Predykcyjne uczenie maszynowe w zarządzaniu ruchem lotniczym
Organizacja przestrzeni powietrznej nad Europą to złożona operacja, która zależy od współpracy linii lotniczych i władz naziemnych. W systemach zarządzania ruchem lotniczym (ang. air traffic management, ATM) nowej generacji priorytet mają dwa pozornie sprzeczne cele: zwiększenie wydajności procesów ATM i zwiększenie bezpieczeństwa. Dużą rolę w ich rozwoju może odegrać sztuczna inteligencja (SI). Systemy oparte na SI mogą przetwarzać duże ilości danych, co przekłada się na ulepszoną automatyzację i umożliwia tworzenie nowych narzędzi wspomagających podejmowanie decyzji w oparciu o informacje predykcyjne. Na przykład kontrolerzy ruchu lotniczego mogliby być informowani o potencjalnych nieudanych podejściach samolotów z dużym wyprzedzeniem, co pozwoliłoby im lepiej zorganizować lądowania i odloty oraz kontrolować przepustowość pasów startowych. Mogłoby to złagodzić efekt domina, który powstaje, gdy samolot jest zmuszony do okrążenia lotniska zamiast wylądować. Takie zdarzenie nosi nazwę odejścia na drugi krąg. Obecne najnowocześniejsze systemy kontroli ruchu lotniczego bazują na potwierdzonych informacjach, natomiast prognozy oparte na SI opierają się na prawdopodobieństwie, co wprowadza element niepewności. Bezpieczeństwo ma kluczowe znaczenie w lotnictwie, więc kontrolerzy muszą mieć zaufanie do otrzymywanych informacji. Projekt SafeOPS, finansowany w ramach wspólnego przedsięwzięcia SESAR, miał na celu zbadanie, w jaki sposób takie technologie predykcyjne można najlepiej zintegrować z istniejącymi systemami ATM, w których decyzję podejmuje człowiek, aby zbudować zaufanie wśród kontrolerów do prognoz SI. „Należy wykazać, że systemy predykcyjne mogą zwiększyć przepustowość i być opłacalne oraz poprawić bezpieczeństwo i niezawodność ATM”, mówi koordynator projektu Lukas Beller z niemieckiego Uniwersytetu Technicznego w Monachium. „Najlepiej byłoby, gdyby spełniały wszystkie te zadania”, dodaje.
Wczesne przewidywanie zdarzeń związanych z odejściem na drugi krąg
Aby zbadać wpływ integracji SI z ATM, zespół SafeOPS przeprowadził najpierw serię warsztatów z ekspertami, kontrolerami wież i innymi specjalistami z dziedziny lotnictwa. „Podczas tych warsztatów zdefiniowaliśmy scenariusze referencyjne – w których trudno poradzić sobie z odejściem na drugi krąg – wykorzystując najnowocześniejsze metody i narzędzia”, wyjaśnia Beller. Po określeniu tych sytuacji zespół rozpoczął projektowanie prototypowego systemu, który symulował te scenariusze referencyjne, wykorzystując dane wygenerowane z algorytmów predykcyjnego uczenia maszynowego, które jest podzbiorem SI. Korzystając z tego prototypu, zespół mógłby zebrać wstępne, wymierne szacunki dotyczące tego, jak dokładne mogą być przewidywania zdarzeń związanych z odejściem na drugi krąg. „Takie odejścia zdarzają się bardzo rzadko, więc ich ilościowe określenie nie jest wcale łatwe”, zauważa Beller. Następnie zespół omówił wyniki eksperymentów prototypowych podczas kolejnych warsztatów z kontrolerami ruchu lotniczego, aby sprawdzić, czy scenariusze referencyjne nadal odpowiednio odzwierciedlają rzeczywistość, i odpowiednio dostosował algorytmy. Wzajemne dostrajanie się człowieka i maszyny ma na celu lepszą integrację SI z istniejącym przepływem pracy. Zespół projektu SafeOPS jednocześnie pracował nad dostosowaniem istniejących ram ryzyka w branży ATM, uwzględniając szacowane możliwe ryzyko wprowadzenia prognoz SI.
Prognozy o wysokim stopniu ufności w kontroli ruchu lotniczego
Jak mówi Beller, już wstępne wyniki były zaskakujące. Wstępne badania wykazują, że kontrolerzy ruchu lotniczego uznają za dopuszczalne, jeśli SI nie umie przewidzieć wszystkich zdarzeń odejścia na drugi krąg, o ile pewność przewidywanych zdarzeń wynosi 90 %. To ma sens z operacyjnego punktu widzenia, mówi Beller. Projekt SafeOPS ma się zakończyć pod koniec 2022 roku. „Mam nadzieję, że uda nam się pokazać i zmierzyć pozytywny wpływ narzędzia opartego na SI na bezpieczeństwo i niezawodność ATM”, podsumowuje Beller.
Słowa kluczowe
SafeOPS, powietrze, ruch lotniczy, zarządzanie, sztuczna inteligencja, bezpieczeństwo, niezawodność, przepustowość, kontroler
