用于学习可解释飞行着陆参数的隧道高斯过程模型
机器学习
2021-08-03 v3 机器人学
摘要
进近与着陆事故已在全球造成大量机体损失。人们已开发相关技术（如仪表着陆系统）与程序（如稳定进近准则）以降低风险。本文提出一种数据驱动方法，用于学习并解释飞行的进近与着陆参数，从而提供对飞行动力学可理解且可操作的洞察。具体而言，我们开发了两种隧道高斯过程（TGP）模型变体，利用高级场面活动引导与控制系统（A-SMGCS）数据来阐明飞机的进近与着陆动力学，进而指示飞行的稳定性。TGP 融合了稀疏变分高斯过程与极坐标高斯过程的优势，以在柱坐标下从大量数据中学习。我们通过合成三个复杂轨迹数据集对 TGP 进行定性与定量检验，并将 TGP 与现有轨迹学习方法进行比较。经验上，TGP 展现出更优的建模性能。当应用于实际运行的 A-SMGCS 数据时，TGP 提供了着陆动力学的生成式概率描述以及进近与着陆参数的可解释隧道视图。这些概率隧道模型有助于程序符合性分析，并可增强现有机组与空中交通管制员在进近与着陆程序中的显示，以实现必要的纠正动作。
引用
@article{arxiv.2011.09335,
title = {A Tunnel Gaussian Process Model for Learning Interpretable Flight's Landing Parameters},
author = {Sim Kuan Goh and Narendra Pratap Singh and Zhi Jun Lim and Sameer Alam},
journal= {arXiv preprint arXiv:2011.09335},
year = {2021}
}
备注
Accepted by Journal of Guidance, Control, and Dynamics