一名传感器操作员组成。空战司令部主席确定，事故原因是飞行员决定迫降或迫降飞机，而不是返回美国非洲司令部责任区的发射恢复部门。做出这一决定的原因是飞行员未能正确运行电气系统故障检查表，该检查表应保持明确的原始启动发电机诊断，并导致通过紧急任务恢复 LRE；或者在断电时由 MCE 控制移交给 LRE，并执行新的紧急任务作为应急措施。AIB 报告可在此处的飞机事故报告中查看。
被动侧杆和硬着陆 - 有联系吗？
一名飞行员能够感知来自另一名飞行员的飞行控制输入。在多机组驾驶舱中，有一项任务是“飞行飞行员”(PF)，负责驾驶飞机，还有一项是“监控飞行员”(PM)，负责主动监控飞行。美国联邦航空管理局 (FAA) 对 PM 任务的定义是：“监控包括观察和建立心理模型的过程，通过寻找可用信息来比较飞机的实际状态和预期状态。”[2]。在某些情况下，有效的监控是防止事故发生的最后一道防线。然而，在配备了被动侧杆的驾驶舱中，当 PM 不能直接获得飞行控制输入时，很难预测飞机状态。本研究重点关注被动侧杆对商用喷气式飞机硬着陆事故的影响。空中客车于 1987 年在空客 A320 上推出了第一款商用航空被动侧杆[3]。从那时起，被动侧杆逐渐被引入公务机航空领域，2005 年首次引入达索猎鹰 7X。那时，空客已经在商用喷气式飞机航空市场占据了很大份额。2007 年，全球 18% 的商用喷气式飞机都是被动侧杆飞机，全部由空客制造。然而，在过去 10 年里，越来越多的制造商转向被动侧杆系统。2017 年，除了空客之外，还有 3 家制造商
半自主消防系统的设计与开发...
包括自主控制（无人机）和通过无线电发射器控制的遥控飞行器 (RPV)。无人机通常用于派遣人类驾驶飞机风险很高或使用载人飞机不切实际的情况下。无人机的早期用途之一是“空中鱼雷”，设计和制造于第一次世界大战期间。多旋翼飞行器的历史可以追溯到 20 世纪 20 年代末，当时被称为四旋翼旋翼机。这些是原始的无人机，依靠机械陀螺仪保持直线水平飞行，并一直飞行直到燃料耗尽。后来，由于控制部分的复杂性和飞行员的工作量，它被单旋翼飞机所取代，也就是今天所说的直升机。但是，多旋翼无人机因其多种用途和结构完整性以及完美的稳定性而再次受到我们的欢迎。更先进的无人机可以控制飞行。随后，集成电路的发明催生了可通过电子自动驾驶仪控制的无人机。现代无人机既有自动驾驶仪，也有手动控制器。这使它们能够在自己的控制下进行长距离、安全的飞行，并在任务的复杂阶段在人类飞行员的指挥下飞行。多旋翼无人机是一种比空气重的飞机，能够垂直起降 (VTOL)，由带螺旋桨的旋翼推动，这些旋翼位于与地面平行的同一平面上。
在真实飞行条件下使用 ERP 和频谱功率通过六干电极 EEG 系统监测飞行员的心理工作负荷
摘要：最近的技术进步使得低成本、高便携性的大脑传感器（如预放大干电极）的开发成为可能，可用于在实验室外测量认知活动。这项技术为在复杂的现实生活中（例如在操作飞机时）监测“大脑工作”开辟了有希望的前景。但是，需要在实际操作条件下对这些传感器进行基准测试。因此，我们设计了一个场景，其中配备六干电极 EEG 系统的 22 名飞行员必须执行一个低负荷和一个高负荷的飞行模式以及被动听觉异常。在低负荷条件下，参与者正在监控由飞行教练处理的飞行，而在高负荷条件下，他们正在驾驶飞机。在组级别，统计分析显示，与高负荷相比，低负荷条件下听觉目标（Pz、P4 和 Oz 电极）的 P300 幅度更高，α 波段功率（Pz 电极）更高，θ 波段功率（Oz 电极）更高。同时使用事件相关电位和事件相关频率特征的单次试验分类准确率没有超过区分两种负载条件的机会水平。然而，当只考虑在连续信号上计算的频率特征时，分类准确率平均达到 70% 左右。这项研究证明了干脑电图在高度
![arXiv:1904.08477v1 [cs.RO] 2019 年 4 月 17 日](/simg/b\b4b7b976c54a7b9bb3f2c5993243a054a3a24786.webp)
arXiv:1904.08477v1 [cs.RO] 2019 年 4 月 17 日
预测将无人机系统 (UAS) 整合到国家航空航天 (NAS) 中的结果是一个复杂的问题，在允许 UAS 常规进入 NAS 之前，需要通过模拟研究来解决。本论文重点介绍使用博弈论方法提供 2D 和 3D 模拟框架，以评估有人驾驶和无人机共存场景中的整合概念。文献中的根本差距在于有人驾驶和无人机之间相互作用的模型不足：a) 它们假设飞行员行为是先验已知的，b) 它们忽视了决策过程。这项工作的贡献是提出了一个建模框架，其中使用强化学习和称为 k 级推理的博弈论概念来建模人类飞行员的反应以填补这一空白。k 级推理概念基于人类具有不同层次的决策的假设。强化学习是一种植根于人类学习的数学学习方法。在本研究中，我们采用经典和近似强化学习（神经拟合 Q 迭代）方法对飞行员在 2D 和 3D 机动中的延时决策进行建模。在有人驾驶飞机和配备感知和避让算法的全自动 UAS 存在的情况下，使用示例场景对 UAS 集成进行分析。
战术空军司令部攻击 1965 年 12 月 - 空战司令部
操纵杆，鸟儿的反应是进入倒旋。我个人并不责怪它。旋转恢复也是如此。如果你自动启动旋转恢复控制来纠正初始旋转，则可能导致鸟儿旋转。一旦旋转，你应该在鸟儿开始恢复时逐渐放松适当的旋转恢复控制，否则你将最终以相反方向的旋转结束。换句话说，你必须静止驾驶飞机！当某些飞机完全失速时，它们会突然断裂、高偏航率、上仰或同时出现这些情况。试飞员说要中和控制装置并等待。如果鸟儿没有恢复，它将进入完全旋转。等待旋转稳定下来后再尝试恢复。某些飞机不允许这样做，例如 F-100。对于其他飞机，你可以而且应该这样做。有两个目的。••当您将控制杆保持在空档（或已松开）时，它有助于给飞机时间恢复，并让您有时间稳定下来并分析旋转的方向。分析旋转并不是一件容易的事。当承包商飞行员在测试程序中演示旋转时，他有几件事情要做。他研究了工程数据并知道会发生什么。他踢了鸟一下，让它旋转，并希望迫使它朝他想要的方向旋转。此外，他在这方面有很多经验。当您被抛入旋转时，您很可能会陷入困境。您可能一直试图超越另一支部队。突然，您的飞机不再做您希望它做的事情。你与之抗争。它突然折断、翻转并似乎翻滚。此时，飞机内的液体
使用 MUSE 2 低成本系统记录的心脏和神经动态对模拟飞行操作期间的心理负荷进行分类
低成本、高便携性生理系统的进步为监测人类在日常生活活动和驾驶飞机等更复杂任务中的认知过程提供了良好的机会。Muse 2 系统结合了脑电图 (EEG) 和光电容积描记法 (PPG) 传感器，可以提取时域、频域和心率中的神经动力学特征。在一项研究中，我们为五名飞行员配备了 Muse 2 系统，让他们执行低负荷和高负荷交通模式任务以及被动听觉异常任务。组级分析显示，与低负荷条件相比，参与者在高负荷下表现出更高的平均心率、更低的 alpha 波段功率谱密度、更低的 P300 幅度。这些结果与之前在高度控制的环境和研究级仪器中进行的实验室研究一致。基于 EEG 频率特征，在单次试验基础上对两种水平的心理工作负荷进行分类的准确率达到 93.2%。事后分析显示，分类器主要依赖于 beta 和 gamma 波段的运动伪影特征。使用心率和 ERP 特征的分类器分别达到 76% 和 77.8% 的分类准确率。尽管该系统很有趣，但它在移动和神经人体工程学应用方面存在一些局限性，特别是电极数量有限，阻碍了使用先进的信号处理技术来解决信号中的噪声和伪影。
多旋翼飞行器储能配置对飞行时间影响的快速确定方法及评估
摘要：城市空中交通 (UAM) 是指在大都市地区为有人驾驶飞机和无人机系统提供安全高效的空中交通运营，目前正由工业界、学术界和政府进行研究和开发。这种交通方式为构建一个绿色可持续的子行业提供了机会，它借鉴了数十年来航空业的经验教训。由于电动垂直起降 (eVTOL) 飞机操作无污染且空中交通管理简单，目前正在为此目的开发和试验这种技术。然而，要成功完成认证和商业化阶段，需要克服几个挑战，特别是在性能方面，例如飞行时间和续航能力以及可靠性。本文开发了一种快速确定 eVTOL 多旋翼飞行器推进链组件尺寸和选择方法，并在 GTOW 为 15 公斤的电动多旋翼飞行器缩小比例原型上进行了验证。该方法与储能系统配置的比较研究相关，以评估它们对飞行器飞行时间的影响。首先，使用全局非线性优化选择最佳的电机/螺旋桨对，以最大限度地提高这些部件的比效率。其次，确定五种储能技术的尺寸，以评估它们对飞行器飞行时间的影响。最后，基于此尺寸确定过程，使用基于推进链供应商数据的回归方法评估每种储能配置的优化推进链总起飞重量 (GTOW)。
用于评估的 3D 博弈论框架... - arXiv
摘要 — 预测将无人机系统 (UAS) 集成到国家空域系统 (NAS) 的结果是一个复杂的问题，在允许 UAS 常规访问 NAS 之前，需要通过模拟研究来解决。本文重点介绍使用博弈论方法提供一个三维 (3D) 模拟框架，以使用有人驾驶和无人驾驶飞行器共存的场景来评估集成概念。在所提出的方法中，人类飞行员交互式决策过程被纳入空域模型，这可以填补文献中的空白，其中飞行员行为通常被认为是先验已知的。所提出的人类飞行员行为是使用动态 k 级推理概念和近似强化学习建模的。k 级推理概念是博弈论中的一个概念，基于人类具有不同决策水平的假设。在传统的“静态”方法中，每个代理都会对其对手做出假设，并据此选择其行动。另一方面，在动态 k 级推理中，代理可以更新其对对手的信念并修改其 k 级规则。在本研究中，神经拟合 Q 迭代（一种近似强化学习方法）用于对具有 3D 机动的飞行员的时间延长决策进行建模。在有人驾驶飞机和配备感知和避免算法的全自动 UAS 的情况下，使用示例 3D 场景对 UAS 集成进行分析。