Predicción de distancia mínima entre aeronaves a partir de datos ADS-B

Abstract

Actualmente, a cada segundo estamos siendo bombardeados por mensajes aeronáuticos transmitidos por las aeronaves. Para acceder a la información que contienen es necesario algún receptor que permita decodificar estos mensajes. Este es el caso del receptor SBS-3, usado en este proyecto para acceder a los mensajes transmitidos por las aeronaves mediante ADS-B. Estos mensajes constituyen la base para alcanzar el objetivo de este trabajo, es decir, predecir la distancia mínima entre aquellas aeronaves que se aproximen, así como el instante en el que se producirá. Para ello, se tiene que cada uno de los mensajes recibidos contiene numerosa información sobre el estado de la aeronave. De todos los datos que contienen cada uno de estos mensajes interesan, principalmente, la posición de la aeronave y el instante en el que se transmite. A partir de esta información se aplica el proceso descrito a continuación, el cual se divide en 2 etapas claramente diferenciadas: 1. En primer lugar, se aplica un Filtro de Kalman extendido para mejorar la precisión de la posición de la aeronave. La posición así obtenida se denomina como “posición mejorada”. 2. En segundo lugar, partiendo de la posición mejorada y considerando que las aeronaves siguen un movimiento rectilíneo y uniforme se estima la separación futura entre aquellas aeronaves que se estén aproximando entre sí. De esta forma, es posible predecir la separación mínima entre las aeronaves y el instante en el que se alcanzará. Finalmente, una vez se ha aplicado este proceso a todos los mensajes recibidos, como análisis a posteriori es posible conocer la separación mínima real entre las aeronaves evaluadas. A partir de la separación mínima real es posible conocer la diferencia entre la separación mínima predicha y la real. Representando esta diferencia respecto a la antelación de la predicción es posible analizar cómo disminuye la precisión de la predicción cuanto mayor es la antelación con la que se realiza. Además, se analizan aquellos casos en los que el modelo de predicción desarrollado produce resultados anómalos.

Currently, we are constantly receiving a lot of aeronautic messages transmitted by aircraft. To know the information included in these messages is necessary some receiver that could decode them. An example of a receiver is SBS-3, which has been used during this project in order to receive aircraft messages transmitted by ADS-B. ADS-B messages is the basis to achieve the main aim of this work: prediction of both minimun distance between those aircraft which are approaching and moment in which it will take place. Each of the ADS-B messages contains important information about the aircraft state when the message is sent. This infomation includes the aircraft identification, speed, altitude, rhumb, … However, the two more important features are the aircraft position and the time instant when the message is transmitted. These two factors are the base of the process developed in this project, which is clearly divided in two steps: 1. Firstly, an extended Kalman Filter is applied in order to improve precision of the aircraft position. The resulting position is called as “improved position”. 2. Secondly, on the basis of this improved position it is supposed that aircraft follow a rectilinear uniform movement for the purpose of estimating the future distance between the aircraft which are approaching. In this way, it is possible to predict the minimum distance between aircraft and the time instant when this distance is achieved. Finally, once this process has been applied to all received messages, as a posteriori analysis, it is possible to know the true minimun distance between the aircraft. The true minimun distance allows one to know the difference between the predicted and true distances. Representing this difference depending on the prediction anticipation it is possible to analyse the decrease of prediction precission when the prediction anticipation increases. Moreover, it is described those situations in which the prediction model produces abnormal results.