基于深度学习模型的飞机单发动机滑行检测
机器学习
2024-10-11 v1
摘要
航空业对于全球交通至关重要，但面临着减少其环境足迹的压力，尤其是地面作业（如滑行）的 CO2 排放。单发动机滑行（SET）已成为提高燃油效率和可持续性的有前景的技术。然而，评估 SET 效益受限于 SET 专用数据的可获取性，这些数据通常仅对飞机运营商可 access。本文提出了一种新颖的深度学习方法，用于检测基于地面轨迹数据的 SET 操作。我们的方法使用 A320 航班的专有 Quick Access Recorder（QAR）数据将地面运动标记为 SET 或常规滑行，同时仅使用等效于自动载体监视广播（ADS-B）或地面雷达中可用轨迹特征的数据。这一研究表明，可以从地面运动模式中推断出 SET，为未来与非专有数据源的工作铺平了道路。我们的结果突显了深度学习在提高 SET 检测方面的潜力，并支持更全面的环境影响评估。
引用
@article{arxiv.2410.07727,
title = {On the Detection of Aircraft Single Engine Taxi using Deep Learning Models},
author = {Gabriel Jarry and Philippe Very and Ramon Dalmau and Daniel Delahaye and Arthur Houdant},
journal= {arXiv preprint arXiv:2410.07727},
year = {2024}
}