《Aerospace》：Dynamic Air–Ground Risk Fields for UAVs in Road Traffic Environments: A Traffic-Aware Predictive Framework
编辑推荐：
本研究针对传统无人机（UAV）空地风险评估中移动地面目标表征不足的问题——该类评估通常依赖静态人口分布或目标瞬时位置，因而无法捕捉动态道路交通环境中风险的时空演化——提出了一种交通感知的预测框架，用于构建动态空地风险场。该框架通过预测性车辆暴露建模与时空风险场
本研究针对传统无人机（UAV）空地风险评估中移动地面目标表征不足的问题——该类评估通常依赖静态人口分布或目标瞬时位置，因而无法捕捉动态道路交通环境中风险的时空演化——提出了一种交通感知的预测框架，用于构建动态空地风险场。该框架通过预测性车辆暴露建模与时空风险场构建来表征动态风险。具体而言，从观测到的交通状态中预测未来车辆轨迹，并将其转换为时间相关的占据概率以表征潜在的车辆暴露。通过将无人机故障引发的坠落动力学与无人机—车辆相对运动相耦合，构建动态胶囊形危险区域，使冲突区域能够适应车辆运动状态。随后，将车辆占据概率与碰撞严重程度相集成，以量化时变的空地冲突风险。进一步地，多车辆风险在空间上聚合并在滚动时间窗内更新，以持续构建动态风险场。结合来自highD数据集的真实车辆轨迹与仿真无人机飞行数据的实验表明，所提框架能够捕捉随交通演化而形成、合并、重分布与收缩的高风险区域。这些结果证明了其表征交通诱导的时空风险演化的能力，并为无人机运行风险评估与风险感知轨迹规划提供动态风险信息。
研究背景方面，随着低空经济的快速发展，无人机（UAV）在物流配送、应急响应、电力巡检和交通基础设施监测等领域的应用日益广泛，其运行范围正从人口稀疏的开阔区域扩展至城市街区、路网和人口密集区域等复杂环境。无人机运行规模持续扩大，由设备故障、空域冲突和环境扰动引发的失效坠机风险无法完全消除，可能对地面第三方道路使用者、车辆和关键基础设施构成重大威胁。因此，准确识别和量化无人机运行对地面第三方目标构成的潜在风险并表征其空间分布，已成为保障飞行安全和实现大规模低空无人机运行的基础性研究课题。当前无人机地面风险评估研究已逐步从静态人口和固定基础设施场景转向更复杂的动态交通环境。与静态场景相比，道路交通参与者具有持续运动、动态聚集、方向异质性和时变空间分布等特征，其位置、速度和局部密度随时间不断演化。无人机一旦失效，潜在冲突对象、相对空地运动、地面暴露和碰撞后果均随交通流演化而变化，形成具有迁移、扩散、积累和消散特征的时空风险模式。然而，现有研究仍存在若干关键挑战：第一，现有地面暴露模型主要依赖静态人口分布或瞬时交通状态，难以准确捕捉无人机失效事件期间地面暴露的动态变化；第二，多数现有风险图基于当前交通条件构建，本质上仅代表风险的离散快照，缺乏表征其连续时空演化的能力；第三，交通参与者运动、无人机失效动力学与空地冲突风险之间的时序交互尚未被联合建模，限制了对空地风险时空演化的准确表征。为此，研究人员开展了面向道路交通环境的无人机动态空地风险场构建方法研究，将未来交通运动预测、无人机失效动力学和空地冲突分析相集成，以实现无人机地面风险的连续时空表征。研究得出以下结论：基于highD数据集的实验表明，驾驶风格分类器总体准确率达93.84%，Macro-F1分数为93.13%；在5 s轨迹预测中，所提方法相较恒定加速度（CA）基线在平均位移误差（ADE）、最终位移误差（FDE）和均方根误差（RMSE）上分别降低13.0%、23.4%和17.4%；动态胶囊形危险区域随相对空地运动状态变化，而固定尺寸基线保持不变；与瞬时状态基线相比，所提方法对未来交通演化响应更强，在第6520帧平均相对风险达0.2398，基线为0.1815，差异约32.1%；平均相对风险从0.1253演化至峰值0.2398后降至0.1471。该研究的重要意义在于能够表征交通诱导的时空风险演化，为无人机运行风险评估和风险感知轨迹规划提供动态风险信息。
在关键技术方法方面，研究采用高斯混合模型（GMM）结合贝叶斯信息准则（BIC）进行驾驶风格离线聚类，并利用轻量梯度提升机（LightGBM）实现在线驾驶风格识别；采用全速度差（FVD）跟驰模型结合状态切换横向预测模型（含Ornstein–Uhlenbeck过程）进行车辆轨迹预测；基于二次阻力模型构建无人机失效坠落动力学；采用胶囊形几何模型构建动态危险区域并计算暴露概率；采用基于网格的概率并集一阶近似与滚动时间窗融合策略构建动态风险场。实验样本队列来源于公开的highD数据集（Recording 1），结合仿真无人机飞行数据开展验证。
研究结果方面，第一，在驾驶风格识别与车辆轨迹预测验证中，通过GMM离线聚类与LightGBM在线分类，基于5 s行为窗口提取六维行为特征，BIC评估确定最优聚类数K=3，对应激进、正常和保守三种驾驶风格，LightGBM在含1202个行为窗口的独立测试集上取得93.84%的总体准确率和93.13%的Macro-F1分数；以3 s历史运动状态为输入在1–5 s预测时域上评估，所提方法在中长时域表现优于恒定速度（CV）和CA基线，5 s时域ADE、FDE和RMSE分别为0.3945 m、1.2440 m和0.5490 m，且在变道和跟驰两个代表性案例中更贴近真实轨迹。第二，在动态胶囊区域分析中，通过五帧连续交通状态（第6480至6560帧）分析胶囊几何演化，发现同向车辆相对速度较小、胶囊集中于当前位置，反向车辆相对速度超过45 m/s、胶囊沿纵向显著延伸；区域内车辆数从11辆降至6辆，胶囊总覆盖面积从955.984 m2降至457.810 m2，减少约52.1%；与固定尺寸基线对比，所提动态胶囊区域随相对运动状态自适应调整空间范围。第三，在动态空地风险场分析中，通过集成无人机飞行状态、地面车辆运动、概率占据预测、冲突风险量化和风险场融合，发现第6480帧风险场呈现多个孤立高风险热点，随交通演化高风险区域发生形成、合并、重分布与收缩；与瞬时状态基线相比，所提方法风险变化更显著，第6520帧平均相对风险差异约32.1%；相对风险最大值在0.2493至0.3212之间，计入失效事件率λevent=1×10??次/飞行小时后绝对风险量级为10??，平均风险从0.1253升至0.2398后降至0.1471，高风险车辆数从3辆减至1辆。
讨论部分总结了该研究的贡献与局限。研究提出的动态空地风险评估方法通过纳入未来车辆运动、相对空地运动和碰撞后果，构建了运动自适应的胶囊形危险区域和动态风险场，能够表征变化交通条件下空地风险的时空演化。当前验证聚焦于高速公路交通场景，多车辆风险融合未显式考虑车辆风险事件间的高阶相关性。未来工作将研究联合车辆运动不确定性与风险相关性，开展不同无人机飞行高度、速度和航向下的敏感性与鲁棒性分析，并利用真实无人机飞行数据和多源交通信息将框架扩展至城市道路和信号交叉口。研究结论部分翻译如下：本研究提出了一种面向道路交通环境中无人机运行的动态空地风险评估方法。通过纳入未来车辆运动、相对空地运动和碰撞后果，所提方法构建了运动自适应的胶囊形危险区域和动态风险场，以表征变化交通条件下空地风险的时空演化。基于highD数据集的实验证明了所提方法的有效性。驾驶风格分类器总体准确率达93.84%，Macro-F1分数为93.13%。对于5 s轨迹预测，所提方法相较CA基线在ADE、FDE和RMSE上分别降低13.0%、23.4%和17.4%，展现出改进的中长期预测性能。动态胶囊形危险区域随相对空地运动状态变化，而固定尺寸基线保持不变。此外，与瞬时状态基线相比，所提方法对未来交通演化表现出更强的响应能力。在第6520帧，平均相对风险达0.2398，基线为0.1815，差异约32.1%。在所分析的交通状态中，平均相对风险从0.1253演化至峰值0.2398后降至0.1471，表明所提方法能够捕捉交通诱导的空地风险时间变化。当前验证聚焦于高速公路交通场景，多车辆风险融合未显式考虑车辆风险事件间的高阶相关性。未来工作将研究联合车辆运动不确定性与风险相关性；开展不同无人机飞行高度、速度和航向下的敏感性与鲁棒性分析；并利用真实无人机飞行数据和多源交通信息将框架扩展至城市道路和信号交叉口。
