无人机低空飞行障碍物环境风险评估方法研究&#x02014;&#x02014;以京津新城为例

贺洪波; 徐晨晨; 叶虎平

doi:10.18306/dlkxjz.2021.09.006

地理科学进展 >

2021 , Vol. 40 >Issue 9: 1503 - 1515

DOI: https://doi.org/10.18306/dlkxjz.2021.09.006

无人机运行监管

无人机低空飞行障碍物环境风险评估方法研究——以京津新城为例

贺洪波 ^,¹^,² ,
徐晨晨 ¹^,³^,⁴ ,
叶虎平 ^,¹^,^*

展开

1.中国科学院地理科学与资源研究所,资源与环境信息系统国家重点实验室,北京 100101
2.中国科学院大学资源与环境学院,北京 100049
3.中国科学院无人机应用与管控研究中心,北京 100101
4.天津中科无人机应用研究院,天津 301800

* 叶虎平(1983— ),男,浙江义乌人,博士,助理研究员,主要研究方向为无人机遥感数据处理、无人机低空航路、水色遥感。E-mail: yehp@igsnrr.ac.cn

贺洪波(1998— ),男,山西大同人,博士生,主要从事无人机低空运行风险评估、无人机遥感研究。E-mail: hehb. 20b@igsnrr.ac.cn

收稿日期: 2020-11-30

修回日期: 2021-02-26

网络出版日期: 2021-11-28

基金资助

中国科学院重点部署项目(ZDRW-KT-2020-2-1)

国家自然科学基金项目(41771388)

国家自然科学基金项目(41971359)

天津科技计划项目智能制造专项(Tianjin-IMP-2018-2)

版权

收起

Environmental risk assessment of obstacles in low-altitude flight of unmanned aerial vehicle: Taking the Beijing-Tianjin New Town as an example

HE Hongbo ^,¹^,² ,
XU Chenchen ¹^,³^,⁴ ,
YE Huping ^,¹^,^*

Expand

1. State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
3. The Research Centre for UAV Application and Regulation, CAS, Beijing 100101, China
4. Institute of UAV Application Research, Tianjin and CAS, Tianjin 301800, China

Received date: 2020-11-30

Revised date: 2021-02-26

Online published: 2021-11-28

Supported by

The Key Research Program of Chinese Academy of Sciences(ZDRW-KT-2020-2-1)

National Natural Science Foundation of China(41771388)

National Natural Science Foundation of China(41971359)

Tianjin Intelligent Manufacturing Project(Tianjin-IMP-2018-2)

Copyright

Fold

摘要

无人机应用日益广泛,但随着城市环境建设的不断推进,无人机在城市中安全运行的问题也日益突出,因此无人机低空障碍物环境风险评估成为无人机领域研究的关键问题之一。论文按照不同类型无人机及运行高度将低空空域划分为微型、轻型和小型无人机风险评估区域,在充分考虑无人机自身形状大小、运动约束以及障碍物约束等条件的基础上,提出一种近似点扩张算法,基于障碍物原始边界生成扩张边界,并将其作为低空飞行环境中高风险与低风险之间的风险过渡区。以京津新城为例,分别提取不同风险评估区内的障碍物要素,并基于风险评估技术生成面向微型、轻型和小型无人机多高度层的低空飞行障碍物环境风险地图,按其对无人机威胁程度分为高风险区、高风险过渡区、中风险区和低风险区。实验结果表明:研究区内微型、轻型、小型无人机风险评估区内的风险过渡区分别占10.9%、7.3%、9.0%,该方法可以在考虑无人机与障碍物相互影响的基础上,计算飞行区域内无人机潜在碰撞风险区域,实现对低空障碍物环境风险的科学有效评估,为不同机型的无人机在飞行区域内的可航行性提供科学参考。

关键词： 无人机; 低空飞行环境; 多边形近似扩张算法; 风险地图; 京津新城

本文引用格式

贺洪波 , 徐晨晨 , 叶虎平 . 无人机低空飞行障碍物环境风险评估方法研究——以京津新城为例[J]. 地理科学进展, 2021 , 40(9) : 1503 -1515 . DOI: 10.18306/dlkxjz.2021.09.006

Abstract

Unmanned aerial vehicle (UAV) is increasingly widely used, but with the continuous progress of urban development, the safe operation of UAV in cities is increasingly more prominent. Therefore, environmental risk assessment of obstacles has become one of the key issues in the field of low-altitude UAV research. In this study, taking the Beijing-Tianjin New Town as an example, the low-altitude airspace was divided into micro, light, and small UAV flight zones according to the low-altitude UAV types and operating heights. Based on the shape and size of UAVs, their motion constraints, and obstacle constraints, this research proposed an algorithm for approximation point expansion. The algorithm generates an expanded boundary on the basis of the original boundary of the obstacles, and this expanded boundary serves as a transitional zone between high risk and low risk areas in the low-altitude flight environment. Based on the UAV image data of 0.5 m resolution in the Beijing-Tianjin New Town in 2019, this study extracted obstacle elements in different assessment areas, and generated low-altitude flight obstacle environmental risk maps for different UAV types and different heights based on the risk assessment. The study area was divided into high-risk zone, high-risk transitional zone, medium-risk zone, and low-risk zone according to the threat posed to UAVs. The results show that: 1) The risk transitional zone in the micro, light, and small UAV control areas in the study area accounted for 10.9%, 7.3% and 9.0%, respectively, and the sharp-angle convex vertex optimization of the approximate point expansion algorithm can save about 1% of the airspace resources. 2) The proposed method can calculate the potential collision risk area of the UAVs in the flight area based on the mutual influence of the UAVs and the obstacles, and realize the effective assessment of the environmental risk of the low-altitude obstacles and provide a scientific reference for the navigability of the UAVs of different types in the flight area.

Key words： UAV; low-altitude flight environment; approximate expansion algorithm of polygons; risk map; Beijing-Tianjin New Town

近年来,中国民用无人机(unmanned aerial vehicle,UAV)产业持续快速发展^[1],据相关部门统计,截至2019年底,民航局实名登记系统已注册无人机约39.2万架,2019年交换系统各家云系统提供的有效数据为9.01亿条,换算成飞行时间约为125.12万h,相较于2018年增加了26.26万h^[2]。《深圳市2018年国民经济和社会发展统计公报》把民用无人机作为当年主要工业产品列报产量,显示2018年深圳共生产了294.5万架民用无人机^[3],占全球民用小型无人机市场份额超90%。这些数据说明中国已经成为无人机生产和运行的大国。然而,随着相关技术和产品的迭代升级,无人机相关标准、低空飞行管理及运营环境等相关内容相较于无人机产品的发展仍存在一定的滞后性^[4]。在该背景下,越来越多的目光被聚集到尚待开发的低空空域资源,因此如何确保无人机科学管控、合理运行、规避安全隐患,使各类民用无人机在低空空域实现高效有序飞行成为了行业关注的焦点。据统计,2019年中国运行高度在120 m以下的无人机占比93.3%,而运行高度在50 m以下的无人机的飞行小时数超过80%^[2],由此可见中国无人机运行环境以近地低空和超低空为主;低空飞行障碍物环境相对复杂多变,这给无人机安全高效飞行带来了严峻挑战^[5]。

为了加强低空安全,构建低空资源理论与技术保障体系,各国学者开展了许多前瞻性的探索研究。在国内,早在2017年,中国科学院提出了建设无人机低空公共航路的建议和方案,旨在实现无人机安全有序运营,该方案已构建了理论体系,并得到初步研究结果^[6]。徐晨晨等^[7]在构建城镇化区域无人机低空航路网的研究工作中,根据地表的地理要素对无人机飞行的影响,对地理要素划分为正、负地理约束要素,并根据地理约束要素净空边界数学模型界定要素空间的影响范围,进而能够根据影响范围对障碍物环境进行风险评估,最终构建安全、高效的低空航路网。与此同时,国外也在陆续开展无人机低空环境的研究,Lum等^[8]提出了一种暴露模型,该模型使用人口普查数据、卫星影像数据以及专家意见,对无人机在障碍物密集以及人口稠密地区飞行会造成的风险水平进行量化,为无人机飞行决策提供科学依据。Primatesta等^[9]通过人口密度、庇护因素、禁飞区和障碍物等要素对风险进行量化,生成了基于地理位置的航行环境风险二维图。二维图中的每个元素都关联了一个风险值,来量化无人机在特定位置飞行的风险,以便于识别高风险区域并用作无人机的知情决策工具。由此可见,低空空域与地表地理息息相关,并且直接关系到无人机低空飞行的安全运行。因此,无人机低空飞行障碍物环境风险评估研究在无人机安全飞行中至关重要。然而,当前国内外研究对低空障碍物进行描述建模时,将障碍物的地理边界直接作为风险与安全的边界。而在实际情况中,无人机飞行会受到自身外形、运动学约束,以及信号、天气所造成的影响,导致生成的障碍物风险地图无法准确刻画出障碍物真实的风险范围。

本文在对低空航行障碍物环境进行风险评估时,综合考虑无人机自身运动特性和障碍物威胁约束,提出在障碍物地理边界外扩张生成安全边界,生成边界缓冲区作为高风险到低风险的风险过渡区,进而计算得到低空障碍物环境风险地图,从而实现对低空飞行障碍物风险的科学评估,为不同机型的无人机在飞行区域内的可航行性提供定量参考,有助于提高低空空域资源的利用率。

1 研究区与风险评估方法

1.1 研究区概况

京津新城位于天津市宝坻区(图1),处于环渤海湾经济区的心脏地带。近年来京津新城通过创新体制和管理模式,努力营造符合现代市场发展的城市运行机制,有休闲度假型别墅、城市建筑物群、各种工业与科技园区等。中国科学院地理科学与资源研究所和天津宝坻区人民政府共建的天津中科无人机应用研究院就位于宝坻区京津新城,该研究院有标准化无人机综合验证场,具备良好的批准空域和无人机临场飞行试验的硬件条件。此外,京津新城平均海拔高度为8~10 m,障碍物类型较多,包括各类建筑物、林地、耕地、水体等,因此将该地区作为本文研究区具有很好的代表性和可操作性。

显示原图|下载原图ZIP|生成PPT

图1 京津新城地理位置及研究区概况

Fig.1 Geographical location of the Beijing-Tianjin New Town and overview map of the study area

1.2 风险评估环境构建

障碍物环境建模是指按照一定的数学法则或合适的方法对环境中的障碍物进行合理性描述^[11],是后续进行风险评估以及避障路径规划的基础和关键,环境模型选择合适与否直接关系到最终的计算量、计算效率以及最终的安全性。京津新城地区包含的地理要素较多,建筑物高度信息较为丰富,为了减少内存的开销,提高计算效率,研究使用矢量数据对障碍物进行地理表达。在遵循无人机低空运行统筹配置、灵活使用、安全高效的原则下,参考2018年中国民航局发布的《无人驾驶航空器飞行管理暂行条例(征求意见稿)》^[12](下称《条例》)中对无人机机型分类及运行高度的规定,面向微型^①(①根据《无人驾驶航空器飞行管理暂行条例（征求意见稿）》^[12]规定(下称《条例》),微型无人机是指空机重量小于0.25 kg,设计性能同时满足飞行真高不超过50 m、最大飞行速度不超过40 km/h、无线电发射设备符合微功率短距离无线电发射设备技术要求的遥控驾驶航空器。在真高50 m以上运行需经过批准。)、轻型^②(②根据《条例》^[12]规定,轻型无人机是指同时满足空机重量不超过4 kg,最大起飞重量不超过7 kg,最大飞行速度不超过100 km/h,具备符合空域管理要求的空域保持能力和可靠被监视能力的遥控驾驶航空器,但不包括微型无人机。在真高120 m以上运行需经过批准。)和小型^③(③根据《条例》^[12]规定,小型无人机是指空机重量不超过15 kg或者最大起飞重量不超过25 kg的无人机,但不包括微型、轻型无人机。)无人机进行风险的分级分类评估。

对影响无人机正常运行的障碍物以及《条例》中规定的飞行限制区进行分级分类建模,并综合考虑无人机自身运动特性以及障碍物威胁等级约束2大影响因子,采用障碍物多边形边界扩张的方法构建障碍物安全距离范围,将障碍物原始边界以内划分为重点风险区,边界扩张生成的“缓冲区”划分为高风险过渡区,其他区域按照危险等级,依次划分为中风险区和低风险区(图2),最终完成面向不同机型的低空飞行障碍物环境风险评估。

显示原图|下载原图ZIP|生成PPT

图2 风险评估技术路线

Fig.2 Technical roadmap for the risk assessment of low-altitude unmanned aerial vehicle operation

1.2.1 障碍物扩张距离计算

在对障碍物安全环境进行精准建模时,除考虑无人机自身性能,还需要综合考虑各种类型障碍物对无人机飞行的不同影响。首先是无人机自身性能。当下占据市面主流的是多旋翼无人机和固定翼无人机,固定翼无人机速度快、机体载重大,飞行中受最小转弯半径限制;旋翼无人机速度低、易于转弯和悬停,对起降场地要求低^[13]。

为了量化无人机与障碍物应保持的最小安全距离,需要对2种典型的无人机机型进行具体分析。对于固定翼无人机,本文定义一种无人机的障碍物探测线L来判断无人机是否与障碍物相交,当固定翼无人机以最小转弯半径规避前方的障碍物时,探测线长度最短,图3显示了固定翼无人机的障碍物探测线临界值计算原理。固定翼无人机在常规飞行下收到转弯指令后,需要经过一定时延,并根据最小转弯半径以及自身形状来定量化碰撞临界值。而旋翼无人机不存在最小转弯半径,只需根据执行指令时延和自身形状来计算多旋翼无人机的第一个影响因子

D 1

(1)

D 1 = L min + V n τ + 12 max (a, b) 固定翼无人机 V n τ + 12 max (a, b) 旋翼无人机

(2)

L min = R obs R obs + 2 R min - R obs

式中:

max (a, b)

表示机身长、翼展长度的较大值;

τ

为无人机从开始转弯到达最大滚转角所需要的时间;

L min

为最短前视探测线;

R obs

表示当前高度下监测到障碍物的障碍物圆半径;

R min

表示无人机的最小转弯半径,与无人机当前的速度

V n

及无人机最大滚转角相关。

显示原图|下载原图ZIP|生成PPT

图3 障碍物探测临界值示意图

Fig.3 Schematic diagram of obstacle detection threshold

其次,对于障碍物威胁等级约束,不同类型的障碍物还会对无人机飞行造成不同程度的影响,例如障碍物除了传统认知的山体、树木、建筑物、电线杆等,还有例如禁飞区、军事禁区、机场临时起降点、空中危险区等。本文在参考《条例》中对禁止飞行区的定义和规定后^[12],划定不同类型的障碍物在不同风险评估区域的最小保持距离

D lim

,最终按照障碍物威胁程度由高到低划分为Ⅰ~Ⅴ级,Ⅰ~Ⅲ级障碍物是《条例》中规定的禁飞区,无人机在该区域内禁止飞行,因此最小保持距离较大;Ⅳ、Ⅴ级障碍物是影响无人机安全飞行的地理实体或区域,也是本文进行风险评估工作的重要研究对象。障碍物等级划分及距离限制如表1所示。

表1 无人机与各类型障碍物的距离限制

Tab.1 Distance limitation between UAV and various obstacles

障碍物等级	障碍物类型	不同类型的无人机应保持的最小距离
障碍物等级	障碍物类型	微型 $D lim 1$	轻型 $D lim 2$	小型 $D lim 3$
Ⅰ	民用航路	10 km
Ⅰ	国界线、边境线	我方一侧5 km
Ⅱ	军事机场净空区、民用机场障碍物限制面	2 km
Ⅱ	有人驾驶航空器临时起降点	2 km
Ⅲ	军事禁区及管理区、党政机关、核电站	10 m	20 m	1000 m
	易燃易爆危险品相关企业和仓库、电力设施、加油站、车站码头	10 m	20 m	1000 m
	高塔、电网、风力发电	5 m	10 m	1000 m
Ⅳ	建筑物、高铁、公路	5 m	10 m	500 m
Ⅳ	电线杆、交通设施	5 m	5 m	200 m
Ⅴ	农田、树林、江河湖泊、操场、山川、无人机飞行验证场	获得空域申请后,保证安全前提下,可以飞行

注:表格中障碍物要素及飞行限制区参考自《无人驾驶航空器飞行管理暂行条例(征求意见稿)》^[15]。

因此,在进行障碍物边界扩张时,综合考虑2个影响因子后,最终的扩张距离参数为:

(3)

D = max D lim, D 1

式中:

D

表示最终的扩张距离;

D lim

表示障碍物类型的距离限制,具体数值由障碍物等级决定,详见表1;

D 1

表示无人机运动学约束下的距离限制。

综上,通过2个影响因子的计算,得到最终的扩张距离后,可以在低空飞行环境中,在障碍物原始边界外加入一个风险过渡区,在考虑了无人机以及障碍物2个对象自身属性的前提下,计算生成的介于碰撞风险区域以及安全环境之间的“缓冲区”,对于后续的风险评估有重要的参考意义。

1.2.2 障碍物边界扩张改进算法

本文采用基于向量和解析几何知识的点扩张算法对障碍物原始边界进行扩张^[14],算法输入为不规则多边形的顶点数据。经实际运算,传统点扩张算法过度依赖输入数据,在锐角凸顶点处会出现“过度扩张”的现象,导致原本属于低风险或安全的区域被划分为中高风险区。针对该问题,从2个方面进行改进。首先,分类输入障碍物:对于路灯、电线杆等点障碍物,风险过渡区面积不宜过大,研究采用最小外接三角形生成安全边界;对于多边形障碍物,数量众多且属性各异,研究根据实际计算距离进行分类扩张。其次,对于“过度扩张”问题,算法在点扩张向量的基础上,对凸角的顶点进行顶点“分解”。如图4b所示,以顶点

P i

为圆心做以扩张长度

d

为半径的圆弧,再做顶角角平分线的反向延长线,与圆弧交于一点,过这一点做圆弧的切线交于扩展边

Q i 1'

、

Q i 2'

,这2点就是近似点扩张后的分解的2个点。

显示原图|下载原图ZIP|生成PPT

图4 传统点扩张算法与改进算法原理与输出效果图

注:图中$\overrightarrow{V_{1}}$和$\overrightarrow{V_{2}}$分别为连接多边形顶点的2条邻边的方向向量,利用向量叉乘以及扩张距离求得扩张点坐标;P_i为原始边界点,Q_i为扩张点。

Fig.4 Comparison of the method and output of the traditional point expansion algorithm and the improved algorithm

具体的近似点扩张操作是:对于锐角凸顶点的原始边界顶点,如果想得到分解的

Q i 1'

和

Q i 2'

两点,就需要构造切线的方向向量,利用圆的切线与过切点的半径垂直的性质,将已计算的

QP →

逆时针旋转90°即可构造切线的方向向量

ab →

,代入二维空间向量的旋转矩阵(逆时针),得到切线向量。

(4)

ab → = x' y' = A · QP → = cos θ - sin θ sin θ cos θ x y

式中:

ab →

为切线向量,

A

为向量逆时针旋转矩阵,

θ

为

QP →

逆时针旋转至切向向量

ab →

对应的角度,即90°;(x, y)为向量

QP →

的坐标;(x′, y′)为向量

ab →

的坐标。

得到切线向量后,对其进行单位化处理,然后利用几何分析分别计算

P a

和

P b

的延伸长度

∆ L

,于是2点的坐标就可以通过Q点坐标以及偏移向量计算而得。

(5)

∆ L = Dist × tan π - α 4

(6)

P a = Q + ∆ L × Normalize ab →

(7)

P b = Q - ∆ L × Normalize ab →

式中:

∆ L

表示分解点与

Q

点的偏移长度,

Dist

表示边界扩张距离,

α

为顶点对应的顶角角度,

Normalize ab →

表示切向方向的单位向量。

最终计算生成并输出分解的2个扩张点,具体原理见图4b。

1.3 风险评估方法

本文以0.5 m京津新城无人机遥感影像作为本底数据,通过遥感图像目视解译与实地考察得到该区地物分布。结合当前城市低空主要无人机应用场景,将待评估空域以50 m和120 m为分界线划分为微型、轻型、小型3类(表2)。对于每一个待评估区域,首先提取禁飞区,即表1中划定的Ⅰ~Ⅲ级障碍物要素,这些要素需要设定较大的保持距离以及较高的风险值;其次统计归纳3种区域内对无人机运行产生影响的Ⅳ、Ⅴ级障碍物要素,按照对无人机安全飞行的影响构建障碍物要素数据集,最终计算生成分级分类的低空飞行障碍物环境风险地图。

表2 基于机型和高度的无人机低空运行环境风险因子

Tab.2 Environmental risk factors for UAV low-altitude operation based on aircraft type and altitude

无人机类型	政策规定安全距离 $D lim$	自身性能安全距离 $D 1$	运行高度H/m	适用场景
微型	$D lim 1$	$V n τ + 12 max (a, b)$	<50	城市航拍/农林植保
轻型	$D lim 2$	$V n τ + 12 max (a, b)$	50~120	城市低空快递/安防监控/公共安全
小型	$D lim 3$	$L min + V n τ + 12 max (a, b)$	120~300	应急救援/空中测绘

注: $V n τ$ 表示转弯指令时延造成的误差, $12 max (a, b)$ 表示无人机外形约束, $L min$ 表示最小转弯半径约束。

对于微型和轻型类别,该区域内运行的无人机多为旋翼无人机,体型较小,无最小转弯半径影响,因此无人机自身运动约束来自于转弯指令反应能力和机身大小;但《条例》对其安全距离有规定(表1)。结合遥感影像数据将该区域内的障碍物约束要素归纳为:高建筑楼宇、道路、操场、农田、树林、人造湖、河流、路灯和交通信号灯等。

对于小型类别,多为体型较大的旋翼或较小体型的固定翼,无人机自身运动约束受最小转弯半径和机身外形影响;由于该区域内无人机的飞行高度较高、范围较大,对人类及公共财产造成的潜在风险较大,设定其安全距离遵循《条例》规定。该区域内的障碍物约束要素可归纳为:居民建筑物群、高层建筑物、工业区、小型机场及各类飞行限制区等。

构建好要素数据集后,为每一种类型的地理要素新增一个风险值的属性,风险值根据表1中对障碍物的分类进行划定。Ⅰ~Ⅲ级数据是法律法规明令禁止飞行的,设置极高风险值,无人机飞行中会避开这3级风险区。本文风险值划定的重点放在Ⅳ、Ⅴ级障碍物要素。对于每一片研究区内的要素数据集,根据建筑物高度、路灯及电线杆的高度弹性划定风险值,这些具体的划定规则详见表3。

表3 各类型障碍物及地理要素风险值划定

Tab.3 Risk value of various types of obstacles and geographical elements

障碍物要素等级	障碍物要素	风险值划定
障碍物要素等级	障碍物要素	原边界内风险值	风险过渡区风险值
Ⅰ	民用航路、国界线	999	900
Ⅱ	机场净空区、机场障碍物限制面	888	800
Ⅲ	军事禁区、核电站、党政机关、易燃易爆物品仓库、加油站、电力设施、车站码头	666	600
Ⅳ	建筑物、路灯、电线杆、高铁、公路	99 70	89 69
Ⅴ	树林、山川、操场农田、水体、无人机飞行验证场	50 30

注:对于Ⅰ~Ⅲ级障碍物,风险值设置极高。如果属于规定的禁飞区,则需要在研究区中去掉该区域,作为无人机禁止飞入区域,再对剩下的区域进行风险评估。

在生成含风险值属性的矢量地图后,在上述工作的基础上输出障碍物环境风险栅格地图,为后续无人机避障路径规划提供科学数据参考。同时按照评估方法的要求以各障碍物最终环境风险值为依据,进行环境风险等级划分。将风险数据归一化处理后,计算生成风险指数

R i, j

(7)

R i, j = Risk i, j - Ris k min Ris k max - Ris k min (i = 1, …, m; j = 1, …, n)

式中:

i 、 j

分别表示二维栅格风险地图(

m, n

)某一单元的行、列号,

Ris k i, j

表示单元

i, j

的风险值,

R i, j

表示单元

i, j

的风险指数。

按照对无人机航行的影响对风险指数设定阈值,依次划分为无法航行的高风险区、有较高碰撞风险的高风险过渡区、有潜在航行风险的中风险区和可航行的低风险区,如表4所示。

表4 风险区域的划分及相关描述

Tab.4 Division of risk area and description

风险区域	风险指数阈值	风险区描述
高风险区	>0.86	多为飞行限制区以及影响无人机正常飞行的障碍物
高风险过渡区	0.70~0.86	根据无人机机型、障碍物约束得到的风险缓冲区
中风险区	0.28~0.70	无人机在该区域内飞行有潜在航行风险
低风险区	<0.28	无人机在该区域内飞行风险较低

2 结果与分析

2.1 改进算法仿真验证

为了验证改进点扩张算法的鲁棒性,本文分别使用自定义多边形数据和地理数据进行验证。首先是使用和传统点扩张算法相同数据,但不同的是这次测试还对每个障碍物多边形设定了威胁等级,每一种等级的障碍物的扩张距离也是不同的,经过改进算法的测试后,输出如图5所示。由图5可见,改进算法可以对不同属性的障碍物生成不同的风险过渡区并且可以有效处理锐角凸顶点的过度扩张问题。

显示原图|下载原图ZIP|生成PPT

图5 传统点扩张算法与改进算法输出效果局部图

Fig.5 Local effect diagram of output of the traditional point expansion algorithm and improved algorithm

2.2 风险评估环境

本文选择京津新城中地理要素种类和数量较多的区域作为研究对象,以大疆Mini 2、大疆御Mavic 2、智航V330三种机型为代表分别进行微型、轻型和小型无人机的低空飞行障碍物环境风险评估,3种无人机相关参数及扩张距离参数设定详见表5。

表5 微型和轻小型无人机机型相关参数及扩张距离设定

Tab.5 Parameters and expansion distance settings for micro and light and small-sized UAVs

相关参数	微型无人机	轻型无人机	小型无人机
型号	大疆Mini 2	大疆御Mavic 2	智航V330
类型	多旋翼无人机	多旋翼无人机	垂直起降固定翼无人机
长、宽、高/mm	159×203×56	322×242×84	1650×3300×680
机身重量/g	249 g	905g	15000g
最大飞行高度/m	500	500	3500
最大水平飞行速度/(km/h)	40	72	91
续航/min	25~30 min	25~30	90
最小转弯半径	无	无	30 m
障碍物扩张距离参数影响因子	外形+障碍物等级约束	外形+障碍物等级约束	外形+最小转弯半径 +障碍物等级约束

注:最大飞行高度是在无干扰、无遮挡、无限高条件下物理可爬行最高高度,实际飞行需按照规则要求飞行;最大水平飞行速度是在理想无风条件下的速度,实际速度受实际飞行气象条件影响。

对于微型无人机风险评估区,研究最终提取出75个障碍物要素,其中路灯16个,电线杆13个,交通信号灯1个,50 m以上的高楼2座,50 m以下的建筑物35座,绿化带5处,运动场地3处。研究区除空旷的运动场地及裸地之外,其余障碍物要素均对微型无人机正常飞行产生风险,对应的扩张距离参数主要受无人机自身形状大小和障碍物约束的影响。

对于轻型无人机风险评估区,研究最终提取出265个障碍物要素,其中路灯73个,电线杆84个,交通信号灯5个,50 m以上的高楼6座,50 m以下的建筑物82座,树林15处。由于研究区障碍物相对密集,且90%的建筑物高度未超过50 m,因此研究区的轻型无人机风险评估区域中的所有建筑物都会对大疆Mavic2的飞行产生风险,对应的扩张距离参数主要受无人机自身形状大小和障碍物约束的影响。

对于小型无人机风险评估区,最终提取出597个障碍物要素和飞行限制区,其中小型民用机场1处,机关单位及工业区11处,50 m以上建筑物10处,50 m以下建筑物群6处,水体322处,航运河1处,跨河桥1座,农田245处。研究区内高度50 m以上的障碍物较少,多为居民建筑物群、工业区、机关单位、航运区等飞行限制区,对应的扩张距离参数受无人机外形、最小转弯半径及障碍物约束的影响。

生成障碍物要素数据集后,基于改进的扩张点算法分别生成3个风险评估区域的风险过渡区。障碍物要素原始边界、扩张边界以及生成的风险过渡区如图6所示。可以看出,本文提出的改进算法针对不同危险程度的障碍物,改进的算法可以生成不同宽度的风险过渡区,可以有效处理锐角凸顶点的过度扩张现象;特别地,对于微型、轻型无人机风险评估区域内电线杆、路灯等点要素,算法可以计算生成最小外包三角形作为安全边界。

显示原图|下载原图ZIP|生成PPT

图6 微型、轻型、小型无人机风险评估区域风险过渡区

Fig.6 Risk transition zone for the risk assessment area of micro, light and small UAV

2.3 风险评估结果

生成研究区地理要素数据集后,按照本文1.3节提出的风险评估方法设定地理要素的风险值,依次计算生成3种无人机风险评估区域风险地图 (图7),根据归一化后的风险值由高到低依次划分为高风险区、高风险过渡区、中风险区和低风险区。

显示原图|下载原图ZIP|生成PPT

图7 微型、轻型、小型无人机风险评估区域风险分布

Fig.7 Risk distribution map for the risk assessment area of micro, light and small UAV

该风险地图可以较为精准、直观地反映出区域环境风险等级,对风险地图中的各类要素进行统计后,3种风险评估区域内各类风险区的面积占比如图8所示。图中3种类型区域风险在中、低级别占比有较大差异,可能是因为小型无人机飞行高度相对较大,可以在除飞行限制区外的其它低矮障碍物上空飞行,而对于飞行高度较小的微型和轻型无人机,飞行中的障碍物环境复杂,飞行范围较小,因此中风险区占比相对较高。特别地,使用原算法进行边界扩张时,计算生成的风险过渡区分别会额外占用1.1%、1.3%、1.7%的空域空间,可见改进算法能提高空域资源利用率。

显示原图|下载原图ZIP|生成PPT

图8 3种无人机风险评估区域各级风险占比统计

Fig.8 Proportion of different levels of risk in the three types of UAV risk assessment areas

为了生成更直观的可视化效果,在研究区内生成渔网并生成含风险值数据的风险点,应用反距离权重插值(IDW)后,分别生成微型、轻型和小型无人机风险评估区域的三维风险值地图,显示效果如图9所示,可以清晰地看出每个研究区风险值较高的障碍物区域以及障碍物周围的风险过渡区域,相对安全的中风险地区和低风险地区。

显示原图|下载原图ZIP|生成PPT

图9 微型、轻型、小型无人机风险评估区域三维风险地图显示图

Fig.9 3D risk map of the risk assessment areas of micro, light and small UAV

3 讨论

本文依据无人机飞行运动学约束以及相关空域政策对无人机低空航行的相关管理政策,提出了一种面向不同类型无人机的低空飞行障碍物环境风险评估的方法。通过构建面向大疆Mini 2、大疆御Mavic 2、智航V330的3种无人机低空飞行障碍物环境,可以分别计算得到10.9%、7.3%、9.0%的高风险过渡区。从安全性角度来看,本文提出的方法可以为各类型无人机低空安全飞行提供更详细的风险数据,可以有效避开政策限制区、机场净空区以及高概率碰撞区,保障国家的空域安全和人民群众的安全;从政策决策者角度来看,可以通过对无人机和低空障碍物之间的相互关系对低空无人机飞行进行管制;从无人机飞行操作者角度来看,本文提供的风险数据可以定量化评估无人机在该飞行区飞行的总体安全性和可行性,为设定无人机飞行计划提供可航行和安全性的决策依据。然而,本文仅仅是低空小区域范围的研究,整个研究内容还存在如下不足:

(1) 研究区域环境要素多样性及算法普适性。本文所选的研究区位于海拔较低的天津京津新城,虽然地物类型较为丰富,但与一线城市核心商务区相比,在建筑物高度和密度变化上还有一定差距,未来的研究工作会面向障碍物类型和建筑物高度信息更丰富的地区(如城市中心区),将研究对象从二维平面拓展到三维空间,使研究方法更具实际意义和普适性。

(2) 低空风险评估的要素。对于无人机低空飞行,影响因素不仅来自于障碍物,还有可能受人口密度、电磁干扰以及无人机起降方式和飞行姿态的影响,本文对于无人机起降方式和姿态的分析评估相对简单,例如旋翼无人机垂直起降,固定翼无人机滑翔飞行等。后续研究将构建一套能够针对每一种机型的无人机的运动学约束评估系统,以确保评估方法具有推广性和实操性。其次,仅考虑了无人机与环境的相互作用,但实际情况中,还需要考虑到人的因素,即人口密度对无人机安全环境评估的影响,这在未来的研究中,逐步建立起“人—机—环”三大要素综合考虑的风险评估系统。

(3) 低空航行环境约束要素的时效性。近些年,无人机遥感弥补了卫星和有人航空等传统遥感技术手段在精度和时效方面的不足,并在低空摄影测量中表现出巨大潜力。随着5G技术的不断成熟,5G蜂窝网络可以增强现有水平区域的覆盖能力,使得获取低空空域真实地理数据更方便快捷,为无人机低空飞行构建一个高时效性、高可靠性、高安全性的数字化智能空域。因此,在后续的研究中改进算法并开发成一个系统,能够快速高效地对含有各种数据源的地理数据库中的各项要素进行甄别和风险评估,生成航路运行风险评价数据集,支撑无人机安全飞行。

4 结论

对无人机低空飞行障碍物风险进行科学评估,可以为保障无人机低空飞行安全以及公共安全提供参考依据,提高低空空域资源的利用率。本文根据无人机自身运动学特性以及障碍物对无人机风险特性,基于改进扩张算法对障碍物边界进行扩张,对低空航行环境进行剖分和建模,面向不同机型的无人机生成了不同的研究区的低空飞行障碍物环境风险地图,通过实例验证得到以下结论:

(1) 通过综合考虑无人机自身物理特性、运动学约束以及障碍物自身属性的约束2个研究对象的影响因子,采用边界扩张的方法在障碍物原始边界外生成风险过渡区,使得在对低空障碍物风险进行评估时在传统的高风险与低风险环境中加入介于高低风险之间的风险过渡区,与传统的评估方法相比,加入的具有较高碰撞风险的风险过渡区不仅可以从多维度多角度评估低空飞行障碍物的风险,同时也降低了无人机在进行路径规划时将自身看作质点而引发的潜在风险,为保障无人机低空飞行安全提供科学依据。

(2) 在研究了无人机飞行管理条例和相关空域政策的基础上,将低空空域划分为微型、轻型和小型无人机风险评估区域,在此基础上本文研究方法提出了一种低空航行障碍物等级划分规则,按照障碍物威胁程度的高低依次将障碍物划分为Ⅰ~Ⅴ五级,并且设定了各类型无人机在各自的风险评估区域的障碍物环境中飞行的边界扩张距离参数以及航行风险值,为定量化评估低空飞行障碍物风险提供了理论技术体系和数据支持。

(3) 在对传统点扩张研究的基础上,提出了一种近似点扩张的改进算法,该算法可以对不同类型的障碍物进行不同距离的扩张,在应对锐角凸顶点的建筑物时,可以有效处理过度膨胀的现象,在实验验证中,改进的算法可以有效剔除约1%的风险错分区,提高了低空空域资源的利用率。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	廖小罕, 周成虎, 苏奋振, 等. 无人机遥感众创时代[J]. 地球信息科学学报, 2016, 18(11):1439-1447. DOI [ Liao Xiaohan, Zhou Chenghu, Su Fenzhen, et al. The mass innovation era of UAV remote sensing. Journal of Geo-information Science, 2016, 18(11):1439-1447. ]

[2]	民用无人机检验中心. 2019年无人机云数据统计报告 [EB/OL]. 2020-07-13 [2020-11-02]. http://news.carnoc.com/list/538/538437.html. [Civil UAV Test Center. UAV cloud data statistical report in 2019. 2020-07-13 [2020-11-02]. http://news.carnoc.com/list/538/538437.html.]

[3]

深圳统计局. 深圳市2018年国民经济和社会发展统计公报 [EB/OL]. 2019-04-19 [2020-11-02]. http://tjj.sz.gov.cn/zwgk/zfxxgkml/tjsj/tjgb/content/post_3084909.html.

[Shenzhen Statistical Bureau. Shenzhen statistical bulletin of national economic and social development in 2018. 2019-04-19 [2020-11-02]. http://tjj.sz.gov.cn/zwgk/zfxxgkml/tjsj/tjgb/content/post_3084909.html.]

[4]	廖小罕. 地理科学发展与新技术应用[J]. 地理科学进展, 2020, 39(5):709-715. DOI [ Liao Xiaohan. Advance of geographic sciences and new technology applications. Progress in Geography, 2020, 39(5):709-715. ]

[5]	廖小罕, 肖青, 张颢. 无人机遥感: 大众化与拓展应用发展趋势[J]. 遥感学报, 2019, 23(6):1046-1052. [ Liao Xiaohan, Xiao Qing, Zhang Hao. UAV remote sensing: Popularization and expand application development trend. Journal of Remote Sensing, 2019, 23(6):1046-1052. ]

[6]	廖小罕, 徐晨晨, 岳焕印. 基于地理信息的无人机低空公共航路规划研究[J]. 无人机, 2018(2):45-49. [ Liao Xiaohan, Xu Chenchen, Yue Huanyin. Research on UAV low-altitude public air route planning based on geographic information. Unmanned Vehicles, 2018(2):45-49. ]

[7]

徐晨晨, 叶虎平, 岳焕印, 等. 城镇化区域无人机低空航路网迭代构建的理论体系与技术路径[J]. 地理学报, 2020, 75(5):917-930.

DOI

[ Xu

Chenchen

, Ye

Huping

, Yue

Huanyin

, et al. Iterative construction of UAV low-altitude air route network in an urbanized region: Theoretical system and technical roadmap. Acta Geographica Sinica, 2020, 75(5):917-930. ]

[8]	Lum C, Waggoner B. A risk based paradigm and model for unmanned aerial systems in the national airspace[R]. AIAA 2011-1424. Reston, USA: American Institute of Aeronautics and Astronautics, 2011.

[9]	Primatesta S, Rizzo A, la Cour-Harbo A. Ground risk map for unmanned aircraft in urban environments[J]. Journal of Intelligent & Robotic Systems, 2020, 97:489-509.

[10]	Primatesta S, Guglieri G, Rizzo A. A risk-aware path planning strategy for UAVs in urban environments[J]. Journal of Intelligent & Robotic Systems, 2019, 95(2):629-643.

[11]	杨乐. 面向海岛航拍的无人机航迹规划算法研究[D]. 青岛: 中国海洋大学, 2014. [ Yang Le. Research on the algorithm of UAV route planning for island's aerial photography. Qingdao, China: Ocean University of China, 2014. ]

[12]

中国民航局. 无人驾驶航空器飞行管理暂行条例(征求意见稿) [EB/OL]. 2018-01-26 [2020-11-02]. http://www.caac.gov.cn/HDJL/YJZJ/201801/t20180126_48853.html.

[Civil Aviation Administration of China. Interim regulations on flight management of unmanned aircraft (Draft for solicitation of comments). 2018-01-26 [2020-11-02]. http://www.caac.gov.cn/HDJL/YJZJ/201801/t20180126_48853.html.]

[13]	陈麒杰, 晋玉强, 韩露. 无人机路径规划算法研究综述[J]. 飞航导弹, 2020(5):54-58. [ Chen Qijie, Jin Yuqiang, Han Lu. Overview of UAV path planning algorithm. Aerodynamic Missile, 2020(5):54-58. ]

[14]	Wein R. Exact and approximate construction of offset polygons[J]. Computer-Aided Design, 2007, 39(6):518-527. DOI

[15]	张会, 李铖, 程炯, 等. 基于"H-E-V"框架的城市洪涝风险评估研究进展[J]. 地理科学进展, 2019, 38(2):175-190. DOI [ Zhang Hui, Li Cheng, Cheng Jiong, et al. A review of urban flood risk assessment based on the framework of hazard-exposure-vulnerability. Progress in Geography, 2019, 38(2):175-190. ]

[16]	Ahmed M, Abdel-Aty M. A data fusion framework for real-time risk assessment on freeways[J]. Transportation Research Part C: Emerging Technologies, 2013, 26:203-213. DOI

[17]	Stevenson J D, O'Young S, Rolland L. Estimated levels of safety for small unmanned aerial vehicles and risk mitigation strategies[J]. Journal of Unmanned Vehicle Systems, 2015, 3(4):205-221. DOI

[18]	Di Donato P F A, Atkins E M. Evaluating risk to people and property for aircraft emergency landing planning[J]. Journal of Aerospace Information Systems, 2017, 14(5):259-278. DOI

[19]	杨宙翔. 无人机航空摄影测量技术在地形测量中的应用[J]. 资源信息与工程, 2018, 33(5):127-128. [ Yang Zhouxiang. Application of UAV aerial photogrammetry technology in topographic survey. Resource Information and Engineering, 2018, 33(5):127-128. ]

[20]	la Cour-Harbo A. Quantifying risk of ground impact fatalities for small unmanned aircraft[J]. Journal of Intelligent & Robotic Systems, 2019, 93(1/2):367-384.

[21]	Raghuvanshi T K, Negassa L, Kala P M. GIS based Grid overlay method versus modeling approach: A comparative study for landslide hazard zonation (LHZ) in Meta Robi District of West Showa Zone in Ethiopia[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18(2):235-250. DOI

[22]	Mishra A K, Deep S, Choudhary A. Identification of suitable sites for organic farming using AHP & GIS[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18(2):181-193. DOI

[23]	Hescock J, Newman C, Agioutantis Z. Development of a new algorithm for implementing the edge effect offset for subsidence calculations[J]. International Journal of Mining Science and Technology, 2018, 28(1):61-66. DOI

[24]	Duan Y X, Zhang Y M, Li S, et al. An integrated method of health risk assessment based on spatial interpolation and source apportionment[J]. Journal of Cleaner Production, 2020, 276:123218. doi: 10.1016/j.jclepro.2020.123218. DOI

[25]	Teodoro A C, Duarte L. Forest fire risk maps: A GIS open source application: A case study in Norwest of Portugal[J]. International Journal of Geographical Information Science, 2013, 27(4):699-720. DOI

[26]	Yang B, Liu L, Lan M X, et al. A spatio-temporal method for crime prediction using historical crime data and transitional zones identified from nightlight imagery[J]. International Journal of Geographical Information Science, 2020, 34(9):1740-1764. DOI

[27]	Lyu H M, Sun W J, Shen S L, et al. Flood risk assessment in metro systems of mega-cities using a GIS-based modeling approach[J]. Science of the Total Environment, 2018, 626:1012-1025. DOI

[28]	Kumar S, Agrawal S. Prevention of vector-borne disease by the identification and risk assessment of mosquito vector habitats using GIS and remote sensing: A case study of Gorakhpur, India[J]. Nanotechnology for Environmental Engineering, 2020, 5(2):1-15. DOI

[29]	葛声, 刘聪锋, 蔡啸. 无人机航路规划评估[J]. 舰船电子对抗, 2018, 41(1):20-25, 50. [ Ge Sheng, Liu Congfeng, Cai Xiao. Assessment of UAV route planning. Shipboard Electronic Countermeasure, 2018, 41(1):20-25, 50. ]

[30]	彭珍妮, 裴锦华. 我国民用无人机管理现状与思考[J]. 科技资讯, 2017, 15(31): 136, 138. [ Peng Zhenni, Pei Jinhua. Current situation and reflection on civil UAV management in China. Science & Technology Information, 2017, 15(31): 136, 138.]

[31]	刘向君. 基于蚁群算法的无人机未知环境路径规划[D]. 太原: 中北大学, 2020. [ Liu Xiangjun. Path planning of UAV in unknown environment based on ant colony algorithm. Taiyuan, China: North University of China, 2020. ]

[32]	邓晓斌. 基于ArcGIS两种空间插值方法的比较[J]. 地理空间信息, 2008, 6(6):85-87. [ Deng Xiaobin. Comparison between two space interpolation methods based on ArcGIS. Geospatial Information, 2008, 6(6):85-87. ]

[33]	王翰章. 小型无人机室外非结构化环境中的自主路径规划[D]. 大连: 大连海事大学, 2020. [ Wang Hanzhang. Autonomous path planning of small UAV in outdoor unstructured environment. Dalian, China: Dalian Maritime University, 2020. ]

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

1 研究区与风险评估方法

1.1 研究区概况

图1 京津新城地理位置及研究区概况

1.2 风险评估环境构建

图2 风险评估技术路线

图3 障碍物探测临界值示意图

表1 无人机与各类型障碍物的距离限制

图4 传统点扩张算法与改进算法原理与输出效果图

1.3 风险评估方法

表2 基于机型和高度的无人机低空运行环境风险因子

表3 各类型障碍物及地理要素风险值划定

表4 风险区域的划分及相关描述

2 结果与分析

2.1 改进算法仿真验证

图5 传统点扩张算法与改进算法输出效果局部图

2.2 风险评估环境

表5 微型和轻小型无人机机型相关参数及扩张距离设定

图6 微型、轻型、小型无人机风险评估区域风险过渡区

2.3 风险评估结果

图7 微型、轻型、小型无人机风险评估区域风险分布

图8 3种无人机风险评估区域各级风险占比统计

图9 微型、轻型、小型无人机风险评估区域三维风险地图显示图

3 讨论

4 结论

参考文献