基于深度强化学习的城市空中交通最优健康感知运行规划

城市空中交通 (UAM) 旨在通过提供短途飞行来运送乘客或货物，从而扩展大都市地区现有的交通网络。由锂离子电池组驱动的电动垂直起降飞行器被认为在此类应用中具有广阔前景。高效的任务规划至关重要，需在确保即使发生不可预见事件也能完成任务的同时，最大化每次电池充电的飞行次数。随着电池性能退化，由于放电结束预测的不确定性，精确的任务规划变得具有挑战性。这通常导致添加安全裕度，从而减少了单次电池充电下潜在飞行的次数或持续时间。虽然预测放电结束可以支持决策，但在发生不可预见事件（如恶劣天气条件）时仍然不足。这需要健康感知实时控制来应对任何突发事件，并在考虑当前退化状态的同时延长至充电结束的时间。本文解决任务规划与运行参数健康感知实时控制的联合问题，以规范性控制电池组单次放电周期的持续时间。我们提出一种算法，该算法基于电池当前的健康状态，主动规定运行参数以延长放电周期，同时优化任务。所提出的深度强化学习算法促进了运行参数优化和路径规划，并考虑了退化状态，即使在存在不确定性的情况下也是如此。对从硬件在环实验中收集的 NASA 概念多旋翼飞行器模型的模拟飞行评估表明，该算法在各种运行场景下均表现出近最优性能，能够适应环境条件的改变。