Aircraft trajectory estimation and guidance mode identification using bayesian filtering techniques

Abstract

(English) The dissertation explores advanced methods for aircraft trajectory estimation and trajectory prediction (TP), which are critical for the next generation of Air Traffic Management (ATM) systems operating under the Trajectory-Based Operations (TBO) paradigm. As ATM systems evolve, more responsibilities like flight plan adjustments and separation management are expected to shift from ground-based controllers to aircraft, emphasizing the need for precise trajectory estimation. The research primarily focuses on improving single-aircraft trajectory estimation and guidance mode identification, important for safe and efficient operations of both ground-based and airborne Decision Support Tools (DSTs). The core of the work is the development of sophisticated Interacting Multiple Model (IMM) algorithms enhanced with advanced filtering techniques, including Kalman filters and Sequential Monte Carlo (SMC) methods. These enhancements address challenges such as managing uncertainties, potential model mismatches, and identifying hidden guidance modes, all of which significantly impact TP. A dynamic model for trajectory estimation and TP requires various inputs, including measurement data, weather forecasts, aircraft performance models, and operational constraints. However, a key challenge is the availability of aircraft intent, which includes operational instructions and guidance modes that are required for accurately predicting trajectories. Identifying guidance modes is essential for improving TP performance, as it directly influences how the aircraft is controlled during flight. The main objectives of this dissertation are to characterize the estimation and guidance mode identification problem and enhance existing filtering methodologies using Bayesian techniques that rely on multiple-model approaches. The work proposes an optimal IMM approach that uses Kalman filter-based methods, particularly the Extended Kalman Filter (EKF), to manage the nonlinear dynamics predominant in vertical trajectory profiles, which are typically more uncertain than lateral paths. However, the research identifies limitations in the optimal method, particularly in tracking hybrid jumps— simultaneous changes in the state component and a mode switch. To overcome these limitations, the research introduces an enhanced IMM, named generalized IMM (GIMM), framework that better predicts transitions between guidance modes and tracks hybrid jumps more accurately. Additionally, SMC-based methods, i.e., Particle Filter (PF), is proposed as an alternative to manage complex flight dynamics and improve robustness in state estimation and mode identification. The effectiveness of these methodologies is validated through extensive testing with synthetic and real-flight data. Results show that the maximum percentage error in aircraft mass estimation is minimal, and other state variables are also accurately estimated with low delays in tracking hybrid jumps and identifying guidance modes. This research not only addresses the immediate needs of ATM systems under the TBO framework but also lays the groundwork for future advancements. Potential future directions include integrating lateral navigational maneuvers into system models, expanding the state vector to include additional flight parameters, and adapting these methodologies for multi-aircraft tracking scenarios. These enhancements aim to further refine TP capabilities, advancing ATM systems towards greater efficiency and safety.

(Català) La tesi explora mètodes avançats per a l'estimació i predicció de trajectòries d'aeronaus, que són crucials per a les properes generacions de sistemes per a la gestió del trànsit aeri (ATM), que operaran sota el paradigma d'operacions basades en la trajectòria (TBO). A mesura que els sistemes ATM evolucionen, s'espera que més responsabilitats es traslladin dels controladors a terra als avions, com ara la gestió de la separación entre aeronaus, cosa que subratlla la necessitat d'una estimació precisa de les trajectòries de les possibles aeronaus en conflicte. Aquesta recerca se centra principalment en millorar l'estimació de trajectòries d'una única aeronau i la identificació dels modes actius de guiatge, importants tant per a eines de suport a la decisió per controladors aeris com per aplicacions embarcades. El nucli del treball és el desenvolupament d'algoritmes sofisticats de Model Múltiple Interactiu (IMM) millorats amb tècniques de filtratge avançades, incloent-hi filtres de Kalman i mètodes seqüencials de Monte Carlo. Aquests avenços aborden desafiaments com la gestió d'incerteses, els possibles desajustos de models i la identificació de modes de guiatge ocults, els quals impacten significativament en la predicció de la trajectòria. Un model dinàmic per a l'estimació i predicció de trajectòries requereix diverses entrades, incloent-hi dades de mesura, previsions meteorològiques, models de prestacions de l'aeronau i restriccions operatives. No obstant això, un desafiament clau és la disponibilitat de les anomenades "intencions de l'aeronau” (aircraft intent), que inclouen instruccions operatives o modes de guiatge necessaris per a definir de manera inequívoca una trajectòria. La identificació dels modes de guiatge influeix directament en com es controla l'aeronau durant el vol i per tant és essencial per a la correcta predicció de la trajectòria. Els principals objectius d'aquesta tesi són caracteritzar el problema de l'estimació i la identificació de modes de guiatge i millorar les metodologies de filtratge existents utilitzant tècniques bayesianes. El treball proposa un enfocament IMM òptim que utilitza mètodes basats en filtres de Kalman estesos (EKF), per tal gestionar les dinàmiques no lineals predominants en els perfils de trajectòria verticals. Tanmateix, la recerca identifica limitacions en el mètode òptim, particularment en el seguiment de salts híbrids: canvis simultanis en el component d'estat i un canvi de mode. Per superar aquestes limitacions, s’introdueix un marc IMM millorat, anomenat IMM generalitzat (GIMM), que prediu millor les transicions entre modes de guia i segueix els salts híbrids amb més precisió. A més, es proposa l'ús de mètodes seqüencials de Monte Carlo, és a dir, el Filtre de Partícules, com una alternativa per gestionar dinàmiques de vol complexes i millorar la robustesa en l'estimació d'estats i la identificació de modes. L'efectivitat d'aquestes metodologies es valida a través de proves exhaustives amb dades sintètiques i reals de vol. Els resultats mostren que el percentatge màxim d'error en l'estimació de la massa de l'aeronau es redueix, i altres variables d'estat també s'estimen amb precisió, amb baixos retards en el seguiment de salts híbrids i la identificació de modes de guiatge. Aquesta recerca no només aborda les necessitats immediates dels sistemes ATM sota el marc TBO, sinó que també estableix les bases per a futurs avenços. Recerca futura podria incloure la integració de maniobres de navegació lateral en els models del sistema, l'ampliació del vector d'estat per incloure paràmetres de vol addicionals, i l'adaptació d'aquestes metodologies per a escenaris de seguiment multi-aeronau. Aquests avenços tenen com a objectiu refinar encara més les capacitats de la predicció de trajectòries, avançant els sistemes ATM cap a una major eficiència i seguretat.

(Español) La tesis explora métodos avanzados para la estimación y predicción de trayectorias de aeronaves, que son cruciales para las próximas generaciones de sistemas para la gestión del tráfico aéreo (ATM), que operarán bajo el paradigma de operaciones basadas en la trayectoria (TBO). A medida que los sistemas ATM evolucionan, se espera que más responsabilidades se trasladen de los controladores en tierra a los aviones, como la gestión de la separación entre aeronaves, lo que subraya la necesidad de una estimación precisa de las trayectorias de las posibles aeronaves en conflicto. Esta investigación se centra principalmente en mejorar la estimación de trayectorias de una única aeronave y la identificación de los modos activos de guiado, importantes tanto para herramientas de soporte a la decisión para controladores aéreos como para aplicaciones embarcadas. El núcleo del trabajo es el desarrollo de algoritmos sofisticados de Modelo Múltiple Interactivo (IMM) mejorados con técnicas de filtrado avanzadas, incluidas los filtros de Kalman y métodos secuenciales de Monte Carlo. Estos avances abordan desafíos como la gestión de incertidumbres, los posibles desajustes de modelos y la identificación de modos de guiado ocultos, los cuales impactan significativamente en la predicción de la trayectoria. Un modelo dinámico para la estimación y predicción de trayectorias requiere diversas entradas, incluidas datos de medida, previsiones meteorológicas, modelos de prestaciones de la aeronave y restricciones operativas. Sin embargo, un desafío clave es la disponibilidad de las llamadas "intenciones de la aeronave" (aircraft intent), que incluyen instrucciones operativas o modos de guiado necesarios para definir de manera inequívoca una trayectoria. La identificación de los modos de guiado influye directamente en cómo se controla la aeronave durante el vuelo y por tanto es esencial para la correcta predicción de la trayectoria. Los principales objetivos de esta tesis son caracterizar el problema de la estimación y la identificación de modos de guiado y mejorar las metodologías de filtrado existentes utilizando técnicas bayesianas. El trabajo propone un enfoque IMM óptimo que utiliza métodos basados en filtros de Kalman extendidos (EKF), para gestionar las dinámicas no lineales predominantes en los perfiles de trayectoria verticales. Sin embargo, la investigación identifica limitaciones en el método óptimo, particularmente en el seguimiento de saltos híbridos: cambios simultáneos en el componente de estado y un cambio de modo. Para superar estas limitaciones, se introduce un marco IMM mejorado, llamado IMM generalizado (GIMM), que predice mejor las transiciones entre modos de guía y sigue los saltos híbridos con mayor precisión. Además, se propone el uso de métodos secuenciales de Monte Carlo, es decir, el Filtro de Partículas, como una alternativa para gestionar dinámicas de vuelo complejas y mejorar la robustez en la estimación de estados y la identificación de modos. La efectividad de estas metodologías se valida a través de pruebas exhaustivas con datos sintéticos y reales de vuelo. Los resultados muestran que el porcentaje máximo de error en la estimación de la masa de la aeronave se reduce, y otras variables de estado también se estiman con precisión, con bajos retrasos en el seguimiento de saltos híbridos y la identificación de modos de guiado. Esta investigación no solo aborda las necesidades inmediatas de los sistemas ATM bajo el marco TBO, sino que también establece las bases para futuros avances. Investigación futura podría incluir la integración de maniobras de navegación lateral en los modelos del sistema, la ampliación del vector de estado para incluir parámetros de vuelo adicionales, y la adaptación de estas metodologías para escenarios de seguimiento multi-aeronave. Estos avances tienen como objetivo refinar aún más las capacidades de la predicción de trayectorias, avanzando los sistemas ATM hacia una mayor eficiencia y seguridad.