基于多Agent仿真的冲突场景识别

林颖达，隋 东，蔡舒影

(南京航空航天大学 民航学院 空管运行与安全研究实验室，南京 211106)



基于多Agent仿真的冲突场景识别

林颖达，隋 东，蔡舒影

(南京航空航天大学 民航学院 空管运行与安全研究实验室，南京 211106)

构建了基于多Agent的空管运行仿真系统的基本框架，设计了航空器Agent、空管自动化Agent和管制员Agent. 利用JADE平台，Java编程语言开发了仿真原型系统，该系统采用分布式结构，并导入全天的飞行计划数据，实现对全国交通运行态势的仿真.为了提高轨迹预测的准确性，考虑了风的影响.通过对管制员Agent记录的全天冲突数据的分析，可以得到易冲突扇区主要集中在我国的东部以及中南部区域，R343和A461为易冲突航路等.冲突数据的分析结果对于航路网络的规划、扇区划分以及飞行计划的优化有重要的实践意义.

多Agent系统；分布式仿真；冲突探测；冲突场景识别

近年来，空中交通需求日益增长，而现有的空中交通管制保障能力有限，需求与供给的矛盾日益突出.因此，如何在交通流量增长的情况下提高空中交通运行效率并保证空中交通运行安全，对于我国民航业的可持续发展提出了重大挑战.中国民航局于2007年提出了新一代空中交通管理系统发展框架，其规划和建设的总体战略目标是：在保证航空安全和运行效率的同时，通过建设高适应性的、大容量的、系统结构化的具有中国特色的民航空管技术和设备体系，实现我国空管技术和设施装备的全面跨越式发展.而新技术新概念的应用之前，需要通过验证以确保安全、容量、效率水平.不管是调整现有交通系统中的空域结构、航路航线等元素还是采用新技术新概念都需要事先做安全评估，查找潜在的危险因素.而通过计算机仿真的手段对空中交通的运行进行仿真，不仅可以减少对新技术新概念验证的成本，还可以对现有运行模式下所存在的潜在安全问题进行分析评估，具有非常重要的理论意义与研究价值.

1 研究现状

2012年，Netjasov F[1-3]分别从战略、战术、及运行层面建立冲突风险模型，战略层面主要从冲突概率和冲突数量这个两个指标对飞行程序的宏观冲突风险进行评估.战术层面提出了冲突持续时间和冲突严重程度的概念，对冲突的规律和机理进行升入研究.运行层面将管制员的情景意识、工作负荷作为考虑因素，可用于辅助空中交通管理者决策扇区的合并与分开.同年，王超[4]应用随机过程方法，计算了面向交叉/汇聚交通流冲突频率的数学期望及方差，推导出宏观冲突风险模型.并从冲突演化过程的角度出发，提出了面向微观冲突分析，计算冲突严重度、冲突强度和累积冲突风险的三个模型.

早期的空中交通仿真软件多采用面向对象技术，它通过对象、继承、封装、消息传递等机制实现对客观事物的有力描述，实现问题描述与处理的统一，大大提高了效率.目前基于面向对象技术的空中交通仿真系统应用最广泛的有工具有SIMMOD[5]，TAAM[6]以及RAMS[7].然而其具有两个不足，其一，基于单机的集中式仿真难以胜任大规模微观仿真；其二，传统的仿真系统难以模拟空中交通运行中多个实体之间的信息交互.而随着多Agent技术的应运而生，其自主性和交互性的特点弥补了面向对象技术的不足.介于此，国内外学者开始研究将多Agent技术应用在空中交通领域.

2006年，NASA Ames研究中心的Wolfe S R[8]首先提出在空中交通流量管理中使用 Agent 技术，利用Agent辅助流量管理各参与方之间的通信，改善决策过程. 2008年，Sierhuis M[9]等研究了基于Agent 的空中交通流量管理仿真，采用信念-请求-意图(Belief-Desire-Intention，BDI)工具对协同式交通流量管理问题进行建模.同年，Alam S 采用多Agent构架开发了空中交通运行与管理仿真工具ATOMS[10](Air Traffic Operations and Management Simulator)用于对自由飞行下新技术新概念的评估.2011年，Sherry L[11]利用 FACET仿真平台研究了以航空公司为决策主体的航路选择策略.该研究将航空公司定义为Agent，利用强化学习技术对历史数据、实时反馈信息进行挖掘、分析，以优化航空公司的航班时刻制定. 2007年，黎新华[12]对基于Agent的空中交通流量管理系统的体系结构进行了研究，构建了空中交通流量管理系统的框架，详细阐述了系统工作方式及各分 Agent 系统的结构.2008年，戴玲[13]研究了多Agent技术在飞行冲突解脱中的应用，文中将航空器定义为 Agent，对空域资源进行了建模，提出了冲突解脱算法，从理论探讨了航路资源分配.

2 基于多Agent的空中交通仿真系统

本文采用基于多Agent的方法来对空管系统中的不同实体进行建模与仿真.系统中设计了三类Agent，分别是航空器Agent，管制员Agent和空管自动化Agent.不同Agent间的通信过JADE平台来实现[14].JADE是一个完全由Java语言编写的用于开发多Agent系统的框架，不仅可以实现对多个实体对象的Agent建模，还可以实现多种类型Agent的联合分布式仿真.系统的通信过程如图1所示.

该系统的主要功能包括：

1)显示全国空域信息，并可以对全国的航路、机场、扇区等进行增加、删除、修改.

2)编辑飞行计划，可以根据需要对飞行计划进行调整.

3)显示全国空中交通运行态势，包括航班的航班号、位置、高度及速度等.

4)对仿真的速度进行调整，最多可加速10倍.

5)记录航班冲突信息，包括冲突航空器对、冲突时间、冲突类型、冲突位置等.

6)记录管制员的管制指挥行为

图1 仿真系统架构图

3 基于航空器意图的冲突探测

针对航空器Agent在仿真运行所产生的航空器状态信息，本节提出了基于航空器意图的冲突探测算法，以模拟实际管制员的冲突探测行为.以往的冲突探测算法往往只是根据航空当前的位置，通过当前速度和航向进行外推以判断冲突，这样的方法在航空器转弯时会出现很多冲突漏报和虚报情况，且和有经验的管制员的冲突探测模式有所出入.为了更好的模拟有经验管制员的冲突探测，本文将航空器的飞行意图以及爬升/下降率作为考虑因素，从水平和垂直两个角度对航空器未来的飞行趋势进行更准确的模拟.

由于使用BADA模型对实时生成的航空器轨迹会产生一系列的航空器运行参数，包括航空的位置信息、高度、速度、航向、爬升/下降率等信息.这些信息会定时发送给相应的管制员Agent以模拟管制员获取航空器动态信息行为，管制员Agent通过获取这些航班的飞行数据并联合飞行意图所管辖扇区内的冲突进行探测.表1列出冲突探测的输入参数.

冲突探测的难点在于如何对未来航空器状态向量进行推测，本文为了真实的模拟管制员的冲突探测提出基于航空器意图的冲突探测算法.通过判断航空器即将飞越下一个航路点是否为转弯点，将飞行过程分为直线飞行和转弯飞行.

表1 冲突探测输入参数表

序号属性变量命名1航班号FLT＿NO2当前时刻的横坐标x03当前时刻的纵坐标y04当前时刻的高度h05当前时刻的速度v06当前时刻的航向θ07当前的爬升/下降率v08航班途经的各航路点坐标集合P={p1，…，pn}9航班途经的各航路点时是否需要转弯Tr={tr1，…，trn}

如果下一个航路点不是转弯点，则航空器沿着当前航向直线飞行，我们这里假设航空器沿直线飞行时速度不变，并以当前的爬升/下降率进行等速爬升/下降运动.因此，直线飞行时其下一个周期的其位置信息及高度信息可以通过式(1)进行计算，其中为单位时间步长，因此每次冲突探测需要对未来多个周期的状态信息进行推测.见图2.

xi+1=xi+vitsinθi

yi+1=yi+vitcosθi

hi+1=hi+vzt

θi+1=θi

(1)

如果航空器在下一个航路点需要转弯，则采用旁切转弯的方式实现转弯模型的构建，并考虑“转入”与“转出”的姿态调整段，其示意图如图3所示.

其中:r为转弯半径，α为航空器将要转过的角度，P为转弯航路点，LRollin为“转入”段距离，L为转弯起始点到转弯航路点的距离，Roll in为“转入”段，Roll out为“转出”段.

图2 冲突探测流程图

当航空器距转弯航路点P的距离一旦等于或小于Lrollin+L，航空器进入转弯程序并且按式(2)计算得到的转弯率ROT以及转弯半径r进行转弯，当航空器所转过的角度一旦等于或大于α，航空器转弯结束并进入下一航段.

(2)

图3 航空器转弯示意图

其中:φ为航空器的滚转角，VTAS为航空器真空速.

在航空器的转弯过程中，我们假设航空器所处的高度和速度不再变化，因此航空器在转弯状态下的下一个周期的状态信息可以通过式(3)进行计算.

xi+1=xi+vitsinθi

yi+1=yi+vitcosθi

hi+1=hi

θi+1=θi±ROT×t

(3)

4 冲突场景识别

为了研究我国航班运行过程中冲突的分布规律并识别出潜在的冲突场景，本节利用第二节所提到的仿真系统对全国一天的航班运行进行了仿真.通过对管制员Agent记录的冲突数据进分析，从宏观的角度对冲突数据的时间分布、类型分布、区域分布进行了分析，并针对具体的冲突场景进行识别.

4.1 冲突类型分类

见表2.

表2 冲突类型分类

爬升/爬升爬升/下降爬升/巡航巡航/巡航下降/下降下降/巡航同向类型1类型2类型3类型4类型5类型6逆向类型7类型8类型9类型10类型11类型12交叉类型13类型14类型15类型16类型17类型18

本节利用上文所构建的基于多Agent的空中交通运行仿真系统对2013年11月16日全国共8 262架次航班运行进行了仿真，管制员Agent通过实时监控所管辖扇区的航空器动态位置，对其所管辖范围内的潜在冲突数据进行记录，所记录的冲突数据包括发生冲突时两架航空器的航班号、经纬度、高度、冲突类型以及冲突发生的时间.全天共探测出潜在冲突10 321对.其中冲突的类型根据航空器航向之间的夹角以及飞行状态分为了18类，如表2所示.

4.2 冲突数据分布

在探测出的所有潜在冲突中：同向冲突有2 562个，逆向冲突6 449个，交叉冲突1 310.三种类型的冲突比例如图4(A)所示，各个冲突类型的数量如图4(B)所示.从中可以看出逆向冲突为航路飞行的主要冲突.类型7、类型8、类型9的冲突次数相对较多，而类型11和类型12相对较少，可见逆向冲突主要发生在正在爬升的航空器与爬升、巡航、下降航空器之间的冲突.其中类型10的冲突数量为0，这是因为我国在配备巡航高度层时采取“东单西双”的策略，因此逆向巡航的航班至少存在300 m的巡航高度差，故不存在冲突；对于同向冲突而言，主要是由于不同航空器之间速度差异引起的，因此各类型冲突分布相对平均；交叉冲突主要发生在两条甚至多条航路交叉或者汇聚的情形下，其中同高度层巡航航空器之间的冲突数量最多，进场汇聚航班之间的冲突最少.

(A) (B)图4 各类冲突的比例

图5为全国一天航班运行的潜在冲突数量随时间的变化情况，从图中可以看出冲突在0～7时之间数量非常少，7～8时数量开始有所上升，并在8～9时陡升达到峰值，从10时～22时之间数量趋于稳定，从22～24时开始下降.航空器冲突的数量从另一方面反映了我国空域中正在执行飞行任务的航空器总数，该冲突分布与航班运行峰谷分布基本契合.

图5 冲突数量随时间的变化图

在空中交通实际运行中，每个管制员负责自己所管辖扇区的冲突调配.冲突调配的频繁程度是反映扇区管制员负荷的一个重要指标，由于每个扇区的地理位置分布，其繁忙程度各不相同.本文根据实际扇区数据将我国空域分成了125扇区，如图6粉色区域所示，从图中可以看出我国西部地区以及东北部地区扇区划设空域范围较大，东部以及南部地区相对较小.这侧面反映了空域使用的频繁程度，扇区划设的越小说明该区域的空域使用越频繁.

本文对仿真过程中各扇区的冲突数量进行统计，选取了20个易冲突扇区，如表3所示.图6中蓝色○为所有冲突的坐标分布，红色×为易冲突扇区的冲突坐标分布.从图中可以看出发生冲突地理位置呈现不均匀的分布，易冲突扇区主要分布在空域结构复杂，航路纵横的华东、中南、以及北京地区.扇区全天的冲突数量反映该扇区的繁忙程度，可以为作为评价管制员工作负荷的一个重要指标，并指导更加合理的扇区划设.

图6 易冲突扇区分布

表3 易冲突扇区及其冲突数量

序号扇区名称冲突数量序号扇区名称冲突数量1广州12扇84811贵阳04扇3072长沙01扇49812郑州01扇2893武汉02扇48813北京06扇2824郑州02扇42814北京04扇2665南昌02扇41615青岛02扇2646广州09扇40416南昌01扇2527武汉01扇36017广州05扇2198合肥01扇35318上海09扇2189长沙02扇31919合肥02扇21010成都01扇30720上海01扇203

4.3 冲突场景识别

相对于欧美发达国家而言，我国城市对之间的飞行路线相对单一，这就导致了在实际飞行过程中，各航路之间的流量分布不均匀.因此，当同一航路有数架航班同时飞行时，由于航班之间的速度差异或者高度之间的穿越，易发生飞行冲突.本文综合冲突数据、飞行计划数据、导航数据、以及航路数据，对航班冲突时所在的航路进行提取，并统计了各航路的冲突数量，针对同向和逆向冲突各选取了10条典型易冲突航路，如表4所示.航路的冲突数量反映了该航路的繁忙程度，可以作为航路网络设计与规划的一个重要指标.

表4 同向及逆向易冲突航路

同向逆向航路名称冲突数量航路名称冲突数量R343260A461921A461150R343729B20890H24543G20481B330348H2480B213331G22179B208265A47073A599211B21367A470208B33066A588174A59955A593172

针对交叉冲突，我们对易发生交叉冲突的场景进行了识别，具体如表5 所示.图7选取表中4个典型的交叉冲突场景，图7(A)为航路G586与航路R343在MAMSI交叉的场景；图7(B)为航路

A470航路与航路H2在XLN点汇聚的场景；图7(C)为航路H24，H46，H18三条航路在KNH点交叉的场景；图7(D)为B208，W50，H2，R343，W127等多条航路在HFE点交叉汇聚的场景.

表5 交叉冲突易发生场景

交汇航路名称冲突航路点冲突数量B208，W50，H2，R343，W127HFE66H24，H46，H18KHN55R343，G586MAMSI47W46，W138，R343，H24LLC38A470，H2XLN36A461，B208，H14ZHO32X72，H18，H2，J48，H22，J47DO28B330，W3，H24，J513，H19KWE27H2，A599P21520A593，R343VMB19

图7 典型交叉冲突场景

5 结 语

本文介绍了基于多Agent仿真的冲突场景识别方法，利用构建的多Agent仿真系统，模拟全国一天的航班的运行状态，对管制员Agent记录的冲突数据进行数据分析，研究我国航班运行过程中冲突的分布规律并识别出潜在的冲突场景.未来可以在多Agent的仿真系统加入航空器地面滑行轨迹生成算法，实现航空器“门到门”的全过程运行，并引入Agent领域中BDI的概念，开发出更贴近于人的思维过程的Agent.

[1] NETJASOV F. Framework for airspace planning and design based on conflict risk assessment: part 1: conflict risk assessment model for airspace strategic planning [J]. Transportation Research Part C: Emerging Technologies, 2012, 24: 190-212.

[2] NETJASOV F. Framework for airspace planning and design based on conflict risk assessment: part 2: conflict risk assessment model for airspace tactical planning [J]. Transportation Research Part C: Emerging Technologies, 2012, 24: 213-226.

[3] NETJASOV F, BABICO. Framework for airspace planning and design based on conflict risk assessment: part 3: conflict risk assessment model for airspace operational and current day planning [J]. Transportation Research Part C: Emerging Technologies, 2013, 32: 31-47.

[4] 王 超. 飞行程序运行评估的理论方法及仿真应用研究[D]. 南京: 南京航空航天大学, 2012.

[5] CHAO W, XINYUE Z, XIAOHAO X. Simulation study on airfield system capacity analysis using SIMMOD[C]// Computational Intelligence and Design, 2008, 1: 87-90.

[6] BAZARGAN M, FLEMING K, SUBRAMANIAN P. A Simulation Study to Investigate Runway Capacity using TAAM [C]// Simulation Conference, 2002. Proceedings of the Winter, 2002, 2: 1235-1243.

[7] SILLARD L, VERGNE F, DESART D. TAAM operational evaluation[R]. EEC Report No. 351, Euro-control Experimental Centre, European Organization for the Safety of Air Navigation, 2001.

[8] WOLFE S R. Supporting air traffic flow management with agents[C]// AAAI Spring Symposium: Interaction Challenges for Intelligent Assistants, 2007: 137-138.

[9] WOLFE S R, SIERHUIS M, JARVIS P A. To BDI, or not to BDI: design choices in an agent-based traffic flow management simulation [C]// Proceedings of the 2008 Spring Simulation Multi Conference. Society for Computer Simulation International, 2008: 63-70.

[10]ALAM S, ABBASS H A, BARLOW M. ATOMS: air traffic operations and management simulator [J]. Intelligent Transportation Systems, 2008, 9(2): 209-225.

[11]CALDERÖN-MEZA G, SHERRY L. Adaptive agents in NAS-wide simulations: a case-study of CTOP and SWIM [C]// Integrated Communications, Navigation and Surveilance Conference, 2011: F6-1-F6-13.

[12]黎新华, 张兆宁. 多Agent的空中交通流量管理系统结构研究[J]. 交通运输工程与信息学报, 2007, 5(1): 56-61.

[13]戴 玲, 夏学知. 多Agent技术在飞行冲突解脱中的应用[J]. 舰船电子工程, 2009, 28(3): 62-64.

[14]王 凯，隋 东，胡 京.基于规则库的航路飞行冲突探测与解脱[J]. 哈尔滨商业大学学报：自然科学版，2017，33(1)：117-124.

Identification of conflict scenarios based on multi-agent simulation

LIN Ying-da, SUI Dong, CAI Shu-ying

(Air Traffic Control Operation and Safety Research Laboratory, School of Civil Aviation,Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Jiangsu)

This paper described the approach for creating a multi-agent based simulation system using JADE platform and Java language which can simulate whole day air traffic operation in China. Three kinds of agents were created to support the air traffic simulation. They are aircraft agent, ATC automation systems agent and air traffic controller agent. Wind data were modeled in the system result in accurate trajectory predictions. Through data mining the conflict data of whole day operation recorded by the air traffic controller agent, it is obvious that the vulnerable sectors mainly located in the east and south-central of China. Route R343 and A461 were easy to spell conflicts during the operation. The analysis result can be used to support the air route network planning, sector division and optimization of flight plan, which has a very practical significance and necessity.

multi-agent system; distributed simulation; conflict detection; identification of conflict scenarios

2016-09-11.

南京航空航天大学研究生创新基地(实验室)开放基金项目(kfjj20150702)

林颖达(1991-)，男，硕士，研究方向：空中交通运行仿真及分析.

TP241.3

A

1672-0946(2017)03-0363-08