基于图学习的城市空中交通垂直起降场多机起降决策支持

在城市空中交通（UAM）概念下，大多数飞行器预计为电动垂直起降（eVTOL）载具类型，其将以垂直起降场（vertiport）为运营基地。虽这类似于通用航空飞机与机场的关系，但垂直起降场设想位于密集城市环境中，这给管理由单一垂直起降场服务的空中交通带来了独特挑战。随着计划降落与起飞频次增加，该挑战愈发显著。本文假设一个集中式空中交通管制员（ATC）来探索一种新的人工智能驱动的ATC方法在管理该垂直起降场服务的eVTOL方面的性能。最小间隔驱动的安全与延误是此情形下的两个重要考量。该ATC问题被建模为任务分配问题，并将由于通信中断（如链路质量差）与恶劣天气（如高阵风效应）带来的不确定性作为小概率的动作失败加入。为学习垂直起降场ATC策略，我们开发了一种称为“城市空中交通-垂直起降场调度管理（UAM-VSM）”的新型基于图的强化学习（RL）方案。该方法利用图卷积网络（GCN）将垂直起降场空间与eVTOL空间抽象为图，并为集中式ATC智能体聚合信息以助泛化环境。Unreal Engine结合Airsim被用作训练与测试发生的仿真环境。由于在此类逼真仿真上Mc采样的成本高昂，不确定性仅于测试阶段考量。所提图RL方法相较可行的随机决策基线与先到先服务（FCFS）基线在测试场景上展现出显著更优性能，包括泛化至未见场景及含不确定性的能力。