Estimación de la trayectoria de aeronaves e identificación del modo de guía mediante técnicas de filtrado bayesiano

La tesis explora métodos avanzados para la estimación de la trayectoria de aeronaves y la predicción de trayectorias (TP), que son fundamentales para la próxima generación de sistemas de gestión del tráfico aéreo (ATM) que operan bajo el paradigma de operaciones basadas en trayectorias (TBO). A medida que los sistemas ATM evolucionan, se espera que más responsabilidades, como los ajustes del plan de vuelo y la gestión de la separación, pasen de los controladores terrestres a las aeronaves, lo que pone de relieve la necesidad de una estimación precisa de la trayectoria.

La investigación se centra principalmente en mejorar la estimación de la trayectoria de una sola aeronave y la identificación del modo de guía, importantes para las operaciones seguras y eficientes de las herramientas de apoyo a la toma de decisiones (DST) tanto terrestres como aéreas. El núcleo del trabajo es el desarrollo de sofisticados algoritmos de modelos múltiples interactivos (IMM) mejorados con técnicas de filtrado avanzadas, incluidos los filtros Kalman y los métodos de Monte Carlo secuencial (SMC). Estas mejoras abordan desafíos como la gestión de incertidumbres, posibles desajustes de modelos e identificación de modos de guía ocultos, todos los cuales afectan significativamente a la TP. Un modelo dinámico para la estimación de la trayectoria y la TP requiere varios insumos, incluidos datos de medición, pronósticos meteorológicos, modelos de rendimiento de la aeronave y restricciones operativas. Sin embargo, un desafío clave es la disponibilidad de la intención de la aeronave, que incluye instrucciones operativas y modos de guía que se requieren para predecir trayectorias con precisión. La identificación de los modos de guía es esencial para mejorar el rendimiento de los TP, ya que influye directamente en el modo en que se controla la aeronave durante el vuelo.

Los principales objetivos de esta tesis son caracterizar el problema de estimación e identificación de modos de guía y mejorar las metodologías de filtrado existentes utilizando técnicas bayesianas que se basan en enfoques de múltiples modelos. El trabajo propone un enfoque IMM óptimo que utiliza métodos basados ​​en filtros de Kalman, en particular el Filtro de Kalman Extendido (EKF), para gestionar la dinámica no lineal predominante en los perfiles de trayectoria vertical. Los resultados muestran que el error porcentual máximo en la estimación de la masa de la aeronave es mínimo y que otras variables de estado también se estiman con precisión con bajos retrasos en el seguimiento de saltos híbridos y la identificación de modos de guía.

Las posibles direcciones futuras incluyen la integración de maniobras de navegación lateral en los modelos del sistema, la expansión del vector de estado para incluir parámetros de vuelo adicionales y la adaptación de estas metodologías para escenarios de seguimiento de múltiples aeronaves. Estas mejoras tienen como objetivo refinar aún más las capacidades de los TP, haciendo avanzar los sistemas ATM hacia una mayor eficiencia y seguridad.