KI-Assistenz unterstützt Fluglotsung bei der Aufrechterhaltung des Situationsbewusstseins
Die Kapazität des Luftverkehrs – sowohl am Boden als auch in der Luft – wird durch die Arbeitsauslastung der Flugsicherung begrenzt. In verkehrsreichen Zeiten werden Flüge routinemäßig verspätet oder von potenziell überlasteten Lufträumen umgeleitet, was Zeit und Treibstoff kostet. Aus diesem Grund hat der Sektor Flugverkehrsmanagement Möglichkeiten zur Automatisierung untersucht, um die Arbeitsbelastung zu verringern und die mentale Kapazität der Fluglotsinnen und -lotsen zu entlasten, damit sie mehr Flugzeuge überwachen und sich auf sicherheitskritische Aufgaben konzentrieren können. „Ein Großteil dieser Arbeiten konzentrierte sich auf die Automatisierung bestimmter Aufgaben, wie zum Beispiel die Erkennung von Konflikten“, erklärt AISA-Projektkoordinator (AI Situational Awareness Foundation for Advancing Automation) Tomislav Radisic von der Fakultät für Transport- und Verkehrswissenschaften an der Universität Zagreb in Kroatien. „Ein Konflikt ist eine Situation, in der sich zwei Flugzeuge auf ihrem Kurs zu einem bestimmten Zeitpunkt zu nahe kommen. Das bedeutet in der Regel, dass sie sich innerhalb von fünf Meilen voneinander befinden.“
Automatisiertes Situationsbewusstsein
Die Herausforderung für die Fluglotsung besteht darin, dass sie täglich Hunderte Einzelaufgaben zu erledigen hat. Anstatt sich mit der Automatisierung einzelner Aufgaben zu befassen, wollte AISA einen Schritt zurückgehen und ein grundlegenderes System entwickeln. Das Projekt wurde im Rahmen des gemeinsamen Unternehmens SESAR finanziert, einer öffentlich-privaten Partnerschaft zur Modernisierung des europäischen Flugverkehrsmanagementsystems. „Wir wollten etwas entwickeln, das zunächst alle vorhandenen Instrumente überwacht, um dem System eine Art künstliches Situationsbewusstsein zu geben“, fügt Radisic hinzu. „Indem wir viele Dinge gleichzeitig im Auge behalten, könnten wir auch eine Reihe von bestehenden Überwachungsaufgaben automatisieren.“ Das Projektteam machte sich an die Entwicklung des Prototypsystems. Dieses basierte auf sogenannten Wissensgraphen, die automatisch aus den verfügbaren Luftfahrtdaten erstellt wurden. „Diese Wissensgraphen helfen dabei, Beziehungen zwischen verschiedenen Objekten und Konzepten zu erklären“, sagt Radisic. „Wenn wir zum Beispiel neue Erkenntnisse über eine Situation gewinnen wollen, können wir das tun, indem wir über die Fakten, die wir als wahr erkannt haben, nachdenken.“ Diese Art von „Mapping“ half dem Projektteam bei der Entwicklung eines Systems, das über ein viel größeres Situationsbewusstsein verfügt und in der Lage ist, festzustellen, ob die Ausgabe eines bestimmten automatisierten Instruments der Realität entspricht. „Wenn zum Beispiel ein automatisches Instrument vorschlägt, dass sich zwei Flugzeuge im Konflikt befinden, können wir im Wissensgraphen sehen, dass dies vielleicht nicht der Fall ist“, erklärt Radisic.
Bedürfnisse der Branche erfüllen
Anschließend wurde eine Reihe von simulierten Experimenten mit Fluglotsinnen und -lotsen durchgeführt. Das Projektteam wollte herausfinden, wie effizient das System bei der Überwachung der Leistung automatischer Hilfsmittel ist – ob es etwas erkennt, was Menschen bei der Flugsicherung nicht erkennen – und wie nützlich die Automatisierung bestimmter Überwachungsaufgaben ist. „Zunächst einmal muss man sagen, dass das System wie erwartet funktioniert hat“, so Radisic. „Es gab keine Lücken im Situationsbewusstsein, und das System war sogar in der Lage, auf Ausgaben zu reagieren, die nicht der Realität entsprachen, was den Menschen manchmal nicht möglich war.“ Die automatisierte Überwachung zur Unterstützung der Fluglotsung erhielt ein differenzierteres Feedback. „Der Input wurde dem Flugsicherungspersonal über vorab aufgezeichnete Nachrichten an bestimmten Punkten übermittelt, die wir für wichtig hielten“, sagt er. „Die Fluglotsen mochten diese Art der Informationsübermittlung jedoch im Allgemeinen nicht, da sie erwarten, dass nur Piloten mit ihnen sprechen. Ein weiteres Problem war die Ungewissheit darüber, wann diese Informationen gegeben werden sollten; einige Fluglotsinnen und -lotsen fanden die Informationen zu früh.“ Ein solches Feedback ist von entscheidender Bedeutung. Die frühzeitige Einbeziehung der kritischen Nutzergruppen in diese technologische Entwicklung wird dazu beitragen, dass das endgültige System optimal auf ihre Bedürfnisse abgestimmt ist. „Bei diesem Projekt wurde zunächst untersucht, wie sich dieses System in die derzeitigen Systeme einfügen könnte, aber wir sind auch daran interessiert, künftige Flugverkehrsmanagementkonzepte über das Jahr 2035 hinaus zu gestalten“, fügt Radisic hinzu. Zu den nächsten Schritten gehört daher eine genauere Untersuchung der Frage, wie diese automatischen Überwachungswarnungen am besten der Fluglotsung präsentiert werden kann und wann diese Informationen präsentiert werden sollten. Radisic stellt sich die Entwicklung einer visuellen Mensch-Maschine-Schnittstelle vor. „Hier geht es darum, die Anforderungen der Fluglotsung zu verstehen“, so Radisic. Das Projekt verdeutlicht auch das übergreifende Bemühen des Sektors um Sicherheit. Zwar können Maschinenlernwerkzeuge zweifellos die Effizienz und Sicherheit in der Luftfahrt erhöhen, doch muss das Flugverkehrsmanagementpersonal sicher sein, dass sie ordnungsgemäß funktionieren. Zu diesem Zweck hat das AISA-Projekt einen wichtigen Beitrag zu dieser laufenden Diskussion geleistet.
Schlüsselbegriffe
AISA, Luftfahrt, Luft, Verkehr, maschinelles Lernen, Luftraum, Treibstoff, Flugzeuge
