基于CVaR的多旋翼无人机深度能量模型飞行能耗风险评估

能源管理是无人机（Uncrewed Aerial Vehicle, UAV）飞行风险评估中的关键环节，因为在飞行过程中电池耗尽几乎必然导致飞行器损毁，并带来人员伤亡或财产损失的高风险。预测一次飞行所消耗的能量具有挑战性，因为航线规划、气象条件、障碍物以及其他多种因素均会影响整体能耗。为此，我们提出了一种基于深度学习的无人机能耗模型，该模型采用时间卷积网络（Temporal Convolutional Networks, TCN）捕捉随时间变化的动态特征，同时融合静态上下文信息。该能耗模型基于真实世界飞行数据集进行训练，无需将飞行任务划分为不同飞行阶段。在测试飞行中，相较于当前最先进的分析方法，我们的模型在功率预测精度上提升了29%。基于该能耗模型，我们能够预测特定航迹下的能量消耗，并评估飞行过程中电池耗尽的风险。为此，我们提出采用条件风险价值（Conditional Value-at-Risk, CVaR）作为量化该风险的指标。研究表明，CVaR能够通过将蒙特卡洛前向仿真输出的概率分布映射至风险空间，有效捕捉在标准航迹下最坏情况下的能耗风险。通过对风险空间分布计算CVaR，可获得一个可在起飞前评估飞行整体风险的量化指标。该能耗模型与风险评估方法不仅有助于提升飞行安全性，还可用于评估从某一指定起飞点出发所能覆盖的区域范围。相关视频与代码库已公开，访问地址分别为：https://youtu.be/PHXGigqilOA 和 https://git.io/cvar-risk。