买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种低空智能集群飞行管理方法、设备、介质及产品获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119476671B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510058896.7，技术领域涉及：G06Q10/047；该发明授权一种低空智能集群飞行管理方法、设备、介质及产品是由周建山;张振煜;田大新;段续庭;曲凯歌;林椿眄;韩旭;王铭乾;于靖雨;崔林;庞皓冰;徐子璇;常迈;陈妍妍;肖啸设计研发完成，并于2025-01-15向国家知识产权局提交的专利申请。

本一种低空智能集群飞行管理方法、设备、介质及产品在说明书摘要公布了：本申请公开了一种低空智能集群飞行管理方法、设备、介质及产品，涉及航空技术领域，该方法包括：基于低空网联智能载具的结构化和非结构化数据，构建知识图谱；利用LSTM模型对知识图谱中的空域特征进行分析，预测载具的流量时空图；基于流量时空图对低空空域进行划分，确定低空空域分配结果；根据低空空域分配结果，以载具的飞行安全度为奖励函数，以飞行路径所用的时间为价值函数，采用Q‑learning+交通因素罚时算法对初始化低空网联智能载具路径进行迭代，得到最优路径；根据低空网联智能载具集群，构建以延误率最低为目标的编队飞行协同控制模型。本申请可提高低空网联智能载具的空域利用效率和飞行安全性。

本发明授权一种低空智能集群飞行管理方法、设备、介质及产品在权利要求书中公布了：1.一种低空智能集群飞行管理方法，其特征在于，包括： 获取低空网联智能载具的结构化数据和非结构化数据；获取的低空网联智能载具的结构化数据为飞行日志，获取的低空网联智能载具的非结构化数据为不遵循固定格式或结构的数据词条； 基于所述结构化数据和所述非结构化数据，构建结构化低空网联智能载具知识图谱；所述结构化低空网联智能载具知识图谱中的节点为实体，边为实体间的关系；实体和实体间的关系是通过信息提取技术与知识表示技术，对结构化数据与非结构化数据进行分析后得到的； 利用LSTM模型对结构化低空网联智能载具知识图谱中的空域特征进行分析，预测低空网联智能载具的流量时空图；所述空域特征为空域可通行方向与最大流量； 基于所述流量时空图对低空空域进行划分，确定低空空域分配结果；所述低空空域分配结果为单位空域的可通行方向与最大流量； 根据所述低空空域分配结果，初始化低空网联智能载具路径； 以低空网联智能载具的飞行安全度为奖励函数，以低空网联智能载具的飞行路径所用的时间为价值函数，采用Q-learning+交通因素罚时算法对初始化低空网联智能载具路径进行迭代，得到低空网联智能载具的最优路径； 根据低空网联智能载具集群，构建动力学模型，建立一个六自由度的低空网联智能载具动力学模型，用以详细描述载具的运动特性，进而构建以延误率最低为目标的编队飞行协同控制模型；所述低空网联智能载具集群是由路径相同的低空网联智能载具组成的；所述编队飞行协同控制模型用于根据编队控制方法对低空网联智能载具集群进行飞行控制；所述编队控制方法包括领航模式、跟随模式、变换模式和脱离模式； 其中，基于所述结构化数据和所述非结构化数据，构建结构化低空网联智能载具知识图谱，具体包括： 对低空网联智能载具的结构化数据和非结构化数据进行预处理，得到预处理后的信息； 使用基于特征的机器学习方法，对预处理后的信息进行交通实体抽取； 使用半监督学习Traffic-Snowball算法提取交通信息语料中的关联关系；所述交通实体信息语料是由若干个交通实体的信息构成的； 采用数据挖掘方法，从低空网联智能载具的出行信息中挖掘交通实体属性和属性值之间的关系模式； 根据提取的交通实体、关联关系和关系模式，创建结构化低空网联智能载具知识图谱中的节点和边，得到结构化低空网联智能载具知识图谱； 其中，以低空网联智能载具的飞行安全度为奖励函数，以低空网联智能载具的飞行路径所用的时间为价值函数，采用Q-learning+交通因素罚时算法对初始化低空网联智能载具路径进行迭代，得到低空网联智能载具的最优路径，具体包括： 根据低空空域分配结果，构建环境模型；所述环境模型包括低空智能载具、航路网络、飞行规则和潜在冲突点； 利用强化学习方法，在环境模型中确定当前环境状态下的最佳路径和速度； 以时间消耗、速度变化平稳度、电力消耗和冲突风险等级构成的飞行安全度为奖励函数，以低空网联智能载具的飞行路径所用的时间为价值函数，采用Q-learning+交通因素罚时算法，对当前环境状态进行迭代，得到最优路径； 其中，采用Q-learning+交通因素罚时算法进行迭代，得到低空网联智能载具的最优路径的公式表达式为： 其中α是学习率，γ是折扣因子，s1是执行动作获得下一个状态，tα和tγ是交通因素罚时系数，是在状态s1执行所有可能动作后最大的Q值，t为根据城市历史交通状况确定的折减系数，Rs,d表示在状态s下采取动作d时获得的即时奖励； 其中，利用LSTM模型对结构化低空网联智能载具知识图谱中的空域特征进行分析，预测低空网联智能载具的流量时空图，具体包括： 根据公式预测低空网联智能载具的流量时空图； 其中，it为输入门，ft为遗忘门，ot为输出门，σ是sigmoid函数，W和b是模型的权重矩阵和偏置向量，下标x和h分别对应X和h向量，i、f、o分别对应输入门公式、遗忘门公式和输出门公式，Xt为t时刻低空网联智能载具的流量，ht-1是t-1时刻的最终特征表示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。