航空器轨迹预测——方法概述

* 航空器轨迹预测与车辆轨迹预测较为类似，甚至可以共用一套通用的轨迹预测流程：数据准备-预测-更新-输出。

* 航空器轨迹预测与航天器轨迹预测不同

* 航天与航空的界限：卡门线（距地100km），越过卡门线为航空

一、预测内容

航空器在空域中遵循的路径。

四维航迹预测：纬度、经度、高度、时间维度。

二、分类

1. 按时间尺度分

1）短期预测

预测时间<10min

不做意图预测，不考虑天气，假设操纵固定

（因假设的存在，）预测时间越短，精度越高

2）中长期预测

预测时间>=10min

需要意图预测，环境数据，性能数据、导航数据等辅助信息

（因辅助信息的不确定性，）预测时间越短，精度越高

2. 按预测结果分

1）确定性预测

给出一条预测航迹

标称航迹/最坏情况航迹

最坏情况航迹：假设航空器存在机动性为，考虑最坏情况下的航迹

2）概率性预测

给出多条预测航迹，并计算各条航迹的概率

三、预测流程

1. 数据准备

数据的获取与处理。

2. 预测

初步预测。

3. 更新

根据不断变化的信息更新初步预测的模型。

触发更新的条件：定时更新/累积误差达到阈值

4. 输出

输出航迹。

四、预测模型

1. 状态估计模型

• 单模型估计：卡尔曼滤波、粒子滤波、隐马尔科夫模型等
• 多模型估计：广义伪贝叶斯、交互多模型算法等

根据历史位置进行数学建模。不考虑航空器的质量、受力等因素。

相比于单模型，多模型将运动过程拆解为多个飞行模式，如恒速、协调转弯、恒定下降等，每个小模型的动力学方程相对更简单，（多模型估计整体）计算代价也更大。

2. 动力学模型

• 点质量模型（Point Mass Model， PMM）

通过一组微分方程表示。根据航天器当前的状态（位置、角度、速度、推力、阻力、质量等）、气象条件（风向、风速）、航天器意图，通过在一个时间间隔内的积分微分方程来预测未来航空器轨迹的连续点。

3. 机器学习模型

• 回归模型：局部加权线性回归、局部加权多项式回归等
• 神经网络：BP神经网络、长短期记忆神经网络、深度神经网络

从大量的历史数据中挖掘航空器轨迹的变化规律。