基于 Diffusion-RL 的空中交通冲突检测与解决方法

在全球空中交通持续增长的背景下，高效且安全的冲突检测与解决（Conflict Detection and Resolution, CD&R）是空中交通管理的关键。尽管深度强化学习（Deep Reinforcement Learning, DRL）为 CD&R 自动化提供了可行的路径，但现有方法常因其“单一模式偏差”（unimodal bias）导致决策灵活性不足，在应对复杂动态约束时常出现“决策僵局”。为克服这一限制，本文首次将扩散概率模型引入安全关键的 CD&R 任务中，提出一种名为 Diffusion-AC 的新型自主冲突解决框架。不同于传统方法收敛至单一最优解，本框架将其策略建模为受价值函数引导的逆去噪过程，从而能够生成丰富、高质量且多模态的动作分布。该核心架构辅以密度递增安全课程（Density-Progressive Safety Curriculum, DPSC）进行训练，确保代理人在从稀疏到高密度交通环境中逐步学习的稳定高效。大量仿真实验表明，所提方法显著优于一系列最新 DRL 框架。最重要的是，在最具挑战性的高密度场景中，Diffusion-AC 不仅保持 94.1% 的高成功率，还将近空中碰撞（Near Mid-Air Collisions, NMACs）发生率约降低 59%，显著提升了系统的安全裕度。这一性能飞跃源于其独特的多模态决策能力，使代理人能够灵活切换至有效备选机动方案。