作者：程延松   成都民航空管科技發(fā)展有限公司

0  引言

航空運輸業(yè)在全球經(jīng)濟活動中發(fā)揮著至關(guān)重要的作用。保持民航活力的關(guān)鍵因素之一是確保在全球、區(qū)域和國家各級安全、可靠、高效地可持續(xù)運行。提升航空運輸效率和保障全域航空運輸系統(tǒng)的安全是民航業(yè)最根本的戰(zhàn)略目標(biāo)?？展芟到y(tǒng)是民航運輸行業(yè)的中樞指揮系統(tǒng)，實現(xiàn)民航強國夢想，必須建設(shè)與民航強國相匹配、相適應(yīng)的現(xiàn)代化空管體系。隨著全球經(jīng)濟的不斷發(fā)展，民航飛機數(shù)量的不斷增加，飛行流量的持續(xù)加大，對我國的航空運輸業(yè)提出了較高的要求。據(jù)中國民航2021年2月主要生產(chǎn)指標(biāo)統(tǒng)計，中國民航旅客運輸量為2394.9萬人次，貨運量為45.9萬噸，同比增長187.1%和54.7%，已恢復(fù)至疫情前水平，超過2019年。航空運輸業(yè)的快速增長客觀上要求民航設(shè)施、運行和管理與之相適應(yīng)。

由于隨著基于航跡的運行 （Trajectory Based Operation，TBO）成為全球空管發(fā)展的共識，現(xiàn)有設(shè)施、運行及服務(wù)難以滿足未來管制運行容量、效率與安全的需求。再由于我國空域使用具有自身的特色，很難將國外的空管運行模式與管理方式照搬到國內(nèi)，因此需要研究適用于我國的運行模式和管理方式。

《四強空管行動方案》明確提出，智慧空管是行業(yè)發(fā)展的時代特征，是空管創(chuàng)新發(fā)展的驅(qū)動力，是空管安全發(fā)展的技術(shù)支撐。通過大數(shù)據(jù)、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計算、人工智能（Artificial Intelligence， AI）等技術(shù)與現(xiàn)有空管技術(shù)的深度融合，逐步實現(xiàn)空管從數(shù)字化到智能化的聚合與提升，從智能化向智慧化的擴展與豐富[3]。新技術(shù)支撐民航未來發(fā)展，AI是核心，通過引入AI技術(shù)，不僅能夠有效提高空域利用率，還能保障航班運行的安全性。與此同時，還要進一步提高人工智能技術(shù)的應(yīng)用范圍和深度，實現(xiàn)空中交通管理的智能化發(fā)展。

1  人工智能概述

人工智能已經(jīng)開始逐漸改變世界的生活和工作方式，目前正在加快部署基于人工智能的系統(tǒng)。在一個越來越受大數(shù)據(jù)驅(qū)動的世界里，近年來隨著計算能力和先進算法的大規(guī)模發(fā)展，人工智能幾乎在所有工業(yè)部門發(fā)揮著越來越重要的作用，增強著行業(yè)的競爭力和生產(chǎn)力，實施正確，將提供巨大的經(jīng)濟和社會價值。在實現(xiàn)創(chuàng)新關(guān)鍵優(yōu)勢的全球競爭中，我國需要在人工智能應(yīng)用方面處于領(lǐng)先地位，這就是我國宣布人工智能為主要戰(zhàn)略重點的原因。

自1956年首次使用“人工智能”一詞以來，人們通過模擬人類智能過程來執(zhí)行任務(wù)的能力進行了大量的研究和開發(fā)，近年來進展顯著加快。人工智能（AI）是指通過分析其所處環(huán)境和采取行動來顯示智能行為的系統(tǒng)，本系統(tǒng)具有一定程度的自主性，并能夠?qū)崿F(xiàn)特定目標(biāo)。人工智能系統(tǒng)一般是由人類設(shè)計的軟件/硬件系統(tǒng)，在給定復(fù)雜目標(biāo)的情況下，通過數(shù)據(jù)采集、解釋采集到的結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)、對知識進行推理或處理信息，作用于物理或數(shù)字維度，根據(jù)這些數(shù)據(jù)得出為實現(xiàn)給定目標(biāo)而采取最佳的行動措施。人工智能系統(tǒng)既可以使用符號規(guī)則，也可以學(xué)習(xí)數(shù)字模型（即：數(shù)據(jù)挖掘），它們還可以通過分析環(huán)境如何受其先前行為的影響來調(diào)整自己的行為決策。

人工智能包括多種方法和技術(shù)，如機器學(xué)習(xí)（Machine Learning， ML.如：深度學(xué)習(xí)、強化學(xué)習(xí)）、機器推理（包括：計劃、調(diào)度、知識表示和推理、搜索和優(yōu)化）、機器人學(xué)等。

ML是指算法的學(xué)習(xí)能力，它是AI的一個子集，它能夠通過學(xué)習(xí)數(shù)據(jù)來實現(xiàn)建模，描述系統(tǒng)特征的輸入和輸出。這是通過特定的策略自動完成的。一旦模型在訓(xùn)練后被調(diào)整，他們就能夠預(yù)測任何輸入的結(jié)果，即使以前沒有被處理過。ML可以由不同的算法提供，如神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機、歸納邏輯編程或貝葉斯網(wǎng)絡(luò)等。

因此，基于人工智能的系統(tǒng)可以被視為提供模擬人類智能的輸出系統(tǒng)。人工智能特別擅長分析大型且詳盡的歷史數(shù)據(jù)，并能快速得出超過人腦計算能力的復(fù)雜數(shù)據(jù)關(guān)系。因此，人工智能在能夠減少人類工作量或在復(fù)雜場景中提高人的數(shù)據(jù)處理能力是非常有用的，現(xiàn)在各行業(yè)都在探索人工智能最有效的應(yīng)用領(lǐng)域，如在管制員、飛行員、機場運營商、網(wǎng)絡(luò)安全的應(yīng)用。人工智能已在國內(nèi)外航空運輸業(yè)得到了部分應(yīng)用，主要用于性能提升、成本控制、安全運行等領(lǐng)域，

2  人工智能在空管智慧運行的應(yīng)用概述

航空和空中交通管理（ATM）作為運行支持服務(wù)是人工智能（特別是機器學(xué)習(xí)）的理想應(yīng)用場所。ATM由空地和地地數(shù)據(jù)流提供驅(qū)動力，“大數(shù)據(jù)”是成功使用人工智能的基礎(chǔ)。事實上，在從注重效率的領(lǐng)域到對安全至關(guān)重要的領(lǐng)域上，人工智能和機器學(xué)習(xí)已經(jīng)為空管行業(yè)帶來了較為廣泛的價值機遇。人工智能在一些領(lǐng)域有著巨大的應(yīng)用潛力，在這些領(lǐng)域中，人工智能可以在復(fù)雜的場景中減少工作量并提高工作效率，例如支撐空中交通管制（ATC）、飛行、機場、流量管理或網(wǎng)絡(luò)安全等的工作。隨著新的空域用戶（高空飛行器、低空無人機）出現(xiàn)，進一步使得現(xiàn)有的空域使用復(fù)雜化，人工智能也將在推動新的ATM/城市空域服務(wù)的發(fā)展中發(fā)揮基礎(chǔ)性作用。人工智能還將通過提供新的沖突探測、交通咨詢和處理工具以及網(wǎng)絡(luò)彈性提高安全性。隨著飛行全階段數(shù)字化管制服務(wù)轉(zhuǎn)型，人工智能代表了一種潛在的突破性技術(shù)，能夠改變航空/ATM行業(yè)的價值鏈。特別是，人工智能將能夠更好地利用航空數(shù)據(jù)，實現(xiàn)更準(zhǔn)確的預(yù)測和更復(fù)雜的決策，提高生產(chǎn)力，并加強對緊缺資源（如空域、跑道、工作人員）的利用，幫助應(yīng)對容量和環(huán)境影響，這是當(dāng)今航空業(yè)面臨的兩大挑戰(zhàn)。

特別地，人工智能與現(xiàn)階段空管自動化系統(tǒng)相結(jié)合才處于萌芽階段，其潛力有待于研究人員充分挖掘與利用。為了幫助推動人工智能在空管智慧運行中的發(fā)展，本文著重介紹了人工智能在空管大數(shù)據(jù)、地空通信、數(shù)字塔臺視頻處理、管制智能輔助決策中的初步應(yīng)用，目的是構(gòu)建一個更加安全、有序、高效的智慧空中交通管理系統(tǒng)。本文嘗試推動人工智能在空管智慧運行中的發(fā)展，為制定未來空管智能運行總體框架及實施路線圖提供參考，為智慧空管科學(xué)研究和工程應(yīng)用提供技術(shù)支撐。這些嘗試僅僅是我國在人工智能應(yīng)用于空管運行的初步探索，距離最終的目標(biāo)還相去甚遠(yuǎn)，但經(jīng)過不懈的努力，空管智慧運行必將得以實現(xiàn)。

3  人工智能在空管智慧運行中的具體應(yīng)用

人工智能工具已開發(fā)用于所有三類空中交通管理：空域管理（ASM）、空中交通管制（ATC）和空中交通流管理（ATFM）。最近有關(guān)該主題的文獻討論了幾種形式的人工智能在ATM中的應(yīng)用，例如：自動機理論、智能體、強化學(xué)習(xí)和多智能體理論。

3.1  人工智能在空管大數(shù)據(jù)中的應(yīng)用

空中交通管理涉及多種海量數(shù)據(jù)，這些數(shù)據(jù)具有數(shù)據(jù)規(guī)模大、數(shù)據(jù)種類多、數(shù)據(jù)處理速度快等大數(shù)據(jù)特性。人工智能技術(shù)的使用離不開底層數(shù)據(jù)的支持，在空中交通管理中，通過引入人工智能對數(shù)據(jù)進行分析，建立對應(yīng)的算法模型，并根據(jù)數(shù)據(jù)結(jié)果做出決策，進一步保障空管運行安全，提高空管運行效率。

3.1.1  安全方面的應(yīng)用

過去的空中交通管理，通過全面的事故特征分析以防止事故的發(fā)生，通過安全評估和安全案例總結(jié)來提高空中交通管理的安全性，已經(jīng)實現(xiàn)了控制和改善航空安全的目標(biāo)。但過去都依賴于服務(wù)經(jīng)驗，即以前的數(shù)據(jù)操作使用。由于并不總是存在合適的基準(zhǔn)或沒有足夠的歷史數(shù)據(jù)，所以安全經(jīng)?；趯＜业呐袛唷５?，數(shù)字化和人工智能為空管安全開辟了新的可能性，因為現(xiàn)在可以通過空管大數(shù)據(jù)以識別未知的事故征兆和及早發(fā)現(xiàn)前體（“弱信號”），包括以前難以分析的數(shù)據(jù)，例如非正式的書面報告。此外，數(shù)字化使我們能夠虛擬地重現(xiàn)此類事件，因此，可以改進預(yù)防措施的定義，例如再培訓(xùn)、改進監(jiān)督等。這也將有助于通過基于歷史數(shù)據(jù)的AI對未來系統(tǒng)的行為進行建模，從而改善未來系統(tǒng)的設(shè)計。

1）空管不安全事件分析：

基于歷史民航不安全事件報告數(shù)據(jù)，采用人為差錯識別、人為差錯影響程度排序、民航不安全事件報告信息挖掘進行歷史數(shù)據(jù)的分析，以STPA（System Theoretic Process Analysis, STPA）方法與 BP（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)建人為差錯量化分析模型，實現(xiàn)該場景下的人為差錯識別與影響程度排序；以 LDA（Latent Dirichlet Allocation, LDA）主題模型與 Word2Vec 詞向量模型為基礎(chǔ)，構(gòu)建民航不安全事件報告致因識別模型，實現(xiàn)該場景下民航不安全事件報告信息挖掘，以此實現(xiàn)民航不安全事件報告信息的挖掘分析，以提高對不安全事件報告的利用率，為決策者提供決策支持，進一步預(yù)防空管安全事件的發(fā)生。

2）機載防撞系統(tǒng)的應(yīng)用：

為了減少可控飛行撞地和空中相撞的危險，航空界不斷進行防撞理論和防撞系統(tǒng)的研究。但在多跑道獨立進近模式下，航空器出現(xiàn) TCAS 告警的頻率較高，可能導(dǎo)致復(fù)飛的發(fā)生，造成飛行不正常事件，影響正常飛行秩序，衍生出新的飛行沖突和安全風(fēng)險?；诳展艽髷?shù)據(jù)，結(jié)合機器學(xué)習(xí)中的強化學(xué)習(xí)理論對歷史跑道數(shù)據(jù)進行分析，采用分類、回歸、聚類、降維四大機器學(xué)習(xí)算法，進行特征提取、數(shù)據(jù)處理、模型評估?？梢栽诒ＷC準(zhǔn)確性的同時，較明顯地減少民航飛機在多跑道獨立進近中產(chǎn)生不必要的 TCAS（機載防撞系統(tǒng)）告警。

3.1.2  航跡預(yù)測的應(yīng)用

基于人工智能航跡預(yù)測的基礎(chǔ)是實時飛行數(shù)據(jù)與大量的歷史飛行軌跡數(shù)據(jù)，歷史軌跡是考慮了飛行過程中真實環(huán)境因素產(chǎn)生的，增長速度快，體量大，已被證明是可行高效的飛行路徑。采用人工神經(jīng)網(wǎng)絡(luò)，進行航跡軌跡路線圖描述性價值分析與點狀分布分析，通過時間序列和固定點的軌跡記錄，找到航跡運行的具體規(guī)律。與其他常用預(yù)測方式，如統(tǒng)計學(xué)模型、動力學(xué)模型預(yù)測做對比，針對航跡預(yù)測中存在的多變量、強耦合、干擾復(fù)雜等問題，基于人工神經(jīng)網(wǎng)絡(luò)算法的航跡預(yù)測具有明顯優(yōu)勢。

為了得到更高的預(yù)測精度，可以以時間軸為基礎(chǔ)，根據(jù)飛行器的狀態(tài)，如飛行高度、經(jīng)度、緯度來對它的三維位置進行確定，而且這 3 類信息間沒有耦合現(xiàn)象，所以，可以構(gòu)建 3 組神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用來預(yù)測飛行器的高度、經(jīng)度、緯度信息。每組分別對飛行高度、經(jīng)度、緯度進行預(yù)測，避免各個位置間的信息發(fā)生相互干擾現(xiàn)象，由于空管大數(shù)據(jù)收集大量歷史飛行數(shù)據(jù)，模型訓(xùn)練的準(zhǔn)確度進一步提高，從而使預(yù)測結(jié)果更為精確。
3.2  人工智能在地空通信中的應(yīng)用

語音識別技術(shù)就是讓智能設(shè)備聽懂人類的語音。其本質(zhì)是一種基于語音特征參數(shù)的模式識別，即通過學(xué)習(xí)，系統(tǒng)能夠把輸入的語音按一定模式進行分類，進而依據(jù)判定準(zhǔn)則找出最佳匹配結(jié)果。換言之，語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)，主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個方面。
語音識別技術(shù)在空管中的應(yīng)用可以分為兩大類：1）提升空管安全運行品質(zhì)；2）減輕管制員工作負(fù)荷。
3.2.1  提升空管安全運行品質(zhì)方面
提升空管安全運行品質(zhì)，主要是根據(jù)管制通話的專業(yè)特點，結(jié)合中國民用航空局參照國際民用航空組織的ATC用語手冊制定的《空中交通無線電通話用語標(biāo)準(zhǔn)》，研究管制員在指揮過程中所使用的管制指令語義，準(zhǔn)確獲取實時管制意圖數(shù)據(jù)，結(jié)合空管自動化系統(tǒng)的空管監(jiān)視數(shù)據(jù)和飛行情報數(shù)據(jù)等實時飛行態(tài)勢信息，智能判斷管制指令是否正確、指令復(fù)誦是否正確、指令與實際操作是否一致等，及時提示管制員進行預(yù)先處置，防止“人為因素”的“錯、忘、漏”不安全事件發(fā)生，實現(xiàn)對空管運行安全的智慧監(jiān)管、精準(zhǔn)監(jiān)管。具體研究內(nèi)容如下。

1）潛在沖突的檢測與告警：

包含7部分內(nèi)容：管制員指令與飛行員復(fù)誦語音一致性監(jiān)視；管制意圖和飛行意圖一致性監(jiān)視；基于管制語音的指令飛行高度（CFL， Command Flight Level），預(yù)先指令告警；相似航班號監(jiān)視；語音指令與跑道狀態(tài)沖突檢測；基于語音進離場程序預(yù)先指令告警；管制指令規(guī)范性分析。

管制員指令與飛行員復(fù)誦語音一致性監(jiān)視。管制語音指令發(fā)出后，飛行員復(fù)誦內(nèi)容是否一致；飛行員提出請求，管制員答復(fù)內(nèi)容是否一致，還可以根據(jù)系統(tǒng)設(shè)置的應(yīng)答時間閾值，判斷應(yīng)答是否超時，如果超時提醒管制員及時回復(fù)。

管制意圖和飛行意圖一致性監(jiān)視。將系統(tǒng)識別的管制語音指令與從自動化系統(tǒng)獲取的管制實際操作指令（CFL指令）數(shù)據(jù)進行對比，判斷管制意圖和飛行意圖是否一致。如果出現(xiàn)不一致沖突，及時給出告警。

基于管制語音的CFL預(yù)先指令告警和相似航班號監(jiān)視。在管制語音指令發(fā)出后，系統(tǒng)對語音進行識別，將語音中的航班號和CFL高度進行提取，根據(jù)CFL高度進行計算航空器在穿越不同高度層過程中，與其他航空器是否存在危險接近，如果檢測到潛在沖突，及時給出告警提示。

語音指令與跑道狀態(tài)沖突檢測和基于語音進離場程序預(yù)先指令告警；通過對“進跑道”指令、“起飛”指令、“著陸”指令、“穿跑道”指令以及拖飛機活動等特殊指令進行監(jiān)控，并且和數(shù)據(jù)庫中跑道當(dāng)前狀態(tài)進行比對，判斷語音指令和跑道狀態(tài)是否存在沖突，進離場程序是否存在風(fēng)險，如果檢測到存在潛在沖突，及時給出告警提示。

管制指令規(guī)范性分析。對管制指令與管制特定用語詞匯（如規(guī)范管制用語、管制禁忌用語、管制敏感詞、管制專業(yè)詞匯、其他特定用語等）進行對比和檢測，判斷管制指令是否規(guī)范，查找錯誤管制指令。

2）基于語音的重要事件檢測與聚類分析：

基于語音的重要事件監(jiān)測與聚類分析。統(tǒng)計管制指令檢測的結(jié)果性數(shù)據(jù)，對檢測出的管制指令安全性告警信息進行統(tǒng)計和查看；實現(xiàn)多維度統(tǒng)計分析，包括時間維度統(tǒng)計分析、通話次數(shù)統(tǒng)計分析、偏差和安全性警告統(tǒng)計分析，并調(diào)聽現(xiàn)場采集到的語音、解析指令等，如改航、復(fù)飛、盤旋等待、偏置等，結(jié)合監(jiān)視數(shù)據(jù)完成飛錯進離場程序、偏離指令高度、偏離地面滑行路線、飛錯航路/航線等檢測，并使用聚類分析方法分析原因，為管理人員提供輔助決策依據(jù)。

3.2.2  減輕管制員工作負(fù)荷方面

1）基于語音的管制員工作負(fù)荷評估：

以語音數(shù)據(jù)為基礎(chǔ)，統(tǒng)計管制員績效，包括各分項的得分、是否早夜班以及上下班時間等，分析管制員每日通話飽和度，通過對管制員音調(diào)、音色、語速、語氣等聲紋特征進行收集并形成個人電子檔案。通過對管制員工作時長、管制架次、單航班平均管制時長、單航班平均管制次數(shù)、高峰時長和波道占用率等，結(jié)合每日同時間段管制員音調(diào)、語速、語氣等聲紋特征的變化進行分析，進而評估管制員的工作狀態(tài)，比如不同時間段的疲勞程度變化、疲勞程度與工作效率的相互關(guān)系、工作時長與疲勞程度的相互關(guān)系、管制負(fù)荷與疲勞程度的相互關(guān)系等。系統(tǒng)可以根據(jù)管制員的工作狀態(tài)，合理規(guī)劃交接班、交換崗位等，并且根據(jù)每日管制員的工作狀態(tài)變化以及席位負(fù)荷變化，合理優(yōu)化管制員工作排班，讓管制員工作時長與負(fù)荷分配更加合理，從而有效減輕管制員工作負(fù)荷，提升運行安全運行品質(zhì)。

2）語音識別在模擬培訓(xùn)系統(tǒng)中的應(yīng)用：

語音識別技術(shù)在空管模擬系統(tǒng)中的應(yīng)用，可以總結(jié)為4點：①語音管制指揮，利用空管語音識別出管制意圖，替代現(xiàn)成機長席位，進行飛機操作指揮；②智能評估管制員用語規(guī)范性、指令合理安全性；③訓(xùn)練記錄保存，利用語音識別等進行標(biāo)記、索引、查詢等；④模擬智能機長，利用語音識別等實現(xiàn)智能模擬機長，減少機長人員投入。

基于AI的多角色管制模擬培訓(xùn)系統(tǒng)，主要應(yīng)用表現(xiàn)為通過管制語音識別輸出意圖識別，生成結(jié)構(gòu)化指令，轉(zhuǎn)換為模擬機可以執(zhí)行操作指令，實現(xiàn)人工智能代替模擬機長席執(zhí)行操作，通過語音合成，由人工智能代替陪練機組執(zhí)行指令復(fù)誦。通過對語音智能評判，為培訓(xùn)、復(fù)訓(xùn)提供更多的客觀數(shù)據(jù)，供教員參考，實現(xiàn)定性經(jīng)驗評判到定量客觀評判的跨越。通過管制語音識別及對管制員運行規(guī)章、指揮習(xí)慣的強化學(xué)習(xí)，實現(xiàn)管制員語音助手，特別針對模擬培訓(xùn)系統(tǒng)、遠(yuǎn)程塔臺系統(tǒng)等，實現(xiàn)以雷達、塔臺、機坪管制員聯(lián)合獨立訓(xùn)練，不再要求三方協(xié)調(diào)時必須有相應(yīng)角色的陪練人員。

3.2.3  語音識別在空管中的發(fā)展現(xiàn)狀

我國語音識別研究工作起步于上世紀(jì)50年代，但近年來發(fā)展很快。研究水平也從實驗室逐步走向?qū)嵱?。?987年開始執(zhí)行國家863計劃后，國家863智能計算機專家組為語音識別技術(shù)研究專門立項，每兩年滾動一次。我國語音識別技術(shù)的研究水平已經(jīng)基本上與國外同步，在漢語語音識別技術(shù)上還有自己的特點與優(yōu)勢，并達到國際先進水平。

2000年以后，隨著互聯(lián)網(wǎng)+、大數(shù)據(jù)和語音識別技術(shù)市場推廣和應(yīng)用，科大訊飛、捷通華聲等專業(yè)從事智能語音及語言技術(shù)研究和產(chǎn)品開發(fā)的公司得到了迅速發(fā)展，先后推出了新一代語音識別系統(tǒng)——基于互聯(lián)網(wǎng)和云計算的智能語音交互開放平臺。具有代表性有：科大訊飛的訊飛私有云平臺、捷通華聲的靈云平臺等。這些基于云的語音服務(wù)平臺，以“云+端”為電信、金融等行業(yè)企業(yè)和消費者用戶提供語音識別（ASR）、語音合成（TTS）、聲紋識別（VPR）、自然語言理解（NLU）等不同應(yīng)用環(huán)境的語音服務(wù)，推動移動互聯(lián)網(wǎng)時代大潮下輸入和交互模式的變革。

民航空中交通管制迫切需要將語音識別技術(shù)應(yīng)用于管制指揮系統(tǒng)和培訓(xùn)系統(tǒng)，提升管制指揮的效率和安全水平。目前商用語音識別引擎在通用語音識別方面比較成熟，但無法直接應(yīng)用于陸空通話領(lǐng)域。鑒于民航空中交通管制行業(yè)特殊性，管制指揮有大量的專業(yè)術(shù)語，需要有針對性地研究語音識別技術(shù)，應(yīng)用于管制語音的識別。國外航空運輸發(fā)達國家已成功地將語音識別技術(shù)應(yīng)用于管制模擬機中，研發(fā)出具體的產(chǎn)品用于管制學(xué)員的培訓(xùn)。相比之下，國內(nèi)語音識別技術(shù)起步較晚，加之管制指令的特殊性，且受眾小，從事陸空通話語音識別研究的科研機構(gòu)或團隊相對較少，使得我國的管制指令語音識別技術(shù)較國外發(fā)展緩慢。川大智勝、南京航空航天大學(xué)、民航大學(xué)等進行了初步探索，效果都不佳。

目前語音識別技術(shù)相對成熟且成本在降低，而且針對空中交通管理方面運用的語音識別研究也較多，我國管制員與飛行員之間的標(biāo)準(zhǔn)陸空通話主要包括英語和標(biāo)準(zhǔn)普通話，其格式和說法都是較為固定的。在語音識別技術(shù)相對成熟的基礎(chǔ)上，將其應(yīng)用在“智慧空管”，可切實提高空管運行效率。

3.2.4  語音識別對空管的收益

語音自身特點決定其不會遺失與忘記、亦不需要記憶，同時不涉及用戶隱私，管制員接受度較高，便于推廣。管制語音識別技術(shù)對空管的收益主要體現(xiàn)在三個方面：1）提高管制運行安全防護水平，如實時監(jiān)視管制員指令與飛行員復(fù)誦語音一致性、管制意圖與飛行意圖一致性和相似航班號等，對潛在沖突實時告警，及時提示管制員進行預(yù)先處置，能夠有效避免安全事故的發(fā)生；2）通過對管制員工作負(fù)荷的定量評估優(yōu)化扇區(qū)配置、進行高峰時長和波道占用率統(tǒng)計，以優(yōu)化排班，讓管制員工作時長與負(fù)荷分配更加合理，有效降低管制工作負(fù)荷；3）將非結(jié)構(gòu)化的語音流及文本數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的指令數(shù)據(jù)，為下一步空管語音數(shù)據(jù)的數(shù)字化運行奠定基礎(chǔ)。

3.3  人工智能在遠(yuǎn)程塔臺視頻處理中的應(yīng)用

與傳統(tǒng)塔臺相比，遠(yuǎn)程塔臺可為機場提供遠(yuǎn)程管制服務(wù)，解決當(dāng)前中小型機場使用效率較低、建設(shè)成本和人力成本投入較高的問題，以及大型繁忙機場塔臺存在的監(jiān)視盲區(qū)問題。遠(yuǎn)程塔臺以遠(yuǎn)程監(jiān)視信息替代現(xiàn)場目視觀察，使用攝像頭捕獲圖像模擬人眼功能?？梢姽鈧鞲衅魇沁h(yuǎn)程塔臺系統(tǒng)必備的前端采集設(shè)備，可提供高清場面監(jiān)視圖像。此外，增加熱紅外傳感器作為可見光傳感設(shè)備的重要補充，可在天氣和光照條件不佳時為管制員提供超越人類視覺的場景影像。計算機視覺技術(shù)將攝像頭采集的圖像/視頻作為輸入，教會計算機如何“看”，讓計算機具有與管制員相當(dāng)?shù)哪恳曈^察能力。遠(yuǎn)程塔臺系統(tǒng)中最主要的計算機視覺技術(shù)包括全景圖像合成技術(shù)和面向全景的圖像/視頻智能識別技術(shù)。

3.3.1  全景圖像合成技術(shù)

為彌補單個相機視野范圍不足的局限，全景圖像合成技術(shù)將不同視角下相機拍攝的圖像融合成一幅全景圖像。遠(yuǎn)程塔臺系統(tǒng)中，通常將一組攝像頭安裝于塔臺區(qū)域，攝像頭觀測視角與管制員視角保持一致，對多視角圖像使用圖像拼接技術(shù)得到無縫全景圖像。與廣角鏡頭拍攝的圖像相比，全景拼接圖像視覺效果更佳、視野更廣且畸變更小。此外，為了在低能見度條件下得到超越人眼目視能力的全景圖像，遠(yuǎn)程塔臺系統(tǒng)中進一步使用圖像增強方法提升合成圖像的質(zhì)量。

圖像拼接技術(shù)首先估計相鄰視角下圖像之間的單應(yīng)性矩陣，再利用該映射矩陣對圖像進行拼接和融合。為求解圖像A到圖像B之間的單應(yīng)性矩陣，首先對每幅圖像分別提取特征，通常使用尺度不變特征變換定位圖像中的特征點，再對檢測的特征點提取特征。接著，將圖像A、B中提取的特征向量輸入隨機抽樣一致算法進行特征匹配，得到圖像之間的匹配點對。最后，利用最小二乘法求解圖像間的單應(yīng)性變換矩陣，通過該變換矩陣將不同視角下的兩幅圖像轉(zhuǎn)換到同一坐標(biāo)系下。圖像A和圖像B重疊部分由于光照等條件存在差異，因此可能呈現(xiàn)出不同的色調(diào)和亮度。因此，在圖像融合階段，通常對交疊區(qū)域像素進行加權(quán)，以解決不同圖像之間的表觀差異導(dǎo)致的合成圖像光照變化不夠平滑、視覺效果差的問題。

為保障低能見度下場面安全、提升航班運行效率，圖像增強技術(shù)將模糊、對比度和亮度較低的低質(zhì)量圖像轉(zhuǎn)化為視覺效果良好的高質(zhì)量圖像。對于機場等開闊的室外場景，低照度和惡劣天氣條件是導(dǎo)致圖像質(zhì)量低的主要原因。經(jīng)典的低照度圖像增強方法主要包括色調(diào)映射、直方圖均衡和基于模型的方法。上述方法可一定程度上增強圖像亮度，但可能存在增強后色彩不均勻、顏色失真等問題?；谏疃葘W(xué)習(xí)的圖像增強方法從大量圖像對中挖掘微光圖像到正常圖像之間的光照映射，增強后的圖像色彩更協(xié)調(diào)、能夠較好地保留圖像邊緣并有效抑制圖像噪聲。惡劣天氣是導(dǎo)致圖像質(zhì)量低的另一個重要因素?，F(xiàn)有算法通常針對特定天氣條件設(shè)計相應(yīng)的圖像增強算法，如基于暗通道先驗的圖像去霧算法、基于稀疏編碼的圖像去雨方法等。然而，真實條件下多種天氣條件共存的情況很常見，如雨天通常伴隨光照強度弱、起霧等情況，因此，研究面向復(fù)雜天氣條件的圖像增強方法可有效彌補基于單一天氣因素的方法存在的不足，是提升遠(yuǎn)程塔臺系統(tǒng)性能的重要手段之一。

3.3.2  基于全景的圖像/視頻智能識別技術(shù)

圖像/視頻智能識別技術(shù)通過對合成的全景圖像進行分析，賦予計算機與管制員相當(dāng)?shù)哪恳曈^察能力，包括目標(biāo)在哪里、目標(biāo)是什么、目標(biāo)如何運動等，主要用到的計算機視覺技術(shù)包括目標(biāo)檢測技術(shù)和目標(biāo)跟蹤技術(shù)。

基于圖像的目標(biāo)檢測技術(shù)可同時獲得目標(biāo)類型和目標(biāo)位置。其中，目標(biāo)類型預(yù)測本質(zhì)是一個分類問題，目標(biāo)位置估計通常使用回歸模型進行求解。常用的目標(biāo)檢測方法根據(jù)目標(biāo)位置所在的維度不同，可分為二維目標(biāo)檢測和三維目標(biāo)檢測兩大類。二維目標(biāo)檢測即估計目標(biāo)在圖像上的位置，通過將目標(biāo)位置和類別等信息標(biāo)注在遠(yuǎn)程塔臺全景視頻中，可提供管制員更豐富的場景信息，有助于提升管制員的情景意識。目標(biāo)位置通常使用完整包圍目標(biāo)的二維矩形框表示，但通常依賴預(yù)先定義的錨框。近兩年研究者更多關(guān)注不依賴錨框的目標(biāo)檢測方法，以解決預(yù)定義錨框方法運算量較大、內(nèi)存占用較多等問題。三維目標(biāo)檢測方法從圖像中估計目標(biāo)在三維空間中的位置，通常用完整包圍目標(biāo)的三維立方體表示。通過估計目標(biāo)在場景中的三維位置，可實現(xiàn)圖像和場面監(jiān)視傳感數(shù)據(jù)之間的關(guān)聯(lián)，從而獲取當(dāng)前目標(biāo)機尾號等信息，有助于實現(xiàn)場面活動目標(biāo)可視化標(biāo)牌信息的疊加。三維目標(biāo)檢測方法通常沿用二維目標(biāo)檢測思路，結(jié)合相機參數(shù)可得到目標(biāo)在三維場景中的真實位置。

基于視頻的目標(biāo)跟蹤技術(shù)用于估計目標(biāo)在圖像上的運動軌跡，并且以軌跡為單位將不同目標(biāo)區(qū)分開。目前，目標(biāo)跟蹤主要采用基于檢測的方法，根據(jù)檢測結(jié)果提取目標(biāo)特征，將相鄰幀之間的目標(biāo)特征向量進行特征匹配并最終完成數(shù)據(jù)關(guān)聯(lián)。由于遠(yuǎn)程塔臺系統(tǒng)中的全景視頻存在大量目標(biāo)的尺度、姿態(tài)和數(shù)目的變化，不同目標(biāo)之間也存在相互遮擋的情況，增加了目標(biāo)跟蹤算法的難度和復(fù)雜度，目前急需解決目標(biāo)遮擋、目標(biāo)新增和目標(biāo)消失等條件下目標(biāo)身份切換、目標(biāo)軌跡斷裂等問題，可考慮場將面監(jiān)視數(shù)據(jù)與視頻分析結(jié)果融合，增強算法的魯棒性和可靠性。

3.4   人工智能在管制智能輔助決策中的應(yīng)用

管制智能輔助決策支持系統(tǒng)是人工智能和決策支持系統(tǒng)（DSS，Decision Supporting System）相結(jié)合，應(yīng)用專家系統(tǒng)（ES， Expert System）或數(shù)據(jù)驅(qū)動技術(shù)，使DSS能夠更充分地應(yīng)用人工知識或基于數(shù)據(jù)的經(jīng)驗，如關(guān)于決策問題的描述性知識，決策過程中的過程性知識，求解問題的推理性知識，通過邏輯推理來幫助運行管理人員解決復(fù)雜的管制決策問題的輔助決策系統(tǒng)。系統(tǒng)可以協(xié)助運行管理人員，擁有更強的態(tài)勢感知能力，進一步提升管制效率，保障運行安全，但整個決策的發(fā)布實施還需要由人來自主參與。

3.4.1  飛行流量管理輔助決策的技術(shù)

空中交通流量是單位時間和空間內(nèi)航空器飛行的數(shù)量?？罩薪煌髁抗芾恚ˋir Traffic Flow Management，ATFM）的主要工作是協(xié)助空管部門及時、適當(dāng)?shù)卦u估空中交通量是否接近飽和，以確?？罩薪煌颗c其容量相適應(yīng)，最大限度地利用空域容量。流量輔助決策系統(tǒng)主要功能包括流量預(yù)測與流量控制。

1）流量預(yù)測：

在流量預(yù)測方面：監(jiān)視系統(tǒng)可以為更合理的調(diào)度策略提供支持，通過使用統(tǒng)計的歷史流量數(shù)據(jù)，可以實現(xiàn)流量預(yù)測工作。當(dāng)然流量預(yù)測還受到天氣條件、管制狀況的影響。流量預(yù)測是時空相關(guān)的，經(jīng)過多年的努力，流量預(yù)測的研究取得了很大的進展。從發(fā)展過程來看，這些方法大致可以分為兩類：經(jīng)典方法和基于深度學(xué)習(xí)的方法。經(jīng)典方法包括統(tǒng)計方法和傳統(tǒng)的機器學(xué)習(xí)方法。

統(tǒng)計方法是建立一個數(shù)據(jù)驅(qū)動的統(tǒng)計預(yù)測模型。最具有代表性的算法是歷史平均（HA）、自回歸綜合移動平（ARIMA）和向量自回歸（VAR）。然而，這些方法要求數(shù)據(jù)滿足某些假設(shè)，而時變交通數(shù)據(jù)太復(fù)雜，無法滿足這些假設(shè)。此外，這些方法只適用于相對較小的數(shù)據(jù)集。后來，許多傳統(tǒng)的機器學(xué)習(xí)方法，如支持向量回歸（SVR）和隨機森林回歸（RFR）被提出用于交通預(yù)測問題。這種方法對處理高維數(shù)據(jù)和捕捉復(fù)雜非線性關(guān)系具有一定優(yōu)勢。

直到基于深度學(xué)習(xí)的方法出現(xiàn)，人工智能在交通預(yù)測中的全部潛力才得以發(fā)揮。該技術(shù)研究如何學(xué)習(xí)一個層次模型，將原始輸入直接映射到預(yù)期輸出。一般來說，深度學(xué)習(xí)模型將基本的可學(xué)習(xí)塊或?qū)佣询B起來，形成一個深度架構(gòu)，實現(xiàn)整個網(wǎng)絡(luò)端到端地訓(xùn)練。已經(jīng)開發(fā)了幾種架構(gòu)來處理大規(guī)模和復(fù)雜的時空流量數(shù)據(jù)。通常，卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于提取圖像或視頻描述的網(wǎng)格結(jié)構(gòu)數(shù)據(jù)的空間相關(guān)性，有時也用來做交通流預(yù)測，而圖卷積網(wǎng)絡(luò)（GCN）將卷積運算擴展到更一般的圖結(jié)構(gòu)數(shù)據(jù)，更適合表示交通網(wǎng)絡(luò)結(jié)構(gòu)。此外，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）及其變體LSTM或GRU通常用于建模時間依賴。

2）流量控制：

在流量控制方面：正常運行條件下，對空中交通服務(wù)的需求得到滿足，不會對飛機造成延誤。然而，偶爾的空管運行限制，如惡劣天氣、設(shè)施和通信故障，會造成空管需求和容量之間的不平衡，導(dǎo)致空管扇區(qū)過載。這種過載要求采用戰(zhàn)術(shù)交通流量管理措施，措施一般包括地面和空中等待延遲。傳統(tǒng)的流量決策支持系統(tǒng)，無非是地面等待策略與終端區(qū)排序策略，使用的方法包括基于扇區(qū)的排隊、基于尾隨間隔、移交間隔限制等，以上研究扇區(qū)的流量控制方法都在已知受限扇區(qū)容量前提下，對扇區(qū)的入口點進行限制，并建立控制模型，利用不同算法對模型進行求解，最終達到扇區(qū)容量與流量平衡。利用深度強化學(xué)習(xí)進行交通控制，當(dāng)飛行流量態(tài)勢過于復(fù)雜時，可以使用深度網(wǎng)絡(luò)逼近值函數(shù)，深度強化學(xué)習(xí)已經(jīng)成功應(yīng)用于路面交通信號控制。戰(zhàn)術(shù)流量強化學(xué)習(xí)控制的任務(wù)是對流量進行適當(dāng)?shù)目刂?，以減少空域擁塞情況，減少飛行盤旋等待時間。在給定獎勵函數(shù)的情況下，智能體根據(jù)當(dāng)前的交通流態(tài)勢控制進出扇區(qū)的飛行流。

3.4.2  飛行沖突探測與解脫輔助決策技術(shù)

空中交通管理（Air Traffic Management,ATM）的任務(wù)是有效的維護和促進空中交通安全，維護空中交通秩序，保障空中交通暢通。空中交通管理包括空中交通服務(wù)，空中交通流量管理和空域管理三大部分?？罩薪煌ǚ?wù)是空中交通管制單位為飛行中的民用航空器提供的服務(wù)，包括空中交通管制服務(wù)、飛行情報服務(wù)和告警服務(wù)?？罩薪煌ü苤品?wù)，旨在防止民用航空器同航空器、民用航空器同障礙物體相撞，維持并加速空中交通的有秩序的活動?，F(xiàn)有的空管自動化系統(tǒng)主要在作用是為管制員提供實時空域運行態(tài)勢信息，由管制員通過地空通信指揮航空器飛行，保障空域飛行效率和飛行安全。

隨著飛行流量加大、無人機有人機混合運行、城市空域運行等現(xiàn)狀的出現(xiàn)，必然增加管制員的工作符合，由于航空器密度越來越大，且扇區(qū)不可能無線劃分，則必然出現(xiàn)空域態(tài)勢感知能力需求超過管制員本身，此時則需要新的技術(shù)來解決這一問題。在無人機自主飛行領(lǐng)域提出感知避讓（Sense and Avoid, S&A）或探測避讓（Detect and Avoid, D&A）系統(tǒng)，它是一種允許無人機（UAV）和無人機安全地融入民用空域，避免與其他飛機、建筑物、電線、鳥類和其他障礙物發(fā)生碰撞。這些系統(tǒng)觀察航空器周圍的環(huán)境，決定是否即將發(fā)生碰撞，并生成新的飛行路徑以避免碰撞。這一概念技術(shù)不僅僅適用于無人機領(lǐng)域，也適用于合作情況下的飛行交通控制。

沖突探測與解決是管制員工作中復(fù)雜度最高的態(tài)勢感知與認(rèn)知決策過程，尤其對于多架航空器之間的飛行沖突，航空器之間具有很強的關(guān)聯(lián)性和協(xié)同性，同一個空中交通場景可以有多種沖突的解決方案，不同的沖突解決方法會帶來千差萬別的飛行態(tài)勢變化，導(dǎo)致不同的飛行調(diào)配結(jié)果，管制員也可根據(jù)不同的期望效果來采取不同的解決方案。對于飛行沖突解決策略的研究始終是空中交通管制領(lǐng)域里的熱點，國內(nèi)外學(xué)者及科研人員已經(jīng)開展了多年的研究，總結(jié)起來主要分為傳統(tǒng)經(jīng)典的基于規(guī)劃的方法與基于多智能體深度強化學(xué)習(xí)方法。

前者主要包括：基于遺傳算法的自由飛行條件下的飛行沖突解脫、基于復(fù)雜環(huán)境限制因素的粒子群沖突解脫、基于蟻群算法和人工勢場法的有約束的非線性整數(shù)規(guī)劃解脫算法、基于最優(yōu)控制理論的應(yīng)用于自由飛行條件下的航空器沖突解脫等，這些方法大多是基于自由飛行或無約束條件下的應(yīng)用于自由飛行條件下的航空器沖突解脫，這些方法更加是用于低空開放自主飛行，但不太適用于我國國情。

后者最早出現(xiàn)于NASA的FACET仿真工具，該方法結(jié)合機器學(xué)習(xí)中的強化學(xué)習(xí)理論對歷史雷達數(shù)據(jù)進行分析，從而減少了航班的沖突，優(yōu)化了航班時刻的安排；多智能體強化學(xué)習(xí)（MultiagentReinforcement Learning，MARL）也適用于ATC自動化問題，在這項工作中，作者將他們的模型局限于處理潛在的飛機沖突解脫，這大大降低了他們模型的復(fù)雜性；學(xué)習(xí)在基于局部核的強化學(xué)習(xí)模型和更廣泛的深度MARL模型的決策之間進行有效的決斷，可以更加簡潔地了解空中交通控制問題的復(fù)雜性；為了擴展到高密度空域，基于自主間隔保持和多智能體強化學(xué)習(xí)將扇區(qū)容量提升到人類感知極限以上，采用分布式航空器自主飛行來確保飛行間隔，而不是采用集中式的扇區(qū)管制系統(tǒng)。以上研究都微擾多智能體強化學(xué)習(xí)展開，且管制也逐漸從集中式邁向自主分布式。

以上僅就人工智能在空管運行中的輔助決策應(yīng)用做了簡要說明，近年來人工智能在動態(tài)空域管理、航線規(guī)劃、航班計劃、機場運行、協(xié)同決策、中長期告警、情報服務(wù)等領(lǐng)域也得到了一定的應(yīng)用，相信隨著科技的進步，人工智能必將也越來深入空管智慧運行的各個領(lǐng)域。

4   結(jié)束語

然而，人工智能的全部潛力遠(yuǎn)未在整個航空/ATM領(lǐng)域得到充分挖掘和利用。雖然有許多人工智能的成功案例，但它們的范圍仍然有限。對人工智能產(chǎn)生的商業(yè)和社會價值仍處于初級階段，也缺乏相關(guān)的領(lǐng)域知識。

人工智能在空管智慧運行中的初步應(yīng)用，能夠協(xié)助空中交通管理更加高效和安全地運行，最大限度地提升空域容量和運行效率。近年來，隨著我國在人工智能技術(shù)的發(fā)展、突破和完善，隨著人工智能技術(shù)的應(yīng)用領(lǐng)域不斷拓展，人工智能必將更加深入的影響空中交通管理。構(gòu)建一個安全穩(wěn)、效率高、智慧強、協(xié)同好的現(xiàn)代化空中交通管理系統(tǒng)，成為全球一流的空中航行服務(wù)提供者，是我們努力的目標(biāo)。

隨著基于航級的運行已成為下一代空管運行的核心、有人機無人機混合運行、城市空中交通管理等發(fā)展趨勢，更加需要人工智能賦能，人工智能必將在空中交通領(lǐng)域提供更為智能、高效、安全的服務(wù)，使得人工智能技術(shù)不斷服務(wù)于人民的生活，服務(wù)于社會經(jīng)濟。

來源：文圖：《民航科技》