基于图学习的城市空中移动垂直起降区多架飞行器的决策支持
摘要：城市空中出行（UAM）概念下的大多数飞机预计将是电动垂直起降（eVTOL）飞行器类型，并将在垂直起降口（vertiport）上运行。虽然这类似于通用航空飞机和机场之间的关系，但是垂直起降口的确定位置在密集城市环境中管理服务于垂直起降口的航空交通中面临着独特的挑战。随着降落和起飞频率的增加，这一挑战变得尤为突出。本文假设存在一个集中式空中交通管制器（ATC），以探讨一种管理垂直起降口服务的eVTOL的新型基于人工智能驱动的ATC方法的性能。在这种情况下，最小间隔安全和延误是两个重要的考虑因素。ATC问题被建模为任务分配问题，并考虑了由通信中断（例如，信号质量差）和恶劣天气（例如，强风影响）引起的行动失败的小概率不确定性。为了学习垂直起降口ATC策略，开发了一种名为“Urban Air Mobility- Vertiport Schedule Management (UAM-VSM)”的新颖基于图形的强化学习（RL）解决方案。该方法使用图形卷积网络（GCNs）来将垂直起降口空间和eVTOL空间抽象为图形，并为集中式ATC智能体聚合信息以帮助泛化环境。利用Unreal Engine结合Airsim作为训练和测试的仿真环境。由于在这样逼真的仿真中进行蒙特卡洛采样的成本较高，因此测试阶段仅考虑不确定性。所提出的图形RL方法在测试场景中展现出显著更好的性能，相对于可行的随机决策基线和先到先服务（FCFS）基线，包括面对未见过的场景和不确定性的泛化能力。
作者：Prajit KrisshnaKumar, Jhoel Witter, Steve Paul, Karthik Dantu, Souma Chowdhury
论文ID：2302.05849
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2023-02-14