潘衛(wèi)軍，冷元飛，吳天祎，王 玄

(中國民用航空飛行學(xué)院 空中交通管理學(xué)院， 四川 廣漢 618307)

1 引言

尾流是飛機(jī)在高速飛行時(shí)，由于機(jī)翼的上下表面存在壓力差，在翼尖形成的自下而上的強(qiáng)漩渦狀氣流[1]。它是飛機(jī)升力的副產(chǎn)品，以翼尖為中心，高速旋轉(zhuǎn)，向后和向下伸展數(shù)公里。在近地階段，尾流是影響飛行安全的重要因素[2]，當(dāng)后機(jī)遭遇到前機(jī)的尾流時(shí)，前機(jī)尾流在后機(jī)機(jī)翼上會(huì)形成滾轉(zhuǎn)力矩，從而使后機(jī)失去控制,一旦發(fā)生事故，后果非常嚴(yán)重[3]。

目前針對(duì)飛機(jī)尾渦較為成熟的探測(cè)工具是多普勒激光雷達(dá)。2004年，K?pp等[4]使用2 μm激光雷達(dá)首次成功探測(cè)到遠(yuǎn)距離的飛機(jī)尾流。Fibertek[5]模擬了一架波音747的尾渦，并利用研制的波長為1.5 μm的相干多普勒測(cè)風(fēng)激光(coherent doppler lidar，CDL)雷達(dá)進(jìn)行了現(xiàn)場探測(cè)和驗(yàn)證。日本三菱公司在2014年利用機(jī)載相干多普勒測(cè)風(fēng)激光雷達(dá)[6]發(fā)現(xiàn)了晴空湍流。然而，受限于現(xiàn)有雷達(dá)探測(cè)尾渦的工作方式和安放位置，導(dǎo)致采集的尾流數(shù)據(jù)分辨率較低。此外，受環(huán)境影響，尾流在其演化過程中具有一定的形變，其識(shí)別與預(yù)測(cè)一直是航空工業(yè)中的難題。

近年來，隨著深度學(xué)習(xí)( deep learning，DL)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在各種計(jì)算機(jī)視覺任務(wù)中已經(jīng)顯示出超過人類的能力，尤其在圖像識(shí)別應(yīng)用中表現(xiàn)出了好的魯棒性和優(yōu)秀的非線性表達(dá)能力，卷積神經(jīng)網(wǎng)絡(luò)成為雷達(dá)目標(biāo)識(shí)別[7]的一種新方法。

深層的卷積神經(jīng)網(wǎng)絡(luò)能夠得到的表達(dá)能力越強(qiáng)，性能越好[8]。但目前流行的卷積神經(jīng)網(wǎng)絡(luò)[9-13]主要為視覺傳感器而研究，若直接應(yīng)用現(xiàn)存的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)來對(duì)尾流進(jìn)行識(shí)別，則需要將激光雷達(dá)采集到的低分辨率數(shù)據(jù)進(jìn)行轉(zhuǎn)化為彩色圖像才能輸入這些網(wǎng)絡(luò)架構(gòu)當(dāng)中，這將導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)含有過多的參數(shù)和計(jì)算量。

本研究中提出了一種快速的卷積神經(jīng)網(wǎng)絡(luò)模型。雷達(dá)采集的樣本分辨率低，為平衡識(shí)別速度和準(zhǔn)確性，簡化了GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)層數(shù)和寬度。為了提高識(shí)別具有不同形狀尾流的能力，在GoogLeNet-Wake卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的Block模塊中使用2個(gè)具有不同視野的卷積核來提取尾流的特征，并在其較長的支路上通過殘差連接來避免信息丟失。以期通過使用更少的內(nèi)存資源消耗、更快的速度來達(dá)到有效識(shí)別尾流的目的。

2 數(shù)據(jù)采集方法

2.1 尾流雷達(dá)探測(cè)原理

激光多普勒效應(yīng)測(cè)量的原理是被探測(cè)目標(biāo)反射的波長會(huì)隨著激光光源和目標(biāo)之間的相對(duì)運(yùn)動(dòng)而變化[14]。當(dāng)多普勒激光掃描目標(biāo)空域時(shí)，接收機(jī)會(huì)接收到隨尾流運(yùn)動(dòng)的氣溶膠粒子反射的激光信號(hào)，其中,后向散射信號(hào)的多普勒頻移與激光波長、徑向風(fēng)速有如下關(guān)系:

(1)

式中：fD為雷達(dá)多普勒頻移；λ0為激光雷達(dá)波長；VR為粒子徑向風(fēng)速。

結(jié)合激光雷達(dá)探測(cè)原理，圖1演示了當(dāng)飛機(jī)高速穿過雷達(dá)掃描空域時(shí)，在復(fù)雜的空氣動(dòng)力和飛機(jī)相互作用下，飛機(jī)會(huì)在其左右翼尖處產(chǎn)生湍流漩渦，從而帶動(dòng)空氣中的氣溶膠粒子運(yùn)動(dòng)。

圖1 激光雷達(dá)掃描尾流原理示意圖

2.2 尾流實(shí)地探測(cè)

為了獲得復(fù)雜風(fēng)場的3D掃描和飛機(jī)尾流的準(zhǔn)確數(shù)據(jù),實(shí)驗(yàn)使用Wind3D 6000激光雷達(dá)子在雙流機(jī)場的近離場附近采集風(fēng)場數(shù)據(jù)。Wind3D 6000能夠檢測(cè)更長的距離，最大探測(cè)半徑超過6 km，且具有體積小、質(zhì)量輕、功耗低的特點(diǎn)。常用的掃描模式有距離高度指示器(range-height-indication,RHI) 和平面位置指示器(plan-position indicator,PPI)2種，對(duì)于尾流的截面掃描，采用RHI模式進(jìn)行探測(cè)，在實(shí)地探測(cè)過程中，多普勒激光雷達(dá)安放位置如圖2所示。

圖2 雙流機(jī)場尾流實(shí)地探測(cè)場景圖

不同機(jī)型飛機(jī)所產(chǎn)生的尾渦強(qiáng)度和演化規(guī)律與環(huán)境息息相關(guān)[15-16]。為了得到一個(gè)好的觀測(cè)條件，根據(jù)機(jī)場地形、天氣條件、跑道運(yùn)行方式等因素，設(shè)置激光雷達(dá)運(yùn)行參數(shù)如表3所示。激光雷達(dá)按照一定的掃描率不間斷周期性掃描目標(biāo)探測(cè)區(qū)域，能夠大量獲取不同天氣下和不同機(jī)型的下的飛機(jī)尾流演化數(shù)據(jù)。

表3 雷達(dá)運(yùn)行參數(shù)(RHI模式)

以A380為例，在現(xiàn)場探測(cè)得到尾流可視化如圖3所示。通過演化圖分析可以發(fā)現(xiàn)隨著兩渦相互誘導(dǎo)及環(huán)境風(fēng)的作用下，左右渦旋呈現(xiàn)出形狀逐漸變大，而渦環(huán)量強(qiáng)度逐漸變小的特點(diǎn)。盡管渦旋在整體上還保留了反向?qū)ΨQ性，但隨著時(shí)間的流逝，這種對(duì)稱結(jié)構(gòu)開始逐漸變的不穩(wěn)定，直到與環(huán)境風(fēng)場融為一體。

3 深度學(xué)習(xí)方法及實(shí)現(xiàn)

3.1 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)

深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、目標(biāo)檢測(cè)、情感識(shí)別、場景分割等計(jì)算機(jī)視覺任務(wù)中取得了突破性的成果[17-18]，其為飛機(jī)尾流檢測(cè)提供了一種有效的方法。盡管已經(jīng)被證明流行的深度學(xué)習(xí)框架可以在尾流識(shí)別上取得好的效果。然而受存儲(chǔ)空間和計(jì)算能力的限制，經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型在雷達(dá)嵌入式設(shè)備上的存儲(chǔ)和計(jì)算仍然是一個(gè)巨大的挑戰(zhàn)。激光雷達(dá)獲得的風(fēng)場數(shù)據(jù)是一種單通道數(shù)據(jù)，且分辨率較小。此外，激光雷達(dá)獲取的風(fēng)場樣本受環(huán)境影響，其數(shù)值變化范圍和與光學(xué)傳感器得到的圖像信息相差甚大。雷達(dá)回波數(shù)據(jù)往往需要將轉(zhuǎn)換才能適應(yīng)現(xiàn)有的深層卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。GoogLeNet網(wǎng)絡(luò)(見圖4)是當(dāng)年ImageNet圖像競賽的冠軍，具有良好的識(shí)別效果，而且網(wǎng)絡(luò)結(jié)構(gòu)簡單，改進(jìn)方便。因此，綜合雷達(dá)設(shè)備和尾流演化特點(diǎn)，通過重構(gòu)GoogLeNet網(wǎng)絡(luò)，構(gòu)造了一種專門用于飛機(jī)尾流快速識(shí)別的GoogLeNet-Wake卷積神經(jīng)網(wǎng)絡(luò)框架。

圖3 A380機(jī)型尾流可視化示意圖

圖4 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3.2 GoogLeNet-Wake網(wǎng)絡(luò)模型結(jié)構(gòu)

本文中所提的GoogLeNet-Wake卷積神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)由卷積層、Block塊和全連接層組成，圖5為顯示其網(wǎng)絡(luò)結(jié)構(gòu)。

GoogLeNet-Wake卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的第一、四、五層為3×3的卷積層(Conv)。卷積層的作用是提取激光雷達(dá)數(shù)據(jù)樣本的特征，每個(gè)卷積層后應(yīng)用了神經(jīng)元激活函數(shù)(ReLu)，以及歸一化層(batch normalization,BN)來增強(qiáng)模型的泛化能力。在每個(gè)卷積層之后增加最大池化層(MaxPool)，降低提取特征的維度和減少特征數(shù)據(jù)量。網(wǎng)絡(luò)架構(gòu)的第二、三層為Block模塊，通過提出的Block模塊豐富特征提取能力和模塊對(duì)計(jì)算資源的需求。網(wǎng)絡(luò)架構(gòu)最后一層包含了自適應(yīng)平均池化層(Adapt-Avgpool)和全連接層(fully-connected,FC)。在全連接層之間應(yīng)用Dropout層，訓(xùn)練過程中通過隨機(jī)丟棄一些神經(jīng)網(wǎng)絡(luò)單元參數(shù)來提高了網(wǎng)絡(luò)的魯棒性，避免模型過擬合。

圖5 GoogLeNet-Wake網(wǎng)絡(luò)模型結(jié)構(gòu)框圖

3.3 Block模塊

Block模塊結(jié)構(gòu)如圖6所示，其構(gòu)造目的是輸入特征與特定的卷積核進(jìn)行卷積，并通過一系列的串行或并行組合，使Block模塊輸出的特征更加豐富。在Block的卷積層中，主要由2個(gè)1×1卷積核和3×3卷積核組成，不同的大小的卷積核使得網(wǎng)絡(luò)在進(jìn)行卷積時(shí)在特征圖上具有不同尺寸的感受野[18]，以便網(wǎng)絡(luò)可以學(xué)習(xí)到樣本數(shù)據(jù)“稀疏”(3×3)或“不稀疏”(1×1)的特征，從而提高了網(wǎng)絡(luò)對(duì)不同尺度尾流的適應(yīng)性。Block模塊將特征提取過程通過具有不同長度的兩條卷積支路來實(shí)現(xiàn)，兩條支線上1×1的卷積核在Block模塊的第一層使用，有助于減少參數(shù)數(shù)量。在下一個(gè)模塊輸入之前利用連接操作將各支線的提取的特征進(jìn)行綜合，從而進(jìn)一步提高模型非線性特性的表達(dá)能力，且這種非對(duì)稱結(jié)構(gòu)的應(yīng)用同時(shí)能夠進(jìn)一步減少參數(shù)量。

圖6 Block模塊結(jié)構(gòu)框圖

在Block模塊中較長的支路使用了殘差連接結(jié)構(gòu)組成支路殘差網(wǎng)絡(luò)[19]，殘差網(wǎng)絡(luò)主要應(yīng)用的范圍為輸入數(shù)據(jù)量較大和卷積網(wǎng)絡(luò)較深的場景，當(dāng)尾流樣本數(shù)據(jù)集在數(shù)和量上有質(zhì)的增加時(shí)，通過在較長的支路上使用殘差連接能有效避免網(wǎng)絡(luò)梯度爆炸和梯度消失。其中殘差塊的映射包括直接映射和殘差映射。其數(shù)學(xué)結(jié)構(gòu)為：

xl+1=xl+f(xl,Wl)

(2)

式中：殘差塊的輸入為xl；輸出為xl+1；f(xl,Wl)函數(shù)代表殘差結(jié)構(gòu)的殘差部分。

4 實(shí)驗(yàn)和結(jié)果

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在Windows 10操作系統(tǒng)下進(jìn)行，編程語言為 Python，使用的深度學(xué)習(xí)框架為PyTorch。計(jì)算平臺(tái)硬件配置為Dell T640工作平臺(tái)，其處理器為Intel(R) Xeon(R) GOLD 5218，內(nèi)存為32 GB。

4.2 數(shù)據(jù)處理和參數(shù)設(shè)置

項(xiàng)目團(tuán)隊(duì)前期于2020年10月4號(hào)在成都雙流國際機(jī)場 (CTU) 利用Wind3D 6000多普勒激光雷達(dá)在開展了尾流觀測(cè)實(shí)驗(yàn)。通過在跑道的不同觀測(cè)點(diǎn)安置激光雷達(dá)共收集了3530條風(fēng)場樣本以構(gòu)成數(shù)據(jù)集。其中，數(shù)據(jù)集中含有尾流的樣本標(biāo)簽為正(T)，未含有尾流的數(shù)據(jù)樣本標(biāo)簽為負(fù)(F)，為了避免過度警告，在飛機(jī)尾流耗散末期中對(duì)后機(jī)不構(gòu)成威脅的尾渦將被歸為負(fù)樣本。尾流背景風(fēng)場風(fēng)速是不斷變化的，為了使輸入到網(wǎng)絡(luò)的數(shù)據(jù)無量綱化，本實(shí)驗(yàn)對(duì)采集的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。此外，標(biāo)準(zhǔn)化數(shù)據(jù)可以加快卷積神經(jīng)網(wǎng)絡(luò)梯度下降的求解速度，提高模型的收斂速度。預(yù)處理后的數(shù)據(jù)被隨機(jī)劃分為訓(xùn)練集(Train set)，驗(yàn)證集(Validation set)，測(cè)試集(Test set)。訓(xùn)練集用于CNN權(quán)重的學(xué)習(xí)，驗(yàn)證集被用于訓(xùn)練過程中的“超參”調(diào)整，測(cè)試集被用于獲得最終結(jié)果以對(duì)比每個(gè)模型的性能，對(duì)于每個(gè)數(shù)據(jù)集具體分布情況如表4所示。

表4 數(shù)據(jù)集分布情況

過小的Batch-Size容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練陷入局部最優(yōu)，模型訓(xùn)練時(shí)的批量數(shù)(Batch-Size)被設(shè)定為50。每進(jìn)行一輪迭代需要43次Batch來完成。優(yōu)化模型算法采用Adam[20]自適應(yīng)梯度下降算法，相比SGD[21]算法，該方法具有實(shí)現(xiàn)簡單，計(jì)算效率高，占用內(nèi)存少的特點(diǎn)，被廣泛應(yīng)用于計(jì)算機(jī)視覺和自然語言處理領(lǐng)域。在優(yōu)化器參數(shù)選擇上，學(xué)習(xí)率的設(shè)置非常重要，過高的學(xué)習(xí)率會(huì)導(dǎo)致網(wǎng)絡(luò)振蕩，模型難以收斂。而學(xué)習(xí)率過低，容易產(chǎn)生過擬合。為了得到良好的分類效果，Adam優(yōu)化器的初始學(xué)習(xí)率設(shè)為0.000 1，而其他參數(shù)使用默認(rèn)值。

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)應(yīng)用交叉熵作為損失函數(shù)，在二分類情況下，交叉熵的含義表示為實(shí)際輸出p值與期望輸出概率y值之間的距離。也就是說在訓(xùn)練網(wǎng)絡(luò)時(shí)，交叉熵值越小，模型與訓(xùn)練數(shù)據(jù)的擬合越好，其數(shù)學(xué)表達(dá)式為：

(3)

式中：yi表示樣本i的標(biāo)簽；pi表示樣本i預(yù)測(cè)為正類(T)的概率。

4.3 結(jié)果和分析

將預(yù)處理后的訓(xùn)練集數(shù)據(jù)傳遞給GoogLeNet-Wake網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，繪制訓(xùn)練過程中損失值的迭代變化如圖7所示。

圖7 損失值曲線

由圖可知，網(wǎng)絡(luò)訓(xùn)練的前20輪loss值變化較為明顯，呈大幅下降趨勢(shì)，表明在訓(xùn)練迭代初期，深度學(xué)習(xí)網(wǎng)絡(luò)模型的學(xué)習(xí)能力較為突出，當(dāng)Epoch為20～80時(shí)，訓(xùn)練損失值呈現(xiàn)反復(fù)振蕩，說明此時(shí)得到的模型還不夠穩(wěn)定，在第80輪之后，損失值趨于穩(wěn)定，數(shù)值上接近于0，網(wǎng)絡(luò)模型達(dá)到最優(yōu)。此時(shí)，模型在測(cè)試集數(shù)據(jù)上的準(zhǔn)確率為0.984 4。為了更進(jìn)一步的表明實(shí)驗(yàn)結(jié)果，引入混淆矩陣(見圖8)。

圖8 GoogLeNet-Wake 分類器的混淆矩陣示意圖

為了評(píng)價(jià)本文中所提模型在尾流識(shí)別中的分類能力，且同時(shí)保證實(shí)驗(yàn)結(jié)果公平，實(shí)驗(yàn)在相同的數(shù)據(jù)集上對(duì)AlexNet和GoogLeNet進(jìn)行訓(xùn)練，測(cè)試，驗(yàn)證。結(jié)果使用準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、和綜合評(píng)價(jià)指標(biāo)(F1-score) 評(píng)價(jià)各模型性能。具體而言，準(zhǔn)確率準(zhǔn)確度是正確預(yù)測(cè)觀測(cè)值的比率、召回率為訓(xùn)練模型捕獲了多少真正的陽性結(jié)果，反映了模型對(duì)尾渦識(shí)別的魯棒性，F(xiàn)1分值則是精確率和召回率的綜合評(píng)價(jià)指標(biāo)，暗示了預(yù)測(cè)模型的泛化性能，選定指標(biāo)計(jì)算公式如式(4)～式(7)所示。

(4)

(5)

(6)

(7)

式中：TP(True positive)表示實(shí)際類別為正，模型預(yù)測(cè)類別也為正；FP(False positive)表示實(shí)際類別為負(fù)，模型預(yù)測(cè)類別為正；TN(False negative)表示實(shí)際類別為負(fù)，模型預(yù)測(cè)類別也為負(fù)；FN(False negative)表示實(shí)際類別為正，模型預(yù)測(cè)類別為負(fù)。

表5反映了分類器對(duì)尾流樣本的判斷能力，GoogLeNet-Wake網(wǎng)絡(luò)在測(cè)試集中的預(yù)測(cè)準(zhǔn)確率分別高于GoogLeNet和AlexNet模型0.28%、1.42%。此外，所提模型在F1分?jǐn)?shù)上優(yōu)于經(jīng)典模型，表明GoogLeNet-Wake針對(duì)尾流識(shí)別具有更好的魯棒性。在圖9可視化了AlexNet和GoogLeNet-Wake在測(cè)試集上的部分測(cè)試結(jié)果，可以發(fā)現(xiàn)2個(gè)模型對(duì)完整尾流渦旋都能取得好的識(shí)別結(jié)果。隨著飛機(jī)尾渦與空氣的相互作用下逐漸耗散，尾流渦旋呈現(xiàn)在激光雷達(dá)掃描截面上的結(jié)構(gòu)被破壞，此時(shí)AlexNet模型產(chǎn)生了漏警，而本文所提GoogLeNet-Wake模型因其混合卷積核結(jié)構(gòu)和殘差連接能夠捕捉到豐富的渦形特征，從而表現(xiàn)出更好的識(shí)別能力。

表5 不同模型試驗(yàn)結(jié)果

為了評(píng)價(jià)GoogLeNet-Wake的在尾流識(shí)別中的計(jì)算性能，以實(shí)驗(yàn)的服務(wù)器作為計(jì)算平臺(tái)，測(cè)試GoogLeNet-Wake、AlexNet和GoogLeNet的參數(shù)量和識(shí)別速度，有關(guān)測(cè)試結(jié)果如圖10所示。

圖9 GoogLeNet-Wake與AlexNet部分測(cè)試結(jié)果可視化示意圖

圖10 參數(shù)和速度測(cè)試結(jié)果圖

由圖10分析可知，GoogLeNet-Wake、AlexNet和GoogLeNet的參數(shù)量分別為0.45 M、57.01 M、5.6 M，識(shí)別速度分別為160 Fps、50 Fps、10 Fps。改進(jìn)后的GoogLeNet-Wake網(wǎng)絡(luò)在內(nèi)存消耗和識(shí)別速度行相比GoogLeNet有著明顯的提升。綜合表5、圖9和圖10可以看出改進(jìn)模型識(shí)別速度提升的同時(shí)并沒有降低對(duì)尾流識(shí)別精度，具有更低的空間復(fù)雜度和時(shí)間復(fù)雜度，能夠做到復(fù)雜環(huán)境條件下的飛機(jī)尾渦高效識(shí)別預(yù)警。

5 結(jié)論

在本文中，提出了改進(jìn)后的卷積神經(jīng)網(wǎng)路架構(gòu)GoogLeNet-Wake來針對(duì)激光雷達(dá)探測(cè)的尾流識(shí)別進(jìn)行優(yōu)化。網(wǎng)絡(luò)模型在重構(gòu)GoogLeNet骨架的基礎(chǔ)上，設(shè)計(jì)運(yùn)用不同大小的卷積核和不平衡支路殘差結(jié)構(gòu)來有效提取尾渦的特征，并同時(shí)減少模型對(duì)計(jì)算資源的需求。實(shí)驗(yàn)通過在雙流機(jī)場安置激光雷達(dá)采集風(fēng)場數(shù)據(jù)來構(gòu)建尾流數(shù)據(jù)集，并對(duì)模型的性能評(píng)價(jià)。結(jié)果表明，所提GoogLeNet-Wake 在測(cè)試集上的準(zhǔn)確率高于 GoogLeNet、AlexNet網(wǎng)絡(luò)結(jié)構(gòu)，識(shí)別預(yù)測(cè)準(zhǔn)確度達(dá)到98.44%，能夠有效輔助空中交通管制員進(jìn)行尾流安全預(yù)警。此外，通過在實(shí)驗(yàn)設(shè)備平臺(tái)上的性能測(cè)試表明GoogLeNet-Wake可以在低參數(shù)量情況下獲得優(yōu)于經(jīng)典網(wǎng)絡(luò)模型的識(shí)別速度，能夠滿足嵌入式設(shè)備的要求。盡管所提GoogLeNet-Wake模型展現(xiàn)了其優(yōu)異的性能，但是所構(gòu)建數(shù)據(jù)集主要還是來源于良好天氣條件下的機(jī)場風(fēng)場掃描數(shù)據(jù)。因此未來考慮進(jìn)一步在模型中引入不同氣象條件和風(fēng)況對(duì)尾渦的影響因素，以大大提高模型的識(shí)別精度和應(yīng)對(duì)惡劣天氣的能力。