基于势场模糊推理的机场驱鸟锥形驱离方法

根据机场智能驱鸟的功能要求，使空中被驱离鸟群远离机场飞机上升或下降的区域，提出一种基于势场模糊推理的机场驱鸟类锥形驱离方法，该方法引入引力势场和斥力势场，结合被驱离鸟类的生物特性确定鸟类的飞行方向，驱动声光设备模拟出自然界障碍物形态，建立鸟类被动锥形避障模型，构造鸟类与虚拟障碍的碰撞函数，基于势场理论的鸟类躲避障碍行为特性，将鸟类避障后的飞离方向及鸟类受到的势场力，划分其隶属度并制定模糊规则库，利用模糊推理进行决策。该方法将仿生学和声光电应用相结合，使得空中被驱离鸟群远离危险区域，有效满足机场智能驱鸟的功能要求。

鸟击事件在航空业中被认为是一个重要的安全问题，鸟击事故的频繁发生是航空兵场站和民航机场的重点和难点问题，机场会采取一系列措施来减少鸟击事件的发生。目前机场常用的驱离手段多采用激光和强声驱离，激光驱离利用不同功率的绿色激光束在机场的低空区域来回挥舞实现鸟类驱离；强声驱离将大分贝的声音集束在一个方向上，由操作人员控制其伺服转动平台使声音对准目标实现驱离，虽然能起到一定效果，但没有智能化算法、驱离手段单一、针对性不强等原因，使得驱鸟未能达到预期效果。

无人机在三维空间中为避免无人机间的碰撞，建立基于无人机间的相对距离和相对速度的势场函数， 从而保证无人机编队的稳定性[1]。为保证无人机编队飞行路径的最优性，提出基于多目标人工势场法的确定性算法，将最优路径划分为多个子目标，并提出MTAPF 路径进入最小值点，从而保证飞行路径最优性[2]。通过将引力函数修改为分段函数来解决，改进的无人机群在飞行过程中躲避雷达探测并最终到达目标点的航线规划人工势场方法[3]。机器人采用模糊逻辑的改进人工势场法，在避障的极小值附近，基于模糊推理给予机器人辅助控制优化路径[4]。机器人动态避障算法对每个障碍物在速度空间上构建一个锥形区域， 只要速度矢量落入该区域即认定会发生碰撞， 从非锥形区域中选择一个最优的速度矢量进行避障。

针对传统人工势场法在路径规划过程中容易陷入陷阱区域和局部极小点的问题， 提出了一种改进人工势场法，引导机器人避开局部极小点和陷阱区域[5] [6] [7]。机器人行进路径改进了斥力函数势场，并提出一种自适应步进调整方法，使机器人能到达目标点[8] [9] [10]。人形机器人采用混合人工势场找到障碍和目标和MFO 优化路径点选择最终以避免碰撞引导机器人到达目标点[11] [12]。LAUV 实时避障结合运动学约束、动力学特性和操纵性，针对不同障碍物类型采取相应的避障措施，提出了基于水平面模糊避障规划和垂直面模糊避障规划相结合的一种三维实时避障规划方法[13]。针对传统人工势场法在复杂环境下避障效率低下的问题，无人机在三维空间避障提出一种将传统的球形势场改进为椭球体势场的方法[14]。在无人驾驶应用中，对侧向动态障碍物和同向动态障碍物工况进行分析，实现了无人车局部动态避障[15]。

为了确保空中被驱离鸟群远离机场飞机上升或下降的区域，本文建立势场法的驱鸟模型，根据鸟类躲避障碍的生物特性[16] [17]，确定障碍对鸟类的驱离方向，通过激光强声设备在一定范围内设置障碍区，建立三维空间障碍对鸟类的碰撞模型，在此基础上确定了障碍对鸟类威胁的空间最小相对速度矢量偏转角。