Centralized and distributed optimization of advanced air mobility strategic traffic management
Notice bibliographique
Résumé
Effective traffic management for advanced air mobility (AAM) operations in low-altitude urban airspace is crucial for safety and scalability. Our study aims to bridge a critical gap in AAM traffic management by minimizing travel delays in both centralized and distributed providers of services for urban air mobility (PSU) settings. Key contributions include methods to (1) sectorize urban airspace for effective AAM management, (2) centrally plan AAM routes considering limited capacities in corridors and vertiports, and (3) manage airspace in distributed PSU settings while considering traffic flow capacities and interactions among PSUs. Specifically, the research combines community detection algorithms with Voronoi diagrams to sectorize individual PSU airspace. Corridor route planning is performed with a custom-weighted Dijkstra’s algorithm. Centralized AAM traffic flow management adopts mixed-integer programming (MIP) to minimize overall network delay costs. Distributed PSU network management is formulated as bi-level optimization using cooperative game theory and MIP, where individual PSUs update their strategies based on game theory outcomes. The simulation environment features a randomized no-fly zone, population density maps, and vertiport capacities assigned to artificial cities. Three vehicle configurations with varying ranges and adjustable speeds (i.e., minimum to cruise speeds) are simulated under three service priorities in Monte Carlo simulations. AAM flight operations are evaluated by optimization cost and runtime. This research provides a technical framework and insights into the comparison of centralized and distributed AAM network managements. The paper will facilitate informed decision-making in the development and implementation of AAM traffic management strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».