Vorhersage wie ein Pilot: Datensatz und Methode zur Vorhersage sozialbewusster Flugbahnen von Flugzeugen in nicht besetzten Terminalbereichen

Piloten, die Flugzeuge in nicht befeuertem Luftraum betreiben, verlassen sich auf ihre situative Wahrnehmung und vorherige Kenntnisse, um die zukünftigen Trajektorien anderer Flugobjekte vorherzusagen. Diese Vorhersagen basieren auf den vergangenen Trajektorien anderer Agenten, den sozialen Interaktionen zwischen Agenten sowie dem Umfeld, beispielsweise der Lage des Flughafens und der Wetterbedingungen. In diesem Artikel präsentieren wir ein Datenset, $\textit{TrajAir}$, das dieses Verhalten in einem nicht befeuerten Terminal-Luftraum in der Nähe eines regionalen Flughafens erfasst. Außerdem stellen wir einen Baseline-Algorithmus für sozialbewusste Trajektorienvorhersage, $\textit{TrajAirNet}$, vor, der das Datenset nutzt, um die Trajektorien aller Agenten vorherzusagen. Das Datenset wurde über einen Zeitraum von 111 Tagen innerhalb von acht Monaten gesammelt und enthält ADS-B-Transponder-Daten sowie die entsprechenden METAR-Wetterdaten. Die Daten wurden so verarbeitet, dass sie als Benchmark mit anderen öffentlich verfügbaren Datensätzen für soziale Navigation verwendet werden können. Sofern uns bekannt, handelt es sich hierbei um das erste 3D-Sozialnavigations-Datenset für den Luftverkehr und stellt damit einen Meilenstein für die soziale Navigation autonomer Luftfahrzeuge dar. $\textit{TrajAirNet}$ kombiniert aktuell fortschrittliche Module der sozialen Navigation, um Vorhersagen in einer statischen Umgebung unter dynamischem Kontext zu ermöglichen. Sowohl das $\textit{TrajAir}$-Datenset als auch der $\textit{TrajAirNet}$-Vorhersagealgorithmus sind Open-Source. Das Datenset, der Codebase und ein Video sind jeweils unter den folgenden URLs verfügbar: https://theairlab.org/trajair/, https://github.com/castacks/trajairnet und https://youtu.be/elAQXrxB2gw.