Plan-and-Avoid: Real-Time Aircraft Trajectory Coordination in a Multi-Agent Environment
arXiv 论文提出 Plan-and-Avoid (PAA) 框架，用于协调多智能体空域中围绕声明优先级轨迹的实时协同。该框架预测不确定性感知的 well-clear 分离违规，并在优先级计划无法维持分离时生成受车辆约束的单边建议，修改附近飞机轨迹以维持所有交通的 well-clear 分离。论文使用华盛顿特区空域的真实 ADS-B 流量，在超过 900 个迫降案例（总计超过 140 小时模拟）中测试了该框架。
Development
- First ReportPlan-and-Avoid: Real-Time Aircraft Trajectory Coordination in a Multi-Agent EnvironmentarXiv cs.RO
- Current Assessment该框架针对无人机交通管理等新兴领域，提出了一种可扩展的协同轨迹协调方法。通过声明优先级轨迹，框架允许在复杂空域中优先保障关键任务，同时维持整体安全。使用真实 ADS-B 数据测试增强了结果的可信度，可能吸引空中交通管理、无人机物流等领域的关注。Agent Pulse · analysis
arXiv 论文提出 Plan-and-Avoid (PAA) 框架，用于实时协调多智能体空域中围绕声明优先级轨迹的协同操作。优先级轨迹代表因机动性受限、紧急情况、关键任务或指定操作优先级而必须保留的飞机飞行计划。框架预测不确定性感知的 well-clear 分离违规，并在优先级计划无法维持分离时生成受车辆约束的单边建议，修改附近飞机轨迹以维持所有交通的 well-clear 分离。该方法适用于任何声明的优先级轨迹。论文使用应急着陆规划器生成候选优先级轨迹来演示 Plan 组件，PAA 识别接近该轨迹的飞机并发出 Avoid 解决建议。框架使用华盛顿特区空域的真实 ADS-B 流量，在超过 900 个迫降案例（总计超过 140 小时模拟）中测试。
PAA 框架将轨迹协调分解为 Plan 和 Avoid 两个阶段，Plan 生成候选优先级轨迹，Avoid 在检测到分离违规时生成单边建议。框架强调不确定性感知的预测，可能使用概率模型处理 ADS-B 数据中的噪声。受车辆约束的建议表明考虑了飞机的机动能力。测试使用真实 ADS-B 数据，覆盖大量迫降案例，验证了框架在真实场景中的可行性。
该框架针对无人机交通管理等新兴领域，提出了一种可扩展的协同轨迹协调方法。通过声明优先级轨迹，框架允许在复杂空域中优先保障关键任务，同时维持整体安全。使用真实 ADS-B 数据测试增强了结果的可信度，可能吸引空中交通管理、无人机物流等领域的关注。
对于无人机物流、空中出租车等新兴行业，PAA 提供了一种确保关键任务优先级的协调机制，可能降低运营风险并提高空域利用率。对于空中交通管理系统供应商，该框架可作为算法基础，增强产品竞争力。
未来工作可能包括将 PAA 扩展到更复杂的多优先级场景，集成到实际无人机交通管理系统中，或与其他感知和通信系统结合。框架的实时性使其有潜力应用于动态空域管理，但需要进一步验证在更大规模、更密集交通下的性能。