CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Enhancing Predictability in U-space for Drones Delivery Using Machine Learning

Estudiants que han llegit aquest projecte:

Director/a: BARRADO MUXÍ, CRISTINA

Departament: DAC

Títol: Enhancing Predictability in U-space for Drones Delivery Using Machine Learning

Data inici oferta: 15-01-2025     Data finalització oferta: 15-09-2025


Estudis d'assignació del projecte:
    GR ENG SIST AEROESP
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
Drones, Machine Learning, ATM, UTM, U-Space
 
Descripció del contingut i pla d'activitats:
Este proyecto tiene como finalidad la mejora de la predictibilidad tanto temporal como
espacial de las trayectorias de los drones de acuerdo con la normativa del U-space, la
normativa europea regulada para realizar la gestión del tráfico aéreo no tripulado. En
la actualidad, un alto nivel de densificación del tráfico, que responde al aumento de
tráfico de UAVs en las inmediaciones de centros urbanos conduce a una serie de retos
que atañen a la seguridad, a la eficiencia y a la escalabilidad.
La solución que se propone utiliza técnicas de machine Learning para llegar a una
mejor predicción de las trayectorias tanto espaciales como temporales de los drones.
Se plantea tanto la utilización de algoritmos de tipo Random Forest, regresión lineal
como redes neuronales con memoria (LSTM) y algoritmos de boosting (XGBoost').
De modo que la metodología del proyecto abarca la preparación de los data sets, el
entrenamiento de modelos predictivos como también la evaluación de los mismos,
mediante sistemas de validación como GEMMA simulator. Finalmente, los resultados
esperados, dentro de un marco de referencia, nos llevan a la optimización de rutas, a
la reducción de conflictos, a incrementar la capacidad operativa del espacio aéreo,
contribuyendo al mismo tiempo a establecer un mayor nivel de seguridad y eficiencia a
la hora de la movilidad aérea urbana.
Pero, sobre todo, este trabajo es un apoyo para la integración de los drones de una
manera sostenible en las ciudades enfocado a la mejora del servicio de entrega de
paquetes mediante soluciones tecnológicas innovadoras.
 
Overview (resum en anglès):
The increase in drone operations in shared airspace makes it essential to develop tools that enable the planning, management, and optimization of these operations in a safe and efficient manner. In this context, U-Space proposes an advanced management system for unmanned air traffic based on digitalization, automation, and coordination between systems, with the aim of ensuring coexistence between traditional airspace users and unmanned flights in dense urban environments.

This final degree project aligns with this vision and is based on the analysis of real data from missions in the U-Welcome Project, Pla de Vent 2025, and CORUS-XUAM, which provide flight plans, recorded telemetry, and other mission-related information, totaling 118 flights. The objective is to develop predictive models capable of estimating the time and position of the drone based solely on the planned flight path.

To achieve this goal, a data processing pipeline has been designed, starting with the cleaning of flights with inconsistent data, synchronization between telemetry and flight plans, conversion of coordinates to a local ENU (East-North-Up) reference system, and culminating in the segmentation of trajectories to facilitate analysis and model training. This stage has been crucial to standardize the data structure and adapt it for use in machine learning algorithms.

Various regression models and neural networks have been explored for predicting the flight time between waypoints, achieving a Mean Absolute Error (MAE) of 2.02 seconds. Additionally, position prediction in the three axes (X, Y, Z) has also been addressed, with average errors below one meter, showing particularly good results on the vertical axis. In parallel, a statistical analysis of segment lengths along the three axes has been carried out, providing insight into the spatial behavior of trajectories and revealing the presence of predominantly short displacements in the horizontal plane, and greater variability in altitude, especially influenced by the flight locations (Castelldefels vs Lleida).

Overall, this project offers a comprehensive and operationally applicable solution for the U-Space framework, encompassing everything from the processing and alignment of real-world data to the design of temporal and spatial prediction models, thereby contributing to the development of a safer and more efficient urban airspace.

© CBLTIC Campus del Baix Llobregat - UPC