一种用于无人机（UAV）作业系统性风险分析的贝叶斯网络方法

为何满天飞的无人机需要更智能的风险思维

配送无人机、航拍无人机和应急响应 UAV 正迅速成为日常生活的一部分。然而，每次飞行都必须在恶劣天气、拥挤城市、无线电干扰和人为失误中安全航行。本文提出了一个关键问题：当许多因素可能同时出错时，哪些最重要？作者构建了一个定量模型，追踪地面与空中条件如何与技术和飞行员行为共同作用，从而决定无人机飞行是安全、成功还是对地面人员构成危险。

将无人机风险视为一个相互关联的系统

现有的大多数安全工具通常逐一考察无人机故障——例如电机损坏或飞行员失误。这种方法在当今复杂的作业场景中捉襟见肘，因为天气、法规、无线电信号、软件和公司压力都会相互影响。在这项研究中，作者使用贝叶斯网络，这是一种因果概率映射，用以捕捉这张影响网。他们将二十个关键因素组织成三层：第一层涵盖起始条件，如天气、地形、信号质量、公司安全文化、飞行员训练和任务难度；第二层描述飞行中可能出错的环节，如不可靠的硬件、软件故障、通信中断以及飞行员感知与决策不足；第三层跟踪最终结果：失控、任务目标是否达成以及对地面人员的风险程度。

沿着从条件到后果的链条追踪

为了在无需庞大数据集的情况下让模型可用，作者采用了一种简化的风险合并方法，假定每个原因独立地推动故障概率的变化。他们基于事故报告、法规和行业调查为起始条件设定了基线概率，故意选择了一个应力测试场景——例如复杂的城市地形并伴有可能的恶劣天气——而不是理想的晴好日。他们随后估计各因素触发下一环节的强度。例如，恶劣天气和维保不良都会降低机体可靠性，而薄弱的安全文化和低水平的飞行员经验会削弱飞行前检查和飞行中决策。这产生了一幅完整的概率图，显示各元素处于不良状态的频率以及这些状态如何级联导致失控和事故。

模型揭示风险真正来自何处

在应力测试条件下，模型描绘出令人警醒的图景：飞行员表现成为主要薄弱环节——超过一半的飞行预计会出现不良决策，近一半的飞行会出现态势感知下降。这些人为短板，加上导航和通信性能下降，使得失控事件的发生概率令人担忧。但当作者更深入探查模型——询问哪些杠杆能最大改变不良结果的概率时，显示出不同的模式。在安全性、任务成功率和对第三方危险性三个维度上，有两个因素占据主导地位：天气和地形。恶劣天气和复杂、障碍密集的环境持续浮现为导致事故、任务失败和地面人员风险的最强根本驱动因素。技术问题和飞行员经验仍然重要，但它们往往是环境压力的放大器，而非主要根源。

为什么任务成功并不等同于安全

模型还显示，并非所有不良结果都是一样的。一次飞行可以在物理上保持安全，但同时未能完成其目的。在这里，信号干扰——例如无线电噪声或卫星导航中断——起着特别重要的作用。它不一定会导致坠机，但可能损坏数据、中断有效载荷控制或迫使提前返航，所有这些都会破坏任务成功。换言之，仅仅保护人员和财产不受伤害还不够；关注可靠交付或高质量感测的运营者还必须加强系统以抵御细微的通信和导航问题，特别是在密集的城市环境中。

从被动应对飞行到更聪明的规划

对非专业读者而言，核心要点很直接：对无人机来说，你在哪里、何时飞，比你飞什么更重要。研究表明，关于天气窗、飞行路线和运行位置的谨慎选择，比依赖飞行中的英雄式操作或单纯追求更复杂的机载技术更能有效降低风险。与此同时，不同目标需要不同的防护措施：安全要求严格关注环境限制和飞行员准备，而任务成功还依赖于保护信号和链路。通过将一团复杂的影响因素转化为清晰的定量地图，作者为监管者和运营者提供了一个工具，以优先安排投资和政策，使遍布天际的无人机既更安全又更可靠。

引用: Wang, L., Zhu, M. & Li, N. A bayesian network approach for systemic risk analysis in unmanned aerial vehicle (UAV) operations. Sci Rep 16, 13546 (2026). https://doi.org/10.1038/s41598-026-43333-x

关键词: 无人机安全, 贝叶斯网络, 系统性风险, 无人机作业, 恶劣天气