Fast Decision Support for Air Traffic Management at Urban Air Mobility Vertiports using Graph Learning

要約

アーバン エア モビリティ (UAM) は、都市および郊外のハブ空港での混雑解消、安全かつ迅速な移動に新たな次元を約束します。
これらの UAM 航空機は、複数の離着陸スポットとバッテリー充電スポットを備えたバーティポートと呼ばれる小さな空港から運航するように設計されています。
密集した都市部に位置し、毎時間多くの航空機の離着陸を処理する必要があるため、このスケジュールをリアルタイムで管理することは従来の航空管制官にとって困難となり、代わりに自動化されたソリューションが必要になります。
この論文では、グラフ強化学習を活用して意思決定支援ポリシーを生成する、Urban Air Mobility – Vertiport Schedule Management (UAM-VSM) の問題に対する新しいアプローチを提供します。
ここでは、ベルティポートの空域内の指定された物理スポットと管理されている車両が、グラフ畳み込みネットワーク (GCN) を通じて特徴抽出が実行される 2 つの別々のグラフとして表されます。
抽出された特徴はパーセプトロン層に渡され、ホバリングや巡航の継続、アイドリングの継続や離陸、割り当てられた回転ポートへの着陸などのアクションが決定されます。
パフォーマンスは、遅延、安全性 (衝突回数)、バッテリー消費量に基づいて測定されます。
縮小されたマルチローター航空機に適用された AirSim での現実的なシミュレーションを通じて、私たちの結果は、UAM-VSM 問題を解決するためにグラフ強化学習を使用することの適切性と、基本的な強化学習 (グラフ埋め込みを使用) またはランダム選択ベースラインに対するグラフ強化学習の優位性を示しています。

要約(オリジナル)

Urban Air Mobility (UAM) promises a new dimension to decongested, safe, and fast travel in urban and suburban hubs. These UAM aircraft are conceived to operate from small airports called vertiports each comprising multiple take-off/landing and battery-recharging spots. Since they might be situated in dense urban areas and need to handle many aircraft landings and take-offs each hour, managing this schedule in real-time becomes challenging for a traditional air-traffic controller but instead calls for an automated solution. This paper provides a novel approach to this problem of Urban Air Mobility – Vertiport Schedule Management (UAM-VSM), which leverages graph reinforcement learning to generate decision-support policies. Here the designated physical spots within the vertiport’s airspace and the vehicles being managed are represented as two separate graphs, with feature extraction performed through a graph convolutional network (GCN). Extracted features are passed onto perceptron layers to decide actions such as continue to hover or cruise, continue idling or take-off, or land on an allocated vertiport spot. Performance is measured based on delays, safety (no. of collisions) and battery consumption. Through realistic simulations in AirSim applied to scaled down multi-rotor vehicles, our results demonstrate the suitability of using graph reinforcement learning to solve the UAM-VSM problem and its superiority to basic reinforcement learning (with graph embeddings) or random choice baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google