用于定义和预测飞机轨迹的系统和方法

摘要

本发明的方法包括获取飞机性能特征和大气层数据两者的输入数据，并且定义其中飞机轨迹必须经受的轨迹参数，所述方法还包括定义飞机轨迹参数；获取多个大气层预报集合；从大气层预报集合中的每个大气层预报计算预测轨迹，所述预测轨迹具有关于飞机轨迹的一定品质因数的相关信息，其中预测轨迹的集合从每个大气层预报集合中获得，预测轨迹的集合中的每个预测轨迹具有由在大气层预报集合内的每个大气层预报的概率推导的相关概率；本公开的系统包括所有必要的设备以实现本公开的方法。

说明书

技术领域

如在本说明书的标题中所表达，本发明涉及用于在飞行期间定义和预测最合适的飞机轨迹的方法和相关系统，每个所述飞机轨迹最合适地达到由位于飞机上或位于飞机外的飞行管理者先前确立的预定品质因数，所述飞行管理者为人或机器。

本发明尤其适用于电子和航空电子工业以及空中交通管理领域。

背景技术

飞机轨迹定义是飞行管理者必须面对以便达到涉及一定品质因数(FOM)的一些计划目标的重要任务。

当确立哪个飞机轨迹被认为是用于两个地理位置之间飞行的最佳的一个时，不存在用于定义什么是“最佳轨迹”的唯一标准，因此存在不同准则，根据所述不同准则，不同飞机轨迹可以被同时认为“最佳的一个”，这取决于哪个目标被认为是由一定飞行来达到的主要目的。

这些目标，还称为“品质因数”(FOM)，依据节省费用、节省时间，节省距离或飞行管理者可确立的任何任务来定义。

因此，看起来明显的是，可以被认为依据用于两个地理位置之间飞行的节约时间是最佳的一个的飞机轨迹，可以不是依据节省成本最佳的一个，反之亦然。

当考虑到在其中飞机要飞行的飞行轨迹的不同区段中的天气条件时，根据要优化的FOM选择最合适的轨迹的问题增加其复杂性。

天气条件能够很大程度上影响在飞行和实现所提出的目标期间飞机的性能，所以极其方便的是，甚至当没有强制性时，避免在其中预报风暴或强风的区域，或至少能够确定这些气象方面在何种程度上影响一定FOM在一定轨迹中的实现。

在这些方面，飞行管理者目前以确定性方式考虑到天气条件，也就是说，他们分析对于大的地带和相当长一段时间被认为是有效的唯一预报，因此不从考虑不同可能的预报(指定给所述预报中的每个一定概率)的目前可用数字模型预报中获利。

与天气预报相关联的不确定性被认为是在飞行期间影响飞机轨迹的定义和预测的不确定性的最大来源。

即，如果我们期待知道哪个轨迹可以是依据节省成本最佳的一个(最便宜的一个)，并且我们不考虑若干天气场景，那么在确实是最便宜的一个所选择的轨迹中的不确定性大。

因此，目前关注管理许多不确定性来源中的飞行管理，以便减少其相关不确定性，避免不确定性扩散到预测轨迹中。

发明内容

本公开通过利用用于准确定义与轨迹定义和预测有关的所有参数的新颖描述语言(即，飞机意图描述语言，AIDL)解决所提及的问题，因此抑制轨迹描述中的不确定性的一个来源，其是与轨迹定义相关联的不确定性。该语言在专利文件WO/2009/042405中已定义。本公开涉及一种方法，所述方法使用所提及的描述语言确定其中用于定义和预测飞机轨迹被考虑到的所有参数，以及从确定的参数中的每个中创建一组随机变量，随后从每组随机变量中计算用于飞机的最满足给定品质因数(FOM)的轨迹。

通过从其中创建一组随机变量的描述语言(AIDL)描述的参数包括除了别的之外的天气参数和飞机性能参数。

通过实现本公开的方法，定义一组可能的轨迹，每个轨迹考虑具有相关不确定性的不同场景。因此，准确地确定与计算的轨迹中的每个相关的不确定性(即，每个计算的轨迹满足一定FOM的不确定性)，同时确保最满足给定FOM的鲁棒性轨迹。

在本专利申请中描述的方法对帮助飞行管理者决定哪个轨迹最适合给定的一定气象和飞机条件有用。本公开的方法用将帮助飞行管理者做出决策的决策支持工具(DST)来实现。在一些情况下(即，当考虑UAV时)，DST本身做出选择哪个计算的轨迹的决策。

本公开还涉及包括用于实现本公开的方法的所有必要的设备的系统。

如所介绍的，本公开涉及在飞机的飞行管理中使用的用于定义和预测飞机轨迹的方法，其包括：

a.获取飞机性能特征和大气层数据两者的输入数据，以及

b.定义其中飞机轨迹必须经受的轨迹参数，

其中

-飞机轨迹参数借助于由特定标志构成的特定飞机意图描述语言来定义，其中飞机轨迹中的每个区段由飞机意图描述语言中的每个标志来描述，其中飞机意图描述语言的标志中的每个特定组合完整地描述整个轨迹；

-大气层数据以多个大气层预报集合的形式来获取，在大气层预报集合内的每个大气层预报表达具有相关概率的确定的天气场景；

其中所述方法还包括：

c.从大气层预报集合中的每个大气层预报计算预测轨迹，所述预测轨迹具有关于飞机轨迹的一定品质因数的相关信息；

其中预测轨迹的集合从每个大气层预报集合中获得，预测轨迹的集合中的每个预测轨迹具有由在大气层预报集合内的每个大气层预报的概率推导的相关概率，以及；

d.利用在飞行的至少一个区段中的飞机的飞行管理中的选定预测轨迹。

在本公开中描述的方法还包括：

a.选择每个飞机预测轨迹的特定品质因数；

b.对于在预测轨迹的集合内的每个预测轨迹，确定选定品质因数的值；

c.根据预定统计准则，计算选定品质因数的统计值，所述计算的统计值表示，根据选定品质因数，在预测轨迹中的每个集合内的所有预测轨迹；

d.从预测轨迹中的每个集合中确定满足以下条件的预测轨迹：针对选定品质因数，预测轨迹的值更接近选定品质因数的先前计算的统计值；

e.根据预定统计准则，针对预测轨迹中的每个集合的所有预测轨迹，相对于选定品质因数的计算的统计值，计算针对选定品质因数的值的分散性。

此外，用于定义和预测飞机轨迹的方法包括从计算的预测轨迹当中选择预测轨迹，所述选定预测轨迹最满足预定轨迹选择准则。

在一个优选的实施例中，飞机意图描述语言的所述特定标志中的每个由至少三个轨迹限制和四个配置指令的组合组成，其中飞机轨迹中的所有自由度通过施加三个轨迹限制来处理，从而飞机轨迹通过施加三个轨迹限制被完全定义，这些限制选自至少以下项：

-经度；

-纬度；

-海拔高度；

-真空速；

-方位；

-改变的推力(throttle)；

-航向角；

-倾斜角；

-高升力；

-减速板。

继而，每个品质因数优选地选自至少：

-燃料燃烧；

-在给定位置处的到达时间；

-成本指数；

-覆盖的水平距离范围；

-在给定时间时的2D位置；

-在给定位置处的2D位置；

-在轨迹区段上的2D位置；

-在给定时间时的海拔高度；

-在给定位置处的海拔高度；

-在轨迹区段上的海拔高度；

-在给定时间时的3D位置；

-在给定位置处的3D位置；

-在轨迹区段上的3D位置；

-在给定时间时的4D位置；

-在给定位置处的4D位置；

-在轨迹区段上的4D位置；

-在给定位置处的速度；

-在轨迹区段上的速度；

-在给定位置处的姿态；

-在轨迹区段上的姿态；

-在给定时间时的尾涡流；

-在给定位置处的尾涡流。

本公开还涉及在飞机的飞行管理中使用的用于定义和预测飞机轨迹的系统，其中系统包括：

a.处理器单元，其用于利用特定飞机意图描述语言计算用于飞机飞行中的每个区段的预测轨迹，每个计算的预测轨迹基于随机输入数据进行计算，因此每个计算的预测轨迹是随机的并且具有相关概率，输入数据选自至少以下项：

-飞机性能模型参数；

-大气层预报；

b.概率数字气象服务单元，其被配置成提供用于用大气层预报的集合的输入计算预测轨迹的处理器单元；

c.鲁棒性决策支持工具单元，其被配置用于：

-提供用于用对预测轨迹是必要的输入数据计算预测轨迹的处理器单元，以及

-从由用于计算预测轨迹的处理器单元计算的预测轨迹当中选择预测轨迹；

其中选定预测轨迹由在飞行中的至少一个区段中的引导飞机的飞行管理系统利用。

在一个优选的实施例中，概率数字气象服务单元定义：

a.大气层模型域，其包括定义包封其中飞行轨迹位于的空域的体积的地带的一个或更多个参数；

b.大气层模型，其提供与空域有关的大气层参数的多种大气层场景，所述场景形成大气层预报的集合。

此外，在一个优选的实施例中，鲁棒性决策支持工具单元定义：

a.预定飞行轨迹，其包括借助于施加用于飞行轨迹中的每个区段的三个轨迹限制参数的组合，而定义飞行轨迹的一个或更多个参数；

b.飞机性能模型，其包括根据外部条件定义飞机响应的一个或更多个参数；

c.涉及在飞行轨迹的区段的开始的飞机初始条件的参数；

d.定义由用于计算预测轨迹的处理器单元计算的预测轨迹中的至少一个品质因数的一组参数；

e.至少一个准则以从由用于计算预测轨迹的处理器单元计算的预测轨迹中的至少一个集合当中选择预测轨迹，该至少一个准则基于搜索哪个预测轨迹最佳地表示一定品质因数的中心统计值；

f.用于所选择的预测轨迹表示一定品质因数的中心统计值的相关不确定性的计算的至少一个准则；

用于计算预测轨迹的处理器单元：

-从由鲁棒性决策支持工具单元提供的输入参数当中确定被认为是随机的一组参数，因此这些组参数经受不确定性；

-确定随机的一组参数的不确定性的类型和范围。

用于计算预测轨迹的处理器单元：

a.基于用于大气层模型、飞机性能模型、飞行轨迹描述和初始条件的参数，确定表示预测轨迹的数据组；

b.随着不确定性的相应范围，将值指定给要成为随机的参数，以创建表示预测轨迹的数据组的多个可能实例；

c.基于大气层预报的集合，计算预测轨迹的集合，每个计算的预测轨迹基于对应大气场景；

d.评估在预测轨迹的集合内的每个预测轨迹中的至少一个品质因数，以获得这些品质因数的一群值；

e.根据一定统计准则，标识在预测轨迹的每个集合内的表示评估的至少一个品质因数的中心值的预测轨迹；

f.根据一定统计准则，对于在先前阶段中标识的预测轨迹，获得与预测轨迹的集合的剩余轨迹相关联的评估的至少一个品质因数的值的分散性。

用于计算预测轨迹的处理器单元优选地包括至少：

a.随机化引擎单元，其用于将值指定给要成为随机的参数，所述值从概率数字气象服务单元和鲁棒性决策支持工具单元接收；

b.轨迹计算单元，其用于基于由随机化引擎单元提供的输入数据来计算预测轨迹。

所述输入数据优选地选自至少以下项：

-飞机性能模型参数；

-轨迹描述参数；

-预定品质因数；

-轨迹选择准则；

-大气层预报。

鲁棒性决策支持工具单元被配置成提供用于用以下输入计算预测轨迹的处理器单元：

-飞机性能模型参数；

-轨迹描述参数；

-选定品质因数，以及；

-轨迹选择准则。

附图说明

图1：示出了描述在本公开的方法内所包含的所有不同阶段的流程图。

图2：示出了描绘本公开的系统的主要元件的简化框图。

图3：示出了更详细的框图，其专注于构成在图2中所示的随机轨迹预测单元(s-TP)的主要元件。

图4：示出了在轨迹生命周期中包含的分布式人机交互和轨迹的概念。

图5：示出了在支持DST的操作的TP过程中包含的主要元素和不确定性。

图6：示出了由基于AIDL的轨迹预测支持的DST的操作。

图7：示出了依据AIDL的样本轨迹模型(BR与TE)。

图8：示出了表征用于TP中的大气层场景的典型4D领域(INSA)。

图9：示出了基于气象集合的“可能”预测轨迹的概率展开。

图10：示出了由基于AIDL的随机TP支持的DST的鲁棒性操作。

图11：示出了所解决的关键元素。

图12：示出了几何TP误差的图形表示。

图13：示出了在XTE度量的计算中包含的参考系统。

图14：示出了测试台高水平逻辑体系结构和接口。

图15：示出在AV的运动问题的组成中包含的变量的表。

图16：示出驱动AV的运动的力(动作)的组成的表。

图17：示出在AV的运动中包含的环境方面的组成的表。

图18：示出在基于AIDL的TP中考虑的轨迹方面的表。

图19：示出在TP误差定义中包含的位置的表。

图20：示出4D TP误差的表。

图21：示出在姿态、速度和质量中的TP误差的表。

图22：示出在压力、温度和风中的AM误差的表。

图23：示出轨迹相关的应用程序、功能和方面的表。

图24a、图24b：示出代表性基于轨迹的DST目前/潜在感兴趣的FOM的观察的表。

图25：示出描述在单个轨迹的终点处的品质特征的代表性FOM的表。

图26：示出典型轨迹选择准则以推导FOM群的中心测量的表。

图27：示出FOM分散性的典型统计测量的表。

图28：示出描述整个轨迹的品质特征的代表性FOM的表。

图29a、图29b：示出r-DST与s-TP之间的交互作用的表。

图30a、图30b：示出RE与底层TC基础结构之间的交互作用的表。

图31：示出TC基础结构的内部部件之间的交互作用的表。

图32：示出P-DMET与TC基础结构之间的交互作用的表。

具体实施方式

以下是本发明参照附图的实施例的描述。

图1示出了描述在本公开的方法内所包含的不同阶段的流程图。

根据本公开的一个方面，公开一种在飞机的飞行管理中使用的用于定义和预测飞机轨迹的方法的示例性实施例。方法包括获取飞机性能特征(飞机性能模型，APM)和大气层数据(大气层预报集合，AFE)两者的输入数据，并且定义其中飞机轨迹必须经受的轨迹参数。方法包括借助于由特定标志构成的特定飞机意图描述语言(AIDL)定义飞机轨迹参数，其中飞机轨迹中的每个区段由飞机意图描述语言(AIDL)中的每个标志来描述，其中飞机意图描述语言的标志中的每个特定组合完整地描述整个轨迹。

方法包括获取多个大气层预报集合(AFE)，在大气层预报集合(AFE)内的每个大气层预报表达具有相关概率的确定的天气场景。

方法包括从大气层预报集合(AFE)中的每个大气层预报计算预测轨迹。预测轨迹具有关于飞机轨迹的一定品质因数(FOM)的相关信息，其中预测轨迹的集合从每个大气层预报集合(AFE)获得。预测轨迹的集合中的每个预测轨迹具有由在大气层预报集合(AFE)内的每个大气层预报的概率推导的相关概率。方法还包括利用在飞行的至少一个区段中的飞机的飞行管理中的选定预测轨迹。

根据本公开的方法，气象预报的集合由概率数字气象服务单元(2)p-DMET产生。每个气象预报描绘一定可能的气象场景，在集合(AFE)内的所有气象预报具有一定的相关概率。在一定情况下，在集合(AFE)内的所有气象预报具有相同的相关概率。

然后，确立用于飞行轨迹的每个区段的一组约束。这些约束涉及诸如高度、速度、到达时间或飞机之间的间隔的方面。

这些约束在新颖语言即飞机意图描述语言(AIDL)中进行表达，根据该飞机意图描述语言，所施加的约束与轨迹的每个特定区段中的飞机所要遵循的飞行轨迹之间存在直接关系。

AIDL代码确立了具有三个不同约束的相关值的三个不同约束的每个可能的组合，连同四个运动配置参数一起构成了明确定义飞机轨迹的特定区段的特定字母符号。在飞行期间组合每个符号，获得对于飞机轨迹中的每个区段完全定义的飞机轨迹。

因此，得益于该新颖方法，由与轨迹定义相关的不确定性造成的与轨迹预测相关的不确定性被取消。

然而，仍然存在由与飞机性能模型(APM)和气象预报两者相关的不确定性造成的与轨迹预测(TP)相关的不确定性。尽管如此，当相比于与气象预报相关的不确定性时，与飞机性能模型(APM)的可靠性相关联的不确定性被忽略。

因此，本公开解决的主要技术方案是，减少与轨迹预测(TP)相关的不确定性，该轨迹预测(TP)由与用于预测所述轨迹的气象预报相关联的不确定性造成。

因此，代替使用一个唯一的气象预报，获得可能的气象预报集合(AFE)，描绘不同的似乎可信的气象场景的每个预报连同约束组被用于计算预测轨迹。

明确达到确立的约束的预测轨迹借助于表达与轨迹有关的每一个方面之间的关系的一组方程进行计算。

关于这一点，新颖性在于借助于对于飞行中的每个区段的预定的一组约束明确定义轨迹，并且利用大气层预报集合(AFE)来计算预测轨迹。

因此，直接依据给定的一组约束(其消除了直接调整由约束的强加组合隐含定义的飞机机动(maneuver)的需要)计算每个预测轨迹区段。另外，获得每一个都由根据特定气象场景计算预测轨迹产生的一组随机预测轨迹，该特定气象场景从大气层预报集合(AFE)获得。

关于这一点，获得一组预测轨迹。预测轨迹的每个区段依据状态向量来定义，所述状态向量借助于空间坐标X(t)、Y(t)、Z(t)定义飞机在每一时刻的空间位置，状态向量还定义涉及至少燃料消耗量、到达时间或相对于在其附近的其它飞机的间隔的一些方面。

所有这些方面也称为品质因数(FOM)，其中飞行管理者可以对优化每种特定情况有兴趣。

然后，选择要优化的优选FOM，并且依据涉及该FOM的一定统计准则而重新调整预测轨迹。

例如，预测轨迹可以被重新调整，以示出哪一个最佳地表示(最接近)燃料消耗量的统计平均值，并且然后获得对于涉及选定预测轨迹的燃料消耗量(或对于任何其它特定FOM)的分散性的测量，从对应于轨迹样本空间(即给定的轨迹集合)的FOM群获得分散性的所述测量。FOM分散性的测量选自至少：STD、MAE、SEE、RMS。

因此，本公开提供了一般方法论，以找出鲁棒性预测轨迹(RPT)和FOM值的相关群(或感兴趣的其它统计)，给定FOM的一定定义。

如其已经表达的，本公开还涉及一种根据所提及的方法的系统，所述系统提供了必要的设备以执行所描述的方法。

系统包括概率数字气象服务单元(2)p-DMET，其创建大气层预报集合(AFE)，并且提供此类AFE作为用于在本公开的系统内所包含的主处理器单元(1)的输入(以AIDL语言编码)，主处理器单元(1)是用于计算预测轨迹的处理器单元(1)，即随机轨迹预测单元(s-TP)。

在一个优选实施例中，系统还包括鲁棒性决策支持工具单元(3)r-DST，其给轨迹预测处理器单元(1)s-TP提供至少三个主要输入(以AIDL语言编码)，其分别涉及轨迹定义、要搜索的感兴趣的FOM和统计准则，根据所述统计准则要呈现关于感兴趣的FOM及其相关不确定性的信息。

图2示出了描绘本公开的系统的主要元件的简化框图。

继而，图3示出了更详细的框图，其专注于构成随机轨迹预测处理器单元(1)s-TP的主要元件，以及由概率数字气象服务单元(2)p-DMET和鲁棒性决策支持工具单元(3)r-DST提供的输入信息在其中进行处理的方式。

在蒙特卡罗模拟法中，根据本公开的方法，随机轨迹预测处理器单元(1)s-TP以其分析为基础，通过该分析使s-TP能够产生一组随机轨迹并以统计学处理它。为此目的，处理器单元(1)s-TP由两个主要部件组成：

随机化引擎RE单元(4)：该部件协调产生一组所得随机轨迹的过程。RE根据一定预定义的不定性参数(δ)准备在每个轨迹计算(TC)运行中的随机输入数据，并发送那些输入到用于其计算的轨迹计算单元(5)TC。此外，所述随机化引擎负责处理一组输出，以便获得鲁棒性预测轨迹及其相关品质因数(FOM)的不确定性。

轨迹计算TC单元(5)：轨迹计算单元(5)TC是以确定性方式计算针对在每次运行中由随机化引擎单元(4)RE提供的每组输入数据的一个轨迹的部件。轨迹计算单元(5)TC由以下部件组成：

i)轨迹引擎(TE)，其制定和整合描述在感兴趣的区间(4D飞机模型域，如下文将更详细地解释)期间当作输入AIDL脚本(在AIDL代码中的轨迹定义)和初始条件的AV(航空器)运动的一组方程；

ii)飞机性能模型(APM)，其提供任何特定类型的飞机(AV id)的性能数据给轨迹引擎(TE)；

iii)概率大气模型(PAM)，其以从由概率数字气象服务单元(2)p-DMET提供的可能场景组(或集合)中选择不同大气层场景的可能性替代通常用于常规轨迹预测TP方法的确定性大气场景。

以下是在本公开中包含的方面的总体方法：

如已经介绍的，至关重要的是，理解与供给轨迹预测处理器单元(1)s-TP的数据相关的不确定性如何传播到在预测轨迹的感兴趣的特定方面的不确定性中。因此，本公开提供了通过明确考虑在不同情况下支持决策制定的随机而非确定性轨迹预测来实现的在轨迹预测的效率和鲁棒性上的改善。

首先，认为最重要的是理解飞机轨迹的整个生命周期以及存在于轨迹预测过程的每个时期的不同部分的轨迹信息和不确定性如何结合在一起以形成每个飞行器的最终(实际)轨迹和总体交通方案的性能。图4示出了在建立关于如何操作给定的飞机的特定决策之前的不同地方和时间段在自动化(决策支持工具，DST)和人类之间发生的复杂交互。此类交互包含在参与被称为轨迹谈判的协作决策制定过程的参与者之间产生、交换和完善的轨迹要求的更多或更少的详细集合，其最终结果是由参加一定交通的每架飞机飞行的实际轨迹。飞机轨迹生命周期的三个主要时期是：

1)轨迹要求：飞行计划的概念及其可能不同的表示(例如，一系列航段、航点、估计到达时间-ETA-)，加上在执行飞行期间由空中交通控制(ATC)强制执行的战术修正(例如，速度或时间约束、海拔高度约束以及侧向航线偏差)，其被共同称为“飞行意图”。

2)飞机操作决策：飞行管理自动化或飞行员或两者的组合用于支配飞机的操作的特定方法(recipe)，被称为“飞机意图”。

3)结果：作为此类特定操作方式的结果由飞机表现出的实际轨迹(通常表示为一系列时间排序的位置，和诸如速度和瞬时质量的可能附加的信息)。

由对应决策支持工具DST提供给参与过程的人类操作者的支持通常基于轨迹的特定方面或品质特征，诸如位置、时间或燃料消耗，这是借助于一种轨迹预测TP所预计的。因此，为组织交通方案制定了决策的优势，并且因此，在个体(单航线)和总体(交通)两个水平的所得性能直接关系到底层每个DST功能的轨迹预测过程TP的性能。

图5示出了通用的轨迹预测过程TP。一般而言，数字支持工具DST用其底层TP基础结构通过尝试一组轨迹要求并使其完善的进行迭代直到所得预测轨迹符合由数字支持工具DST设置的操作目标为止。

此类想法的不重要的实例是在冲突检测器(DST＝CD)的情况下，这给定关于给定的一组轨迹(飞行意图)的可用知识，获得对应预测轨迹以穿越它们之中的检查位置和时间来标识潜在的间隔损失。更复杂的情况是在飞行计划者(DST＝FP)的情况下，这可用其TP基础结构进行迭代(最终若干次)以找出满足给定ATC/ATFCM(空中交通流量和容量管理)约束的业务轨迹，而利用留下的剩余自由度(DOF)以优化燃料消耗或时间或两者的折衷(例如，成本指数)。

一般而言，TP过程涵盖两个主要的内部子过程：意图生成和轨迹计算。意图生成涉及从给定轨迹要求到轨迹生命周期的下一个时期即操作飞机的特定方式的制定(飞机意图)的过渡，旨在产生满足这些要求的轨迹。

这通常涉及由所谓的意图引擎进行的优化过程，其说明任何轨迹都需要在给定操作情况下(例如终端管理区域-TMA-、最低海拔高度或最大速度、非飞行区)满足的附加约束，以及说明每当自由度(DOF)可用时追求特定用户偏好(例如，成本指数、最大加速度)的目的/约束。

意图生成通常包含具有轨迹计算过程的内迭代循环，以找出“最佳”飞机意图，即，履行所有约束同时根据适用目的实现最佳品质特征的飞机意图。在另一方面，轨迹计算负责用在一定大气层场景(基本上是风、温度和压力)的存在下执行给定飞机意图的相关性能特征(空气动力学、推进、操作限制、配置等)计算飞机的运动，这也直接影响飞机响应的特征性能。

为此目的，体现飞行过程的物理模型的轨迹引擎TE基于分别由底层飞机性能模型(APM)和大气模型(AM)提供的飞机性能的预测方面和大气层条件求解运动方程的对应公式。从飞机意图到预测轨迹的过渡通常需要数值积分过程，其依赖于关于飞机在初始时间(初始条件)时的状态的一些知识。

图5还描绘了在轨迹预测中不确定性的来源，其基本上涉及与在整个所述TP过程中包含的信息元素相关联的置信水平和精度。本文所述的实施例特别感兴趣的是与轨迹计算过程相关联的不确定性的来源，即：

i)在被计算为由给定飞机意图所表达的轨迹的定义中的不确定性；

ii)与气象预报相关的不确定性；

iii)表征包含的飞机性能方面的质量的关键性能指标(KPI)；

iv)与初始条件的观测相关的不确定性，以及；

v)由轨迹引擎(TE)使用的来计算轨迹的运动模型的保真性。

轨迹定义方法诸如使能够无歧义地正式描述飞机意图的飞机意图描述语言(AIDL)的引入使得可能摆脱不确定性的主要来源，以及摆脱与意图生成过程相关联的复杂性。因此，假设决策支持工具(DST)能够与基于AIDL的底层TP交互，图5的图像变成了图6中反映的更为简单的方案，其中与飞机意图相关联的不确定性不再是主要轨迹定义的不确定性，而是与当在实践中执行AIDL中捕获的此类飞机意图的理想定义时能够发生的轻微差异相关的剩余不确定性(在图7中示出在AIDL中的样本轨迹模型)。

沿循现有技术的结果，飞机性能模型(APM)和飞机运动模型两者的不确定性在轨迹预测不确定性中的影响与由大气层预报中的不确定性造成的影响相比能够被忽略。

一般而言，气象模型依据微分方程用公式表示，该微分方程描述在一定时间域和空间域内的大气行为，该时间域和空间域分别由给定的初始和边界条件表征。此类方程对应于支配流体动力学(其混沌性质被广泛认可)的通用纳维-斯托克斯定律的简化，这是在离散化的空间域和时间域上的数值求解。问题的混沌性质使得它的解对以下方面极为敏感，因此，其表示气象预报中的不确定性的主要来源：

ii-1)域定义：网格形状、孔眼大小、坐标系统、地形高程模型的分辨率和精度、运动表面(水)和土壤特征、时间水平和积分时间步骤；

ii-2)模型和求解程序：体现流体机械学与求解方法的物理定律的方程的空间和时间离散化；

ii-3)初始/边界条件：初始条件从在初始时间时的大气层状态的最佳现有知识中取得，而边界条件在所有沿跨越初始时间直到其中需要解的时间为止的时间间隔的空间域的限制下取得。

所描述的方案产生了确定性解。随机预报的想法在预测中引入概率的概念。被广泛地用于提供不确定性信息到气象预报的方法是集合的生成。(气象)集合是每一个通过基于不同输入数据(即可能事件的有限空间)运行一个或多个气象模型获得的一组解，每一个事件表示大气层条件的可能场景。集合允许气象机构提供与其预报相关联的置信水平。本方法得益于类比方法以表征与TP有关的大气层参数的预报相关联的不确定性(见图9)。

尽管事实上在轨迹预测中的不确定性的来源在某种程度上是已知的，但大部分现有决策支持工具(DST)依赖于确定性轨迹预测而非随机轨迹预测，这意味着预测不确定性被稍微考虑或绝对忽视。因此，本方法考虑到实现特质和利用TP的不确定性，这帮助DTS实现更高的操作性能。

基于以上讨论，所述方法利用图10中概述的方法，其扩展迄今所描述的TP方案以应付不确定性的处理。实现的目的是：a)以提供所提及的大气层预报集合(AFE)的概率大气模型(PAM，概率大气模型)替代确定性大气模型，以及；b)引入表示为随机引擎单元(4)RE的附加部件，该部件使能够依据不确定性与客户端DST进行新的交互。

实际上，为了能够利用鲁棒性边界不确定性的能力，“鲁棒性”DST单元(3)r-DST，从底层随机轨迹预测处理器单元(1)s-TP引出为了DST业务的目的感兴趣的轨迹的一定方面或品质特征中的不确定性的测量。例如，到达管理者(DST＝AMAN)可以对(鲁棒性)边界(到达)时间的不确定性有兴趣，而飞行计划者(DST＝FP)可以对更复杂的品质因数(FOM)诸如成本指数的(鲁棒性)边界有兴趣。对于处理器单元(1)s-TP，为了产生在决策支持工具单元(3)r-DST感兴趣的品质因数(FOM)中的不确定性的(鲁棒性)测量，前者需要后者提供此类品质因数(FOM)的定义。

随机化引擎单元(4)RE的第一责任是学习决策支持工具单元(3)r-DST对什么FOM持有兴趣，并找出其中可能不是每次运行中最可能导致更接近于实际轨迹但被证明长期(即考虑到整个概率空间)给予最佳实际FOM的鲁棒性预测轨迹。

随机化引擎单元(4)RE的第二责任是找出与此类鲁棒性预测轨迹相关的FOM中的不确定性。为了达到其目的，随机化引擎单元(4)RE需要与轨迹引擎TE密切交互(可能迭代)，从而以实际但统计上合理的方式管理考虑的所有输入不确定性(最终气象加上APM、初始条件和飞机意图相关的不确定性)。

在本公开中所描述的总体方法引起图11的示意图，其概述了在决策制定自动化中包含的三个关键元素(服务链)以及它们之间的交互。

在图11中表示的图案适用于空中交通管理(ATM)自动化的几乎任何场景，无论决策支持工具(DST)是陆基的或机载的，旨在支持计划或执行阶段并且不管在决策制定过程中自主性(基于操作者或完全自主)的水平。

如先前介绍的，本公开还涵盖统计方法论，以在TP过程已经完成之后一旦一组随机轨迹组已经创建，就评估TP不确定性。

关于鲁棒性决策支持工具单元(3)r-DST，该单元(3)负责确定以下两个方面：

i)所谓的鲁棒性预测轨迹(RPT)，其表示FOM群的中心值，给定定义此类中心值(质心)例如平均值、众数值、中值或给定百分位数％的一定轨迹选择准则(TSC)，以及；

ii)对应于轨迹采样空间(即，轨迹的给定集合)的FOM群，从其中能够获得FOM分散的测量，诸如STD、MAE、SEE或RMS。

因此，本公开提供了一般方法论，以找出鲁棒性预测轨迹(RPT)和FOM值的相关群(或感兴趣的其它统计)，给定由鲁棒性决策支持工具单元(3)r-DST提供的FOM的定义。

以下提供关于统计参数的计算和不确定性参数的处理的更多细节。

关于轨迹预测(TP)过程的不确定性的来源能够概括如下：

-在待计算(预测)的轨迹的定义中的不确定性；

-与涉及轨迹预测TP的大气层条件的预报相关联的不确定性；

-表征在预测轨迹的计算中包含的飞机性能方面的质量的关键性能指标(KPI)；

-与需要初始化轨迹计算过程的初始条件的观测相关联的不确定性；

-由轨迹引擎单元(4)TE用来计算轨迹的运动模型的保真性。

目前大部分DST依赖于几乎不考虑此类不确定性的TP的相当简单的方法。一些DST简单地忽略TP不确定性，这导致不可靠的决策。其它DST简单地分配大的缓冲区，以处理感兴趣的特定方面的未知不确定性，这导致差的(往往不可接受的)性能。

轨迹预测TP的问题的现有方案与由本公开提供的方案之间的主要差异由以下事实引起：

1.-通常由现有DST使用的确定性输入信息在这种情况下以由从不同不确定性来源获得的随机输入替代：

a.由现有DMET服务提供的确定性大气层预报以由新概率数字气象服务单元(2)p-DMET提供的大气层预报集合(AFE)替代。这使能够获得气象不确定性如何影响TP不确定性的测量。此外，为了鲁棒性决策制定自动化的目的，新概率数字气象服务单元(2)p-DMET的接口已被专门设计成支持随后的随机轨迹预测处理器单元(1)s-TP。

b.轨迹定义的输入也是关键的不确定性来源，尤其对于其中轨迹定义取决于由DST使用的特定轨迹定义语言和TP实施方式两者的现有方法。该方法论提出使用飞机意图描述语言(AIDL)作为明确的形式语言的潜在益处，以描述飞机轨迹对于特定TP和DST实施方式的不可知性，这允许摆脱与轨迹定义相关的不确定性。

c.标识的其余不确定性来源与以上标识的两种(大气层预报和轨迹定义)相比较少相关。然而，该方法论使机制能够考虑和理解其它次要不确定性如何借助于由轨迹引擎单元TE提供的一定随机化参数的定义充当与用于目前轨迹计算(δ_APM、δ_AI、δ_IC、δ_AM)的不同部件(APM、AI、IC、AM)相关联的随机参数的向量。

2.-由常规“DMET”-“TP”-“DST”链进行的现有决策制定方法的自动化方案已被增强，以在新的“p-DMET”-“s-TP”-“r-DST”方法中扩展功能：

a.p-DMET：通用天气预报是广泛可用的，但对于基于轨迹的情况定制的专业气象预报服务是新颖的。

b.s-TP：由概率气象预报供给的随机TP而不是确定性TP在空中交通管理(ATM)中是新的。依据FOM和相关不确定性，随机轨迹预测处理器单元(1)s-TP与鲁棒性决策支持工具单元(3)r-DST之间的交互从未被研究。

管理不确定性输入和产生随机轨迹预测及其依据FOM的不确定性测量的能力为鲁棒性决策支持工具单元(3)r-DST的制定决策过程提供了潜在益处。

c.r-DST：使用定制的品质因数(FOM)以表征TP对于其在自动化决策支持中的利用的不确定性相比于目前技术水平是新的，其中依赖于确定性TP的DST不负责不确定性。在FOM测量中的不确定性与DST性能之间的相关性分析之前从未被尝试。

3.-总体上，开发现有决策支持自动化的内部轨迹预测器基础结构以履行特定工具的要求。此外，自动化通常定义飞机轨迹以借助于“专有描述语言”计算。因此，现有轨迹预测依赖于将特定TP实施方式与DST的特定轨迹描述相结合的方案。使用基于AIDL的TP也是允许分离轨迹定义与特定TP实施方式的新想法。

因此，本方法和系统比决策制定支持的现有方法好，因为：

-采用AIDL以消除与轨迹定义相关的不确定性的主要来源；

-通过p-DMET方法考虑关于不确定性的其它主要来源的附加信息，即大气层条件的预报；

-(基于FOM方法)提出对预测轨迹的特定方面不可知的形式方案，所述预测轨迹的特定方面的相关不确定性是DST感兴趣的；

-改善决策制度过程的鲁棒性，因为其考虑当选择在制定决策时的预测轨迹时的不确定性，并且另外使能够获得被利用以制定更合理的决策的此类不确定性的测量。

本公开在未来基于轨迹的飞行器(AV)操作环境的情况下对空域用户和空中交通管理/无人飞行系统(ATM/UAS)服务供应商特别有用。特别地，用于飞行计划、到达管理、在引擎输出条件下感测与避免和应急着陆等等的创新决策制定技术可利用基于气象集合预报的随机轨迹预测模型，以便获得比由现有确定性自动化过程提供的结果更加鲁棒性的结果。

所提出的方法可在航空运输公司的大的操作中节约费用。基于随机方法的操作决策比基于确定性方法的操作决策更接近于现实，并且因此更好地符合操作的实际费用(显著的操作增强而不需要折衷安全性)。

下面详细讨论轨迹预测(TP)过程及其TP不确定性的相关来源。

根据在空中交通管理(ATM)中使操作有意义的合理假设允许计算航空器(AV)的轨迹的数学问题借助于以下结构常规地进行描述：

支配AV的引力中心的运动(三个自由度，3-DOF)的运动方程受制于在4D风(w)场内的气动力(L和D)、推进力(T)和引(W)力：

基于燃料消耗量(F)的模型的质量变化方程：

$>\left[E2\right]---\frac{dm}{dt}+F=0$>

在由当地卯酉圈(N)(prime vertical)和子午圈(M)(meridian)曲率半径所定义的椭圆形几何形状中的导航方程：

AIDL运动指令的影响，其关闭3个控制自由度：

AIDL配置指令的影响，其关闭4个配置自由度：

表达式[E1]、表达式[E2]和表达式[E3]是微分方程，而表达式[E4]和表达式[E5]表示代数约束。所有这些共同构成了所谓的微分代数方程(DAE)系统，其在紧缩记法中可以重写成：

(来自[E1]、[E2]和[E3])

[E4]q(X，u，E，t)＝0

[E5]d(Δ)＝c(X，E，t)(来自[E5])

其中根据在图15中所示的表中所反映的方案已经选择变量。

方程[E4]、方程[E5]和方程[E6]能够针对给定初始条件被数值求解：

[E7]u(t₀)＝u₀

[E8]X(t₀)＝X₀

$>\left[E9\right]---\stackrel{·}{X}\left(t_0\right)={\stackrel{·}{X}}_0$>

这引起预测轨迹，即状态向量X_j的一系列离散的“n个”样本，或，通常，它的扩展型式Y_j，其具有在每个积分步骤j计算的关于运动、配置、环境和飞机性能特征的附加信息：

[E10]Y_j＝{X_j，u_j，Δ_j，E_j，}j＝{0，...，n}>

[E11]T＝{Y_j}>

依据AIDL(飞机意图)的AV轨迹定义确保应用于被称为操作间隔的给定时间间隔的方程[E4]和方程[E5]的特定组合是沿轨迹始终已知的。因此，任何轨迹总是能够分裂成一系列操作，在每一个操作内，计算对应轨迹区段的问题是由运动和配置指令的此类特定组合来定义的。使用语言类比，轨迹能够“称”为一系列“字”或“标志”，每个字是7个“字母”的组合，7个字母对应于其中对应字定义轨迹的时间间隔期间适用的3个运动指令加上4个配置指令。因此，计算轨迹的问题是求解一系列微分方程、DAE问题的基础，其中由AIDL提供代数部分，并且其中用于轨迹的下一个区段的初始条件从计算的先前区段的终止状态中取得。

呈现的AV轨迹计算的方法依赖于3-DOF(自由度)动力学变质量的飞机性能模型(APM)，其根据运动方面和当地环境条件做气动力和推进力以及燃料消耗(包含在引力的计算中)的模型(参见图16中的表)。

[E12]A＝A(X，E，u)

而且，在轨迹计算问题中包含的环境特征经由所谓的地球模型(EM)来提供，所述地球模型的特征通常取决于当地位置和时间(参见图17中的表)，即：

[E13]E＝E(X，t)

地球模型EM能够分裂成两个子模型：大地水准面，其根据纬度和海拔高度为位势和引力提供通常是椭圆形模型的模型，以及所谓的“4D大气模型”(AM)，其根据位置和时间提供大气压力、温度和风(参见图8)。

虽然大地水准面模型包含相当简单的标准制定，但大气模型AM包含涉及大气/天气科学、地球观测、气象预报机构、模型、数据验证和分布等的表示超过航空器(AV)轨迹计算问题的范围的主要复杂性的确实是就TP不确定性而言主要关注的整个技术域。

因此，大气模型(AM)被假设为与被称为DMET(或在本公开的概率方法中的p-DMET)的外部服务相结合，负责处理与在给定的地理空间域和时间域中的TP有关的预报大气条件相关的复杂性。

如图所示，呈现的AV轨迹计算的方法处理不仅仅是4D或位置和时间的更多信息。特别地，图18示出了反映考虑的所有轨迹方面的表。

就在确定轨迹预测中的误差和度量时关注什么而言，对于研究TP不确定性的任何严谨框架需要定义对于r-DST潜在感兴趣的不同轨迹方面的TP误差意味着什么，以及确立正确的度量来测量它们。

一种类型的误差是所谓的“4D误差”。首先，考虑图12，其描绘了在表示为“P”的给定预测位置处的典型预测轨迹和飞机。牢记有不确定性存在，预期在该相同时刻飞机的实际位置“A”不同于预测位置P。为了这个目的，协方差椭圆体的概念是有用的，椭圆体以P为中心，其包含具有给定概率(例如，单标准差、二标准差等)的实际位置A。想法是借助于简单的方法结合此类体积，即一种盒，其3个维度带来几何TP误差的测量：在距离上的沿航迹误差(ATER)、跨航迹误差(XTE)和垂直误差(VE)。图12表示通常包含以下三个位置的概念(参见图19中的表)。

实际上，为了连接在时间“t”时时间一致的预测P位置与实际A位置，需要找出被称为“标称位置”的第三位置“N”，其在预测轨迹上的空间上对应于A，即对应于实际位置的最近的预测位置。因此，为了连接P和A，需要沿预测航迹移动量ATER直到达到N为止，然后在跨航迹方向上移动量XTE，加上在垂直方向上移动量VE。N对应于除t之外的时刻，并且此类时间差是所谓的在时间上的沿航迹误差(ATET)。

图20所示的表示出了基于4D轨迹方面迄今连同TP误差的度量一起所定义的所述TP误差，其中用于XTE的度量需要如下进一步解释。

让N′和A′分别是N和A在参考(椭圆形)面上的足迹，即分别是大地坐标和的点。对于小的误差，向量的范数接近N′与A′之间的大地距离，所以，因此，其在参考系统TND中的第二分量为XTE的良好近似。

TND参考系统被定义为：

-沿地面速度V_H在点N处的水平分量来取向-与侧向航线成切线。

-通过在N′处与参考表面成切线的当地平面上的π/2的顺时针旋转来获得-垂直于侧向航线。

-指向天底(向下)，所以3个轴形成右手取向的笛卡尔系统。

如图13所描绘的，TND系统由LLS(当地水平面系统)在围绕其第三轴的N′处的量值χ^N的旋转产生，χ^N为预测轨迹在点N处的大地(真)方位。

向量能够在地心地固(ECEF)参考系统中表达如下：

N和“e”分别为参考椭圆体的卯酉圈中的曲率半径和偏心率。

在LLS中表达的此类向量导致：

其中矩阵R₃和R₂表示围绕轴3然后围绕2连续常规的元素旋转。

最后，向量能够在TND系统中表达为：

一旦4D TP误差度量已被定义，就能够开发与其它轨迹方面相关的附加的TP误差度量，如姿态、速度或燃料消耗误差，如在图21所示的表中所表示的。

速度误差度量能够适于不同速度类型，诸如IAS、CAS、GS或MACH。类似地，姿态误差度量能够适于或磁性或真实的地面参考，而不是空气动力学参考。

最后，有趣的是，定义利用沿实际轨迹获得的大气层特性的实际观测的附加度量，其能够用于评估预测大气层条件的精度。

图22的表示出了与大气模型(AM)相关的此类附加误差的概念和度量。

图23的表示出了典型轨迹相关的系统(DST的)、它们处理的典型轨迹相关的功能，以及此类功能操作所基于的轨迹有关的方面的非全面列表。虽然每个轨迹相关的DST原则上以如由其业务目标所要求的特定方式结合轨迹相关的功能，但很多共同性能够在在ATM域和UAS域二者中的不同商业和军事应用内主张的使用中的目前DST或未来DST之间被标识。

AIDL技术的基本设计前提是使能能够理想地支持任何轨迹相关的功能的公共基础结构，所以任何轨迹相关的DST的功能的很大程度上能够实现，并且通过一组原始标准轨迹相关的功能的组合有可能改善。

如已经解释，大部分DST由于某种原因在某个时期依赖于TP，以支持一种假设分析，这最终维持他们的决策制定过程。因此，当在TP中引入不确定性时，最重要的是设想对于TP基础结构持有足够一般性以服务于尽可能多的DST的方法。

实际上，当考虑被假设为“合理”捕获大气层条件在感兴趣的4D域内的可能演变的预报大气层场景W_i的集合“W”时，这能够由来表征：

[E17]W＝{W_i}>

尽管术语“合理”可听起来不清楚，但归入p-DMET技术的范围，这里的关键点是，虽然实际大气层场景最可能最终将不匹配任何W的元素，但由其元素覆盖的条件范围带来与预报相关联的不确定性的测量。给定W，能够获得可能预测轨迹T_i的对应集合T，每一个基于对应大气场景W_i来计算，输入的其余部分对于所有“q”实例是相同的：

[E18]T＝{T_i}>

对于一些应用，DST对评估单轨迹的品质因数(FOM)感兴趣，其考虑“q”个可能大气层场景，产生一群可能FOM值：

[E19]FOM_i＝f(T_i)>

在这种情况下，DST需要：a)从T中选择轨迹中的一个(i＝R)，它是FOM群在平均值、众数值、中值、百分位数％或其它统计测量的意义上的中心值的代表，以及；b)对于所选择的一个轨迹，获得与其余轨迹相关的FOM的分散性。在这种情况下，FOM的示例为：

-燃料燃烧：Δm＝m_n-m₀

-在给定位置处的到达时间(飞行时间)：Δt＝t_n-t₀

-成本指数(时间成本对燃料成本)：CIΔt-Δm

-(覆盖的水平距离)范围：Δr＝r_n-r₀

-在给定时间时或给定位置处或轨迹区段(ATER，XTE)上的2D位置

-在给定时间时或给定位置(h_n)处或轨迹区段(VE)上的海拔高度

-在给定时间时或给定位置处或轨迹区段(ATER，XTE，VE)上的3D位置

-在给定时间时或给定位置处或轨迹区段(ATER，XTE，VE，ATET)上的4D位置

-在给定位置(v_TAS，n)处或轨迹区段(SE)上的速度

-在给定位置处或轨迹区段(BE，PAE，BAE)上的姿态(X_TAS，n，T_TAS，n，Y_TAS，n)

-在给定时间时或给定位置处的尾涡流：速度(vTAS)、配置(δ_HL^k，δ_SB^k，δ_LG^k，)和风(w^k)的函数

在其它应用中，DST对同时估计的一组轨迹“S”的总体品质因数感兴趣：

[E20]S＝{T_i^k} k＝{1，...，s}>

[E21]FOM_i＝f(T_i¹，T_i²，...，T_i^s)>

在这种情况下，FOM是多轨迹的函数。对于任何可能大气场景W_i，一组对应轨迹采用特定形式，其带来特定的总体FOM_i。

再次，在这种情况下，DST需要：a)选择形成最佳地表示FOM群的中心值的特定的一组鲁棒性预测轨迹的指数i＝R的场景，以及；b)对于所选择的一个场景，获得与其余场景相关的FOM的分散性。

在这种情况下，FOM的示例通常与交通或一队交通工具相关，例如：

-燃料燃烧：对于k＝{1，...，s}

-噪音：位置(ATER^k，XTE^k，VE^k)、推力(T^k)、配置(δ_HL^k，δ_SB^k，δ_LG^k)和风(w^k)的函数

-排放：燃料燃烧和风的函数

-冲突(conflictivity)：损失LOS事件的数目乘以LOS的概率(ATER^k，XTE^k，VE^k的函数)

图24a和图24b的表定性绘制为了它们的决策制定过程所考虑的代表性DST组与其持有(或可潜在持有)兴趣的FOM之间的关系。

如图24a和图24b的表所示，两种不同的子情况能够根据DST是仅对评估在轨迹的终点处的FOM感兴趣还是对评估遍及整个轨迹处的FOM感兴趣进行区分。

如已经指出的，任何基于轨迹的r-DST基本上对两个元素感兴趣：

a)所谓的鲁棒性预测轨迹(RPT)，其是FOM群的中心值的代表，给定定义此类中心值(质心)例如平均值、众数值、中值或给定百分位数％的一定轨迹选择准则，以及；

b)对应于轨迹采样空间(即，轨迹的给定集合)的FOM群，从其中能够获得FOM分散的测量，诸如STD、MAE、SEE或RMS。

下面介绍一般方法论，以找出在所描述的意义上的鲁棒性预测轨迹(RPT)，以及FOM值的相关群，给定由鲁棒性决策支持工具单元(3)r-DST提供的FOM的定义。

为了简单起见，认为在TP中不确定性的唯一来源来自大气层预报，即以AIDL、初始条件(IC)和飞机性能模型(APM)表达的飞机意图保持不变，而大气层场景W_i能够是集合W中的任何一个成员(参见等式[E17])。

下面介绍的方法论是指已经介绍的单轨迹的情况，而不是多轨迹的情况。如以上所指出的，两个子情况区分为：

a)在终点处的品质特征：

在这种情况下，给定FOM函数到集合T的轨迹{T_i}中的每个的应用产生一群FOM值，其表示为：

[E22]z_i＝FOM(T_i)>

[E23]z＝{z_i}＝[z₁，z₂，...，z_q]^T

其中，在观察的示例中，FOM采用图25的表中所描绘的形式。

为了选择FOM群的代表性中心值，轨迹选择准则(TSC)必须由鲁棒性决策支持工具单元(3)r-DST提供。图26的表示出了用于统计中以推导统计变量的中心测量的最典型准则。

通过将TSC施加至一群FOM值，相应的中心测量z_C能够获得为：

[E24]z_C＝TSC(z)

由于计算的z_C匹配群z的任何值是不可能的，所以最接近的一个被选择作为最有代表性的中心测量。

考虑下面的等式

[E25]ε_i＝z_i-z_C>

[E26]ε＝{ε_i}＝[z₁，z₂，...，z_q]^T

计算的FOM值z_i与中心测量z_C之间的差异的群的表达，在绝对值中最低的一个能够表示为：

[E27]ε_R＝[min{ε_i²}]^1/2>

其定义了标识集合的轨迹T_R的指数R，所述集合的相关FOM最接近中心值z_C，即鲁棒性预测轨迹RPT：

[E28]T_R＝T[R]

[E29]z_R＝FOM(T_R)＝z[R]

一旦已经找到RPT，相对于所谓的质心z_R的FOM偏差的群能够表示为：

[E30]e_i＝z_i-z_R>

[E31]e＝{e_i}＝[e₁，e₂，...，e_q]^T

其被预期为表示一群FOM分散性，实际大气层条件将不同于被选择以计算RPT的场景W_R。

根据群体“e”，能够获得对于鲁棒性决策支持工具单元(3)r-DST有意义的分散性的任何统计测量。图27的表示出了最典型的统计测量。

b)整个轨迹的品质特征：

上述方法能够概括为其中r-DST不仅对评估在给定位置处或时刻而且对评估遍及整个轨迹的轨迹方面的不确定性感兴趣的情况。当评估变量诸如轨迹几何或连续时间/速度引导的概率区域导航(p-RNAV)一致性时的情况就是这样。

在这种情况下，感兴趣的典型FOM的示例在图28的表中示出。

在这种情况下，进一步的自由度(DOF)起与标识集合的轨迹T_i中的每个的每一个样本Y_ij的指数j相关的作用。

因为这样，所以给定FOM不被直接使用，但对应数字(在图28中表示为“z”)代替施加在轨迹样本水平以获得如下的一群轨迹样本水平FOM：

[E32]z_ij＝FOM(Y_ij)>

表达式[E32]和表达式[E33]假设属于考虑的集合的所有轨迹具有相同数目的状态向量样本。

现在，TSC被按列施加在一群z上，所以对于每组对应轨迹样本获得中心值z_Cj：

[E34]z_Cj＝TSC(z_ij)>

[E35]z_C＝{z_Cj}＝[z_C1，z_C2，...，z_Cn]^T

考虑等式：

[E36]σ_ij＝z_ij-z_Cj>

作为计算的轨迹样本水平FOM值z_ij与中心测量z_Cj之间的一群差值的表达式，在绝对值中最小的一个能够表示为：

其定义了标识集合的轨迹T_R指数R，所述集合的相关FOM最接近中心值z_C，即鲁棒性预测轨迹RPT：

[E39]T_R＝T[R]

以及质心，在这种情况下，其是n维值：

[E40]z_R＝{z_Rj}＝[z_R1，z_R2，...，z_Rn]^T

一旦已经找到RPT，相对于质心z_R的FOM偏差的群能够表示为：

[E41]e_ij＝z_ij-z_Rj>

并且从这一点上，FOM分散性测量能够由群“e”推导，以下是在先前考虑的情况下所描述的测量的类似方法(在终点处的品质特征)。

以下是基于建立在上述方法的前提下接近测试台的体系结构的简要说明，所述方法旨在根据运行许多不同研究情况的需要支持不同轨迹方面的随机分析。

本着提供体系结构的广阔视图的目的，以下描述呈现体系结构的主要逻辑部件的静态视图以及详述它们之间的主要交互的动态视图两者。

图14示出总体测试台逻辑体系结构，包括其三个主要系统(r-DST、s-TP和p-DMET)以及是随机轨迹预测处理器单元(1)s-TP的其中心件的子系统。

在图14的图中标识的系统/子系统的主要功能与其接口一起随后进行解释。

a)鲁棒性DST单元(3)r-DST：

一般而言，现有DST以轨迹预测器(TP)作为决策制定过程的基础，轨迹预测器(TP)通常是ad-hoc开发的内部部件，其依赖于用于每组输入诸如AV类型、轨迹定义和大气层场景的单一(确定性)预测轨迹。

提出的体系结构维持该功能，虽然TP以基于外部AIDL的轨迹计算(TC)基础结构为特征。图14所示的接口1、接口5、接口7和接口8分别允许DST设置其中需要AM的4D域、选择AV类型、提供飞机意图和请求/检索预测轨迹。

然而，这里所考虑的鲁棒性DST的概念不同于现有DST，其中，使新的机制能够允许鲁棒性决策支持工具单元(3)r-DST以关于预测轨迹到已知是不确定的方面的灵敏度的附加信息作为其决策制定过程的基础。此外，此类机制允许鲁棒性决策支持工具单元(3)r-DST选择预测轨迹的特定方面，所述预测轨迹的不确定性与决策制定过程有关。

新功能通过图14的接口13来实现，其允许鲁棒性决策支持工具单元(3)r-DST给随机轨迹预测处理器单元(1)s-TP提供感兴趣的FOM、轨迹选择准则(TSC)，以及关于如何使在(随机)TC过程中包含的随机变量随机化的配置信息，所以随机轨迹预测处理器单元(1)s-TP返回相应计算的鲁棒性预测轨迹(RPT)和FOM不确定性。图14的接口13还给鲁棒性决策支持工具单元(3)r-DST提供涉及s-TP随机化能力的元数据；能够基本上随机化的参数、它们能够采用的值的范围以及在对于给定的随机化配置的计算中包含的复杂性的测量。

图29a和图29b的表提供关于鲁棒性决策支持工具单元(3)r-DST与随机轨迹预测处理器单元(1)s-TP之间的交互的进一步详述。

b)随机的基于AIDL的轨迹预测处理器单元(1)s-TP：

随机轨迹预测处理器单元(1)s-TP由两个主要部件组成，在图14中表示为随机化引擎单元(4)RE和轨迹计算单元(5)TC。基本上，该方法基于蒙特卡罗模拟法。从而随机化引擎单元(4)RE与底层轨迹计算单元(5)TC迭代地工作，底层轨迹计算单元(5)TC计算针对由随机化引擎单元(4)RE选择的所有随机变量的每种组合的一个轨迹。在随机化过程中起作用的随机变量已采取由鲁棒性决策支持工具单元(3)r-DST设计的其所有可能的值之后，随机化引擎单元(4)RE收集所有“可能”的预测轨迹并执行以上解释的FOM分析(单轨迹和多轨迹分析)或类似概括的FOM分析，所考虑的随机变量将不同于以上情况。

-随机化引擎单元(4)RE：

随机化引擎单元(4)RE通过上述接口13实现随机轨迹预测处理器单元(1)s-TP的功能。为此目的，随机化引擎单元(4)RE通过接口8、接口9、接口10、接口11和接口12与底层轨迹计算单元(5)TC交互，如图30a和图30b的表中所述。

随机化引擎单元(4)RE负责建立随机化序列，其通常包含一系列嵌套循环，与一个单一的随机参数相关联的每一个嵌套循环逐步扫描其由随机化引擎单元(4)RE选择的对应范围，以适当地处理计算复杂性。每当制定一个特定组合时，随机化引擎单元(4)RE调用接口8并检索与此类组合相关的预测轨迹。当它完成扫描所有随机参数的范围时，随机引擎单元(4)RE切换以执行以上解释的分析。

-轨迹计算单元(5)TC：

轨迹计算单元(5)TC是负责计算针对每组输入的预测轨迹的部件，所述输入包括到所涉及的随机参数的给定值。因此，虽然随机参数通过其接口利用随机引擎单元(4)RE处理，但轨迹计算单元(5)TC以确定性方式工作。其主要元件是轨迹引擎(TE)、飞机性能模型(APM)和概率大气模型(PAM)。图31的表描述了它们之间的接口。

c)概率数字气象服务单元(2)p-DMET：

本公开的系统的概率数字气象服务单元(2)p-DMET负责基于提出的集合方法给随机轨迹预测处理器单元(1)s-TP提供有概率大气层预报。为此目的，其通过接口2与轨迹计算单元(5)TC的内部部件PAM交互，接口2的高水平设计在图32的表中概述。

与目前技术水平相比，本方法和系统是创新的，因为：

1)其涉及专业能力和区域(气象预报、气象服务、轨迹预测和管理、批量数据处理和空中交通操作)的前所未有的组合；

2)其专注于在整个飞机轨迹的终端到终端的生命周期中传播的与其它不确定性来源结合的气象预报不确定性，目的是要彻底理解并量化对用户操作决策的最终影响；

3)方法指定表征涉及用于空中交通管理(ATM)决策支持的目前技术水平产品的不确定性的度量(依据FOM或同等聚合参数)，以及因此未来产品的操作效益的测量；

特别地，三个主要研究单元包含若干特定的创新方面：

关于概率数字气象服务单元(2)p-DMET：

4)虽然通用天气预报是广泛可用的，但在基于轨迹的情况中为航空公司和ATM操作定制的专业气象预报产品/服务是不可用；

5)气象预报的不确定性从由具有在该区域的综合经验的三种不同组织运行的模型和条件的集合中提取，确保宽范围的结果；

关于随机轨迹预测处理器单元(1)s-TP：

6)由概率气象预报供给的随机TP而不是确定性TP在空中交通管理(ATM)中是新的；

7)依据FOM和相关不确定性，随机轨迹预测处理器单元(1)s-TP与鲁棒性决策支持工具单元(3)r-DST之间的交互从未被研究；

关于鲁棒性决策支持工具单元(3)r-DST：

8)使用定制的FOM以表征TP的不确定性对于其在自动化决策支持中的利用相比于目前技术水平是新的，其中依赖于确定性TP的DST不负责不确定性；

9)在FOM测量中的不确定性与DST性能之间的相关性分析之前从未被尝试。

敏感性分析用于概述需要由基于气象模型底层TP的DST履行的需求，从而有效支持SESAR(单一欧洲天空ATM研究)目标，该敏感性分析迄今从未进行。