Certified Learning-Enabled Noise-Aware Motion Planning for Urban Air Mobility
作者: Jaejeong Park, Mahmoud Elfar, Cody Fleming, Yasser Shoukry
分类: eess.SY
发布日期: 2025-09-24
备注: 16 pages, 10 figures
💡 一句话要点
针对城市空中交通，提出可认证的噪声感知运动规划方法。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 城市空中交通 噪声感知 运动规划 可认证神经网络 主动采样
📋 核心要点
- 城市空中交通面临噪声污染挑战，现有方法难以在满足噪声法规的同时保证运营效率。
- 提出一种噪声感知的运动规划框架，利用可认证神经网络预测噪声传播，并结合主动采样策略优化数据。
- 实验结果表明，该框架能为eVTOL机队生成符合噪声法规且高效的飞行计划，提升了UAM系统的可行性。
📝 摘要（中文）
城市空中交通（UAM）作为缓解城市拥堵和交通挑战的一种有前景的解决方案正在兴起。然而，eVTOL飞机产生的噪声对公众接受度和监管审批构成了重大障碍，可能限制UAM系统的运营范围和可扩展性。因此，UAM系统的成功应用取决于预测噪声水平的能力，并进一步开发符合社区噪声法规同时保持运营效率的运动规划策略。为此，本文提出了一种新颖的UAM系统噪声感知运动规划框架，该框架可确保符合噪声法规。我们首先开发了一个可认证的神经网络模型，以准确预测城市环境中eVTOL噪声传播模式，并提供其正确性的可证明界限。为了达到期望的精度水平，我们提出了一种主动采样策略，以有效地构建用于训练和测试噪声模型的数据集。接下来，我们开发了一种噪声感知运动规划算法，该算法利用噪声模型生成eVTOL轨迹，从而保证符合社区噪声法规。该算法利用噪声模型的单调结构来有效地采样配置空间，从而确保生成的轨迹既符合噪声要求又具有运营效率。我们通过Vahana eVTOL的大量实验证明了所提出框架的有效性。结果表明，该框架可以为符合社区噪声法规同时优化运营效率的eVTOL机队生成符合噪声要求的飞行计划。
🔬 方法详解
问题定义：城市空中交通(UAM)面临着噪声污染的问题，这阻碍了公众的接受和监管部门的批准。现有的运动规划方法通常没有充分考虑噪声的影响，或者在考虑噪声时效率较低，难以在满足噪声法规的同时保证运营效率。因此，需要一种能够准确预测噪声传播并生成符合噪声法规的运动轨迹的运动规划方法。
核心思路：本文的核心思路是构建一个可认证的噪声预测模型，并将其集成到运动规划算法中。通过可认证的神经网络模型，可以准确预测eVTOL在城市环境中的噪声传播模式，并提供预测结果的置信区间。然后，利用该噪声模型，运动规划算法可以生成符合社区噪声法规的轨迹，同时优化运营效率。
技术框架：该框架主要包含两个模块：噪声预测模型和噪声感知运动规划算法。首先，利用主动采样策略构建数据集，并训练一个可认证的神经网络模型来预测噪声传播。然后，将该噪声模型集成到运动规划算法中，该算法利用噪声模型的单调结构来有效地采样配置空间，生成符合噪声法规的轨迹。整个流程包括数据收集、模型训练、运动规划和轨迹优化等步骤。
关键创新：该论文的关键创新在于以下几个方面：1) 提出了一个可认证的神经网络模型，可以准确预测噪声传播并提供置信区间；2) 提出了一种主动采样策略，可以有效地构建用于训练噪声模型的数据集；3) 开发了一种噪声感知运动规划算法，该算法可以生成符合噪声法规的轨迹，同时优化运营效率。与现有方法相比，该方法能够更准确地预测噪声，并生成更高效的噪声合规轨迹。
关键设计：在噪声预测模型方面，采用了神经网络结构，并使用ReLU激活函数以保证模型的单调性。为了提高模型的泛化能力，采用了主动采样策略，根据模型的不确定性选择新的样本进行训练。在运动规划算法方面，利用噪声模型的单调结构来加速搜索过程，并采用优化方法来进一步提高轨迹的效率。损失函数的设计考虑了噪声合规性和运营效率两个方面，通过调整权重来平衡两者之间的关系。
📊 实验亮点
实验结果表明，该框架能够为Vahana eVTOL生成符合社区噪声法规的飞行计划，同时优化运营效率。与传统的运动规划方法相比，该方法能够显著降低噪声水平，并提高飞行效率。具体的性能数据（如噪声降低幅度、飞行时间缩短比例等）在论文中进行了详细的展示。
🎯 应用场景
该研究成果可应用于城市空中交通系统的设计和运营，帮助规划者制定合理的飞行路线，降低噪声污染，提高公众接受度。此外，该方法还可以推广到其他噪声敏感的应用场景，如无人机配送、空中巡检等，为构建可持续的城市环境做出贡献。
📄 摘要（原文）
Urban Air Mobility (UAM) has emerged as a promising solution to alleviate urban congestion and transportation challenges. Nevertheless, the noise generated by eVTOL aircrafts poses a significant barrier to public acceptance and regulatory approval, potentially limiting the operational scope and scalability of UAM systems. Hence, the successful adoption of UAM systems hinges on the ability to predict generated noise levels, and further develop motion planning strategies that comply with community-level noise regulations while maintaining operational efficiency. To this end, this paper proposes a novel noise-aware motion planning framework for UAM systems that ensures compliance with noise regulations. We first develop a certifiable neural network model to accurately predict eVTOL noise propagation patterns in urban environments, providing provable bounds on its correctness. To achieve a desired level of accuracy, we propose an active sampling strategy to efficiently build the dataset used to train and test the noise model. Next, we develop a noise-aware motion planning algorithm that utilizes the noise model to generate eVTOL trajectories that guarantee compliance with community noise regulations. The algorithm exploits the monotonic structure of the noise model to efficiently sample the configuration space, ensuring that the generated trajectories are both noise-compliant and operationally efficient. We demonstrate the effectiveness of the proposed framework through a number of experiments for Vahana eVTOLs. The results show that the framework can generate noise-compliant flight plans for a fleet of eVTOLs that adhere to community noise regulations while optimizing operational efficiency.