[论文解读] Third Party Risk Modelling and Assessment for Safe UAV Path Planning in Metropolitan Environments

Bizhao Pang, Xinting Hu+2 more|arXiv (Cornell University)|Jul 5, 2021

Evacuation and Crowd Dynamics参考文献 48被引用 6

一句话总结

本文提出了一种集成风险评估模型和混合 EDA-RA* 算法，通过使用引力模型结合人口密度和交通密度，量化第三方风险（如人员伤害、财产损失和社会影响），实现城市环境中安全的三维无人机路径规划。该方法生成风险地图以指导路径规划，在显著降低暴露于高风险区域的同时保持计算效率。

ABSTRACT

Various applications of advanced air mobility (AAM) in urban environments facilitate our daily life and public services. As one of the key issues of realizing these applications autonomously, path planning problem has been studied with main objectives on minimizing travel distance, flight time and energy cost. However, AAM operations in metropolitan areas bring safety and society issues. Because most of AAM aircraft are unmanned aerial vehicles (UAVs) and they may fail to operate resulting in fatality risk, property damage risk and societal impacts (noise and privacy) to the public. To quantitatively assess these risks and mitigate them in planning phase, this paper proposes an integrated risk assessment model and develops a hybrid algorithm to solve the risk-based 3D path planning problem. The integrated risk assessment method considers probability and severity models of UAV impact ground people and vehicle. By introducing gravity model, the population density and traffic density are estimated in a finer scale, which enables more accurate risk assessment. The 3D risk-based path planning problem is first formulated as a special minimum cost flow problem. Then, a hybrid estimation of distribution algorithm (EDA) and risk-based A* (named as EDA-RA*) algorithm is proposed to solve the problem. To improve computational efficiency, k-means clustering method is incorporated into EDA-RA* to provide both global and local search heuristic information, which formed the EDA and fast risk-based A* algorithm we call EDA-FRA*. Case study results show that the risk assessment model can capture high risk areas and the generated risk map enables safe UAV path planning in urban complex environments.

研究动机与目标

• 解决城市无人机运行中的安全与社会风险，特别是无人机故障对人员和财产可能造成的影响。
• 开发一种定量风险评估模型，以捕捉无人机对人员和车辆造成影响的概率与严重程度。
• 将三维风险驱动的路径规划建模为最小费用流问题以实现优化。
• 设计一种混合元启发式算法（EDA-RA*），在全局搜索与局部搜索之间实现平衡，以高效生成风险感知的路径。
• 通过案例研究验证模型识别高风险城市区域并指导无人机安全飞行路径的能力。

提出的方法

• 风险评估模型整合了无人机对人员和车辆造成影响的概率函数与严重程度函数，以人口密度和交通密度作为关键输入。
• 应用引力模型以精细的空间分辨率估算人口密度与交通密度，从而提高风险定位的准确性。
• 将三维路径规划问题数学建模为一种特殊的最小费用流问题，以最小化累积风险。
• 混合算法 EDA-RA* 结合估计分布算法（EDA）进行全局搜索与基于风险的 A* 算法进行局部优化。
• 在 EDA-RA* 中集成 k-means 聚类以生成启发式信息，形成 EDA-FRA* 变体，从而提升计算效率。
• 该算法将基于评估模型生成的风险地图用作路径搜索中的代价函数，优先选择低风险轨迹。

实验结果

研究问题

• RQ1 在城市无人机运行中，如何对第三方风险（如人员伤害、财产损失和社会影响）进行定量建模？
• RQ2 人口密度与交通密度在多大程度上可用于估算大都市区域内的风险空间分布？
• RQ3 混合元启发式算法能否在基于风险的三维无人机路径规划中有效平衡全局探索与局部开发？
• RQ4 集成 k-means 聚类如何提升基于风险的路径规划算法的效率？
• RQ5 所提出的风险地图能否准确识别高风险区域，并在复杂城市环境中引导无人机选择更安全的飞行路径？

主要发现

• 风险评估模型通过引力模型整合人口密度与交通密度，成功识别出城市环境中的高风险区域。
• 生成的风险地图有效可视化了空间风险分布，能够清晰识别威胁水平较高的区域。
• EDA-FRA* 算法通过利用 k-means 聚类引导全局与局部搜索启发式，实现了高效的计算性能。
• 案例研究显示，所提出的方法通过避开风险地图中识别的高风险区域，生成了更安全的无人机路径。
• 混合 EDA-RA* 算法在复杂城市场景中，相较于基线方法，在解质量与计算时间之间实现了更优的平衡。