文章详情

作者：程延松   成都民航空管科技发展有限公司

0  引言

航空运输业在全球经济活动中发挥着至关重要的作用。保持民航活力的关键因素之一是确保在全球、区域和国家各级安全、可靠、高效地可持续运行。提升航空运输效率和保障全域航空运输系统的安全是民航业最根本的战略目标。空管系统是民航运输行业的中枢指挥系统，实现民航强国梦想，必须建设与民航强国相匹配、相适应的现代化空管体系。随着全球经济的不断发展，民航飞机数量的不断增加，飞行流量的持续加大，对我国的航空运输业提出了较高的要求。据中国民航2021年2月主要生产指标统计，中国民航旅客运输量为2394.9万人次，货运量为45.9万吨，同比增长187.1%和54.7%，已恢复至疫情前水平，超过2019年。航空运输业的快速增长客观上要求民航设施、运行和管理与之相适应。

由于随着基于航迹的运行 （Trajectory Based Operation，TBO）成为全球空管发展的共识，现有设施、运行及服务难以满足未来管制运行容量、效率与安全的需求。再由于我国空域使用具有自身的特色，很难将国外的空管运行模式与管理方式照搬到国内，因此需要研究适用于我国的运行模式和管理方式。

《四强空管行动方案》明确提出，智慧空管是行业发展的时代特征，是空管创新发展的驱动力，是空管安全发展的技术支撑。通过大数据、互联网、物联网、云计算、人工智能（Artificial Intelligence， AI）等技术与现有空管技术的深度融合，逐步实现空管从数字化到智能化的聚合与提升，从智能化向智慧化的扩展与丰富[3]。新技术支撑民航未来发展，AI是核心，通过引入AI技术，不仅能够有效提高空域利用率，还能保障航班运行的安全性。与此同时，还要进一步提高人工智能技术的应用范围和深度，实现空中交通管理的智能化发展。

1  人工智能概述

人工智能已经开始逐渐改变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统。在一个越来越受大数据驱动的世界里，近年来随着计算能力和先进算法的大规模发展，人工智能几乎在所有工业部门发挥着越来越重要的作用，增强着行业的竞争力和生产力，实施正确，将提供巨大的经济和社会价值。在实现创新关键优势的全球竞争中，我国需要在人工智能应用方面处于领先地位，这就是我国宣布人工智能为主要战略重点的原因。

自1956年首次使用“人工智能”一词以来，人们通过模拟人类智能过程来执行任务的能力进行了大量的研究和开发，近年来进展显著加快。人工智能（AI）是指通过分析其所处环境和采取行动来显示智能行为的系统，本系统具有一定程度的自主性，并能够实现特定目标。人工智能系统一般是由人类设计的软件/硬件系统，在给定复杂目标的情况下，通过数据采集、解释采集到的结构化或非结构化数据、对知识进行推理或处理信息，作用于物理或数字维度，根据这些数据得出为实现给定目标而采取最佳的行动措施。人工智能系统既可以使用符号规则，也可以学习数字模型（即：数据挖掘），它们还可以通过分析环境如何受其先前行为的影响来调整自己的行为决策。

人工智能包括多种方法和技术，如机器学习（Machine Learning， ML.如：深度学习、强化学习）、机器推理（包括：计划、调度、知识表示和推理、搜索和优化）、机器人学等。

ML是指算法的学习能力，它是AI的一个子集，它能够通过学习数据来实现建模，描述系统特征的输入和输出。这是通过特定的策略自动完成的。一旦模型在训练后被调整，他们就能够预测任何输入的结果，即使以前没有被处理过。ML可以由不同的算法提供，如神经网络、决策树、支持向量机、归纳逻辑编程或贝叶斯网络等。

因此，基于人工智能的系统可以被视为提供模拟人类智能的输出系统。人工智能特别擅长分析大型且详尽的历史数据，并能快速得出超过人脑计算能力的复杂数据关系。因此，人工智能在能够减少人类工作量或在复杂场景中提高人的数据处理能力是非常有用的，现在各行业都在探索人工智能最有效的应用领域，如在管制员、飞行员、机场运营商、网络安全的应用。人工智能已在国内外航空运输业得到了部分应用，主要用于性能提升、成本控制、安全运行等领域，

2  人工智能在空管智慧运行的应用概述

航空和空中交通管理（ATM）作为运行支持服务是人工智能（特别是机器学习）的理想应用场所。ATM由空地和地地数据流提供驱动力，“大数据”是成功使用人工智能的基础。事实上，在从注重效率的领域到对安全至关重要的领域上，人工智能和机器学习已经为空管行业带来了较为广泛的价值机遇。人工智能在一些领域有着巨大的应用潜力，在这些领域中，人工智能可以在复杂的场景中减少工作量并提高工作效率，例如支撑空中交通管制（ATC）、飞行、机场、流量管理或网络安全等的工作。随着新的空域用户（高空飞行器、低空无人机）出现，进一步使得现有的空域使用复杂化，人工智能也将在推动新的ATM/城市空域服务的发展中发挥基础性作用。人工智能还将通过提供新的冲突探测、交通咨询和处理工具以及网络弹性提高安全性。随着飞行全阶段数字化管制服务转型，人工智能代表了一种潜在的突破性技术，能够改变航空/ATM行业的价值链。特别是，人工智能将能够更好地利用航空数据，实现更准确的预测和更复杂的决策，提高生产力，并加强对紧缺资源（如空域、跑道、工作人员）的利用，帮助应对容量和环境影响，这是当今航空业面临的两大挑战。

特别地，人工智能与现阶段空管自动化系统相结合才处于萌芽阶段，其潜力有待于研究人员充分挖掘与利用。为了帮助推动人工智能在空管智慧运行中的发展，本文着重介绍了人工智能在空管大数据、地空通信、数字塔台视频处理、管制智能辅助决策中的初步应用，目的是构建一个更加安全、有序、高效的智慧空中交通管理系统。本文尝试推动人工智能在空管智慧运行中的发展，为制定未来空管智能运行总体框架及实施路线图提供参考，为智慧空管科学研究和工程应用提供技术支撑。这些尝试仅仅是我国在人工智能应用于空管运行的初步探索，距离最终的目标还相去甚远，但经过不懈的努力，空管智慧运行必将得以实现。

3  人工智能在空管智慧运行中的具体应用

人工智能工具已开发用于所有三类空中交通管理：空域管理（ASM）、空中交通管制（ATC）和空中交通流管理（ATFM）。最近有关该主题的文献讨论了几种形式的人工智能在ATM中的应用，例如：自动机理论、智能体、强化学习和多智能体理论。

3.1  人工智能在空管大数据中的应用

空中交通管理涉及多种海量数据，这些数据具有数据规模大、数据种类多、数据处理速度快等大数据特性。人工智能技术的使用离不开底层数据的支持，在空中交通管理中，通过引入人工智能对数据进行分析，建立对应的算法模型，并根据数据结果做出决策，进一步保障空管运行安全，提高空管运行效率。

3.1.1  安全方面的应用

过去的空中交通管理，通过全面的事故特征分析以防止事故的发生，通过安全评估和安全案例总结来提高空中交通管理的安全性，已经实现了控制和改善航空安全的目标。但过去都依赖于服务经验，即以前的数据操作使用。由于并不总是存在合适的基准或没有足够的历史数据，所以安全经常基于专家的判断。但是，数字化和人工智能为空管安全开辟了新的可能性，因为现在可以通过空管大数据以识别未知的事故征兆和及早发现前体（“弱信号”），包括以前难以分析的数据，例如非正式的书面报告。此外，数字化使我们能够虚拟地重现此类事件，因此，可以改进预防措施的定义，例如再培训、改进监督等。这也将有助于通过基于历史数据的AI对未来系统的行为进行建模，从而改善未来系统的设计。

1）空管不安全事件分析：

基于历史民航不安全事件报告数据，采用人为差错识别、人为差错影响程度排序、民航不安全事件报告信息挖掘进行历史数据的分析，以STPA（System Theoretic Process Analysis, STPA）方法与 BP（Back Propagation，BP）神经网络为基础，构建人为差错量化分析模型，实现该场景下的人为差错识别与影响程度排序；以 LDA（Latent Dirichlet Allocation, LDA）主题模型与 Word2Vec 词向量模型为基础，构建民航不安全事件报告致因识别模型，实现该场景下民航不安全事件报告信息挖掘，以此实现民航不安全事件报告信息的挖掘分析，以提高对不安全事件报告的利用率，为决策者提供决策支持，进一步预防空管安全事件的发生。

2）机载防撞系统的应用：

为了减少可控飞行撞地和空中相撞的危险，航空界不断进行防撞理论和防撞系统的研究。但在多跑道独立进近模式下，航空器出现 TCAS 告警的频率较高，可能导致复飞的发生，造成飞行不正常事件，影响正常飞行秩序，衍生出新的飞行冲突和安全风险。基于空管大数据，结合机器学习中的强化学习理论对历史跑道数据进行分析，采用分类、回归、聚类、降维四大机器学习算法，进行特征提取、数据处理、模型评估。可以在保证准确性的同时，较明显地减少民航飞机在多跑道独立进近中产生不必要的 TCAS（机载防撞系统）告警。

3.1.2  航迹预测的应用

基于人工智能航迹预测的基础是实时飞行数据与大量的历史飞行轨迹数据，历史轨迹是考虑了飞行过程中真实环境因素产生的，增长速度快，体量大，已被证明是可行高效的飞行路径。采用人工神经网络，进行航迹轨迹路线图描述性价值分析与点状分布分析，通过时间序列和固定点的轨迹记录，找到航迹运行的具体规律。与其他常用预测方式，如统计学模型、动力学模型预测做对比，针对航迹预测中存在的多变量、强耦合、干扰复杂等问题，基于人工神经网络算法的航迹预测具有明显优势。

为了得到更高的预测精度，可以以时间轴为基础，根据飞行器的状态，如飞行高度、经度、纬度来对它的三维位置进行确定，而且这 3 类信息间没有耦合现象，所以，可以构建 3 组神经网络系统，用来预测飞行器的高度、经度、纬度信息。每组分别对飞行高度、经度、纬度进行预测，避免各个位置间的信息发生相互干扰现象，由于空管大数据收集大量历史飞行数据，模型训练的准确度进一步提高，从而使预测结果更为精确。
3.2  人工智能在地空通信中的应用

语音识别技术就是让智能设备听懂人类的语音。其本质是一种基于语音特征参数的模式识别，即通过学习，系统能够把输入的语音按一定模式进行分类，进而依据判定准则找出最佳匹配结果。换言之，语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术，主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。
语音识别技术在空管中的应用可以分为两大类：1）提升空管安全运行品质；2）减轻管制员工作负荷。
3.2.1  提升空管安全运行品质方面
提升空管安全运行品质，主要是根据管制通话的专业特点，结合中国民用航空局参照国际民用航空组织的ATC用语手册制定的《空中交通无线电通话用语标准》，研究管制员在指挥过程中所使用的管制指令语义，准确获取实时管制意图数据，结合空管自动化系统的空管监视数据和飞行情报数据等实时飞行态势信息，智能判断管制指令是否正确、指令复诵是否正确、指令与实际操作是否一致等，及时提示管制员进行预先处置，防止“人为因素”的“错、忘、漏”不安全事件发生，实现对空管运行安全的智慧监管、精准监管。具体研究内容如下。

1）潜在冲突的检测与告警：

包含7部分内容：管制员指令与飞行员复诵语音一致性监视；管制意图和飞行意图一致性监视；基于管制语音的指令飞行高度（CFL， Command Flight Level），预先指令告警；相似航班号监视；语音指令与跑道状态冲突检测；基于语音进离场程序预先指令告警；管制指令规范性分析。

管制员指令与飞行员复诵语音一致性监视。管制语音指令发出后，飞行员复诵内容是否一致；飞行员提出请求，管制员答复内容是否一致，还可以根据系统设置的应答时间阈值，判断应答是否超时，如果超时提醒管制员及时回复。

管制意图和飞行意图一致性监视。将系统识别的管制语音指令与从自动化系统获取的管制实际操作指令（CFL指令）数据进行对比，判断管制意图和飞行意图是否一致。如果出现不一致冲突，及时给出告警。

基于管制语音的CFL预先指令告警和相似航班号监视。在管制语音指令发出后，系统对语音进行识别，将语音中的航班号和CFL高度进行提取，根据CFL高度进行计算航空器在穿越不同高度层过程中，与其他航空器是否存在危险接近，如果检测到潜在冲突，及时给出告警提示。

语音指令与跑道状态冲突检测和基于语音进离场程序预先指令告警；通过对“进跑道”指令、“起飞”指令、“着陆”指令、“穿跑道”指令以及拖飞机活动等特殊指令进行监控，并且和数据库中跑道当前状态进行比对，判断语音指令和跑道状态是否存在冲突，进离场程序是否存在风险，如果检测到存在潜在冲突，及时给出告警提示。

管制指令规范性分析。对管制指令与管制特定用语词汇（如规范管制用语、管制禁忌用语、管制敏感词、管制专业词汇、其他特定用语等）进行对比和检测，判断管制指令是否规范，查找错误管制指令。

2）基于语音的重要事件检测与聚类分析：

基于语音的重要事件监测与聚类分析。统计管制指令检测的结果性数据，对检测出的管制指令安全性告警信息进行统计和查看；实现多维度统计分析，包括时间维度统计分析、通话次数统计分析、偏差和安全性警告统计分析，并调听现场采集到的语音、解析指令等，如改航、复飞、盘旋等待、偏置等，结合监视数据完成飞错进离场程序、偏离指令高度、偏离地面滑行路线、飞错航路/航线等检测，并使用聚类分析方法分析原因，为管理人员提供辅助决策依据。

3.2.2  减轻管制员工作负荷方面

1）基于语音的管制员工作负荷评估：

以语音数据为基础，统计管制员绩效，包括各分项的得分、是否早夜班以及上下班时间等，分析管制员每日通话饱和度，通过对管制员音调、音色、语速、语气等声纹特征进行收集并形成个人电子档案。通过对管制员工作时长、管制架次、单航班平均管制时长、单航班平均管制次数、高峰时长和波道占用率等，结合每日同时间段管制员音调、语速、语气等声纹特征的变化进行分析，进而评估管制员的工作状态，比如不同时间段的疲劳程度变化、疲劳程度与工作效率的相互关系、工作时长与疲劳程度的相互关系、管制负荷与疲劳程度的相互关系等。系统可以根据管制员的工作状态，合理规划交接班、交换岗位等，并且根据每日管制员的工作状态变化以及席位负荷变化，合理优化管制员工作排班，让管制员工作时长与负荷分配更加合理，从而有效减轻管制员工作负荷，提升运行安全运行品质。

2）语音识别在模拟培训系统中的应用：

语音识别技术在空管模拟系统中的应用，可以总结为4点：①语音管制指挥，利用空管语音识别出管制意图，替代现成机长席位，进行飞机操作指挥；②智能评估管制员用语规范性、指令合理安全性；③训练记录保存，利用语音识别等进行标记、索引、查询等；④模拟智能机长，利用语音识别等实现智能模拟机长，减少机长人员投入。

基于AI的多角色管制模拟培训系统，主要应用表现为通过管制语音识别输出意图识别，生成结构化指令，转换为模拟机可以执行操作指令，实现人工智能代替模拟机长席执行操作，通过语音合成，由人工智能代替陪练机组执行指令复诵。通过对语音智能评判，为培训、复训提供更多的客观数据，供教员参考，实现定性经验评判到定量客观评判的跨越。通过管制语音识别及对管制员运行规章、指挥习惯的强化学习，实现管制员语音助手，特别针对模拟培训系统、远程塔台系统等，实现以雷达、塔台、机坪管制员联合独立训练，不再要求三方协调时必须有相应角色的陪练人员。

3.2.3  语音识别在空管中的发展现状

我国语音识别研究工作起步于上世纪50年代，但近年来发展很快。研究水平也从实验室逐步走向实用。从1987年开始执行国家863计划后，国家863智能计算机专家组为语音识别技术研究专门立项，每两年滚动一次。我国语音识别技术的研究水平已经基本上与国外同步，在汉语语音识别技术上还有自己的特点与优势，并达到国际先进水平。

2000年以后，随着互联网+、大数据和语音识别技术市场推广和应用，科大讯飞、捷通华声等专业从事智能语音及语言技术研究和产品开发的公司得到了迅速发展，先后推出了新一代语音识别系统——基于互联网和云计算的智能语音交互开放平台。具有代表性有：科大讯飞的讯飞私有云平台、捷通华声的灵云平台等。这些基于云的语音服务平台，以“云+端”为电信、金融等行业企业和消费者用户提供语音识别（ASR）、语音合成（TTS）、声纹识别（VPR）、自然语言理解（NLU）等不同应用环境的语音服务，推动移动互联网时代大潮下输入和交互模式的变革。

民航空中交通管制迫切需要将语音识别技术应用于管制指挥系统和培训系统，提升管制指挥的效率和安全水平。目前商用语音识别引擎在通用语音识别方面比较成熟，但无法直接应用于陆空通话领域。鉴于民航空中交通管制行业特殊性，管制指挥有大量的专业术语，需要有针对性地研究语音识别技术，应用于管制语音的识别。国外航空运输发达国家已成功地将语音识别技术应用于管制模拟机中，研发出具体的产品用于管制学员的培训。相比之下，国内语音识别技术起步较晚，加之管制指令的特殊性，且受众小，从事陆空通话语音识别研究的科研机构或团队相对较少，使得我国的管制指令语音识别技术较国外发展缓慢。川大智胜、南京航空航天大学、民航大学等进行了初步探索，效果都不佳。

目前语音识别技术相对成熟且成本在降低，而且针对空中交通管理方面运用的语音识别研究也较多，我国管制员与飞行员之间的标准陆空通话主要包括英语和标准普通话，其格式和说法都是较为固定的。在语音识别技术相对成熟的基础上，将其应用在“智慧空管”，可切实提高空管运行效率。

3.2.4  语音识别对空管的收益

语音自身特点决定其不会遗失与忘记、亦不需要记忆，同时不涉及用户隐私，管制员接受度较高，便于推广。管制语音识别技术对空管的收益主要体现在三个方面：1）提高管制运行安全防护水平，如实时监视管制员指令与飞行员复诵语音一致性、管制意图与飞行意图一致性和相似航班号等，对潜在冲突实时告警，及时提示管制员进行预先处置，能够有效避免安全事故的发生；2）通过对管制员工作负荷的定量评估优化扇区配置、进行高峰时长和波道占用率统计，以优化排班，让管制员工作时长与负荷分配更加合理，有效降低管制工作负荷；3）将非结构化的语音流及文本数据转化为结构化的指令数据，为下一步空管语音数据的数字化运行奠定基础。

3.3  人工智能在远程塔台视频处理中的应用

与传统塔台相比，远程塔台可为机场提供远程管制服务，解决当前中小型机场使用效率较低、建设成本和人力成本投入较高的问题，以及大型繁忙机场塔台存在的监视盲区问题。远程塔台以远程监视信息替代现场目视观察，使用摄像头捕获图像模拟人眼功能。可见光传感器是远程塔台系统必备的前端采集设备，可提供高清场面监视图像。此外，增加热红外传感器作为可见光传感设备的重要补充，可在天气和光照条件不佳时为管制员提供超越人类视觉的场景影像。计算机视觉技术将摄像头采集的图像/视频作为输入，教会计算机如何“看”，让计算机具有与管制员相当的目视观察能力。远程塔台系统中最主要的计算机视觉技术包括全景图像合成技术和面向全景的图像/视频智能识别技术。

3.3.1  全景图像合成技术

为弥补单个相机视野范围不足的局限，全景图像合成技术将不同视角下相机拍摄的图像融合成一幅全景图像。远程塔台系统中，通常将一组摄像头安装于塔台区域，摄像头观测视角与管制员视角保持一致，对多视角图像使用图像拼接技术得到无缝全景图像。与广角镜头拍摄的图像相比，全景拼接图像视觉效果更佳、视野更广且畸变更小。此外，为了在低能见度条件下得到超越人眼目视能力的全景图像，远程塔台系统中进一步使用图像增强方法提升合成图像的质量。

图像拼接技术首先估计相邻视角下图像之间的单应性矩阵，再利用该映射矩阵对图像进行拼接和融合。为求解图像A到图像B之间的单应性矩阵，首先对每幅图像分别提取特征，通常使用尺度不变特征变换定位图像中的特征点，再对检测的特征点提取特征。接着，将图像A、B中提取的特征向量输入随机抽样一致算法进行特征匹配，得到图像之间的匹配点对。最后，利用最小二乘法求解图像间的单应性变换矩阵，通过该变换矩阵将不同视角下的两幅图像转换到同一坐标系下。图像A和图像B重叠部分由于光照等条件存在差异，因此可能呈现出不同的色调和亮度。因此，在图像融合阶段，通常对交叠区域像素进行加权，以解决不同图像之间的表观差异导致的合成图像光照变化不够平滑、视觉效果差的问题。

为保障低能见度下场面安全、提升航班运行效率，图像增强技术将模糊、对比度和亮度较低的低质量图像转化为视觉效果良好的高质量图像。对于机场等开阔的室外场景，低照度和恶劣天气条件是导致图像质量低的主要原因。经典的低照度图像增强方法主要包括色调映射、直方图均衡和基于模型的方法。上述方法可一定程度上增强图像亮度，但可能存在增强后色彩不均匀、颜色失真等问题。基于深度学习的图像增强方法从大量图像对中挖掘微光图像到正常图像之间的光照映射，增强后的图像色彩更协调、能够较好地保留图像边缘并有效抑制图像噪声。恶劣天气是导致图像质量低的另一个重要因素。现有算法通常针对特定天气条件设计相应的图像增强算法，如基于暗通道先验的图像去雾算法、基于稀疏编码的图像去雨方法等。然而，真实条件下多种天气条件共存的情况很常见，如雨天通常伴随光照强度弱、起雾等情况，因此，研究面向复杂天气条件的图像增强方法可有效弥补基于单一天气因素的方法存在的不足，是提升远程塔台系统性能的重要手段之一。

3.3.2  基于全景的图像/视频智能识别技术

图像/视频智能识别技术通过对合成的全景图像进行分析，赋予计算机与管制员相当的目视观察能力，包括目标在哪里、目标是什么、目标如何运动等，主要用到的计算机视觉技术包括目标检测技术和目标跟踪技术。

基于图像的目标检测技术可同时获得目标类型和目标位置。其中，目标类型预测本质是一个分类问题，目标位置估计通常使用回归模型进行求解。常用的目标检测方法根据目标位置所在的维度不同，可分为二维目标检测和三维目标检测两大类。二维目标检测即估计目标在图像上的位置，通过将目标位置和类别等信息标注在远程塔台全景视频中，可提供管制员更丰富的场景信息，有助于提升管制员的情景意识。目标位置通常使用完整包围目标的二维矩形框表示，但通常依赖预先定义的锚框。近两年研究者更多关注不依赖锚框的目标检测方法，以解决预定义锚框方法运算量较大、内存占用较多等问题。三维目标检测方法从图像中估计目标在三维空间中的位置，通常用完整包围目标的三维立方体表示。通过估计目标在场景中的三维位置，可实现图像和场面监视传感数据之间的关联，从而获取当前目标机尾号等信息，有助于实现场面活动目标可视化标牌信息的叠加。三维目标检测方法通常沿用二维目标检测思路，结合相机参数可得到目标在三维场景中的真实位置。

基于视频的目标跟踪技术用于估计目标在图像上的运动轨迹，并且以轨迹为单位将不同目标区分开。目前，目标跟踪主要采用基于检测的方法，根据检测结果提取目标特征，将相邻帧之间的目标特征向量进行特征匹配并最终完成数据关联。由于远程塔台系统中的全景视频存在大量目标的尺度、姿态和数目的变化，不同目标之间也存在相互遮挡的情况，增加了目标跟踪算法的难度和复杂度，目前急需解决目标遮挡、目标新增和目标消失等条件下目标身份切换、目标轨迹断裂等问题，可考虑场将面监视数据与视频分析结果融合，增强算法的鲁棒性和可靠性。

3.4   人工智能在管制智能辅助决策中的应用

管制智能辅助决策支持系统是人工智能和决策支持系统（DSS，Decision Supporting System）相结合，应用专家系统（ES， Expert System）或数据驱动技术，使DSS能够更充分地应用人工知识或基于数据的经验，如关于决策问题的描述性知识，决策过程中的过程性知识，求解问题的推理性知识，通过逻辑推理来帮助运行管理人员解决复杂的管制决策问题的辅助决策系统。系统可以协助运行管理人员，拥有更强的态势感知能力，进一步提升管制效率，保障运行安全，但整个决策的发布实施还需要由人来自主参与。

3.4.1  飞行流量管理辅助决策的技术

空中交通流量是单位时间和空间内航空器飞行的数量。空中交通流量管理（Air Traffic Flow Management，ATFM）的主要工作是协助空管部门及时、适当地评估空中交通量是否接近饱和，以确保空中交通量与其容量相适应，最大限度地利用空域容量。流量辅助决策系统主要功能包括流量预测与流量控制。

1）流量预测：

在流量预测方面：监视系统可以为更合理的调度策略提供支持，通过使用统计的历史流量数据，可以实现流量预测工作。当然流量预测还受到天气条件、管制状况的影响。流量预测是时空相关的，经过多年的努力，流量预测的研究取得了很大的进展。从发展过程来看，这些方法大致可以分为两类：经典方法和基于深度学习的方法。经典方法包括统计方法和传统的机器学习方法。

统计方法是建立一个数据驱动的统计预测模型。最具有代表性的算法是历史平均（HA）、自回归综合移动平（ARIMA）和向量自回归（VAR）。然而，这些方法要求数据满足某些假设，而时变交通数据太复杂，无法满足这些假设。此外，这些方法只适用于相对较小的数据集。后来，许多传统的机器学习方法，如支持向量回归（SVR）和随机森林回归（RFR）被提出用于交通预测问题。这种方法对处理高维数据和捕捉复杂非线性关系具有一定优势。

直到基于深度学习的方法出现，人工智能在交通预测中的全部潜力才得以发挥。该技术研究如何学习一个层次模型，将原始输入直接映射到预期输出。一般来说，深度学习模型将基本的可学习块或层堆叠起来，形成一个深度架构，实现整个网络端到端地训练。已经开发了几种架构来处理大规模和复杂的时空流量数据。通常，卷积神经网络（CNN）用于提取图像或视频描述的网格结构数据的空间相关性，有时也用来做交通流预测，而图卷积网络（GCN）将卷积运算扩展到更一般的图结构数据，更适合表示交通网络结构。此外，递归神经网络（RNN）及其变体LSTM或GRU通常用于建模时间依赖。

2）流量控制：

在流量控制方面：正常运行条件下，对空中交通服务的需求得到满足，不会对飞机造成延误。然而，偶尔的空管运行限制，如恶劣天气、设施和通信故障，会造成空管需求和容量之间的不平衡，导致空管扇区过载。这种过载要求采用战术交通流量管理措施，措施一般包括地面和空中等待延迟。传统的流量决策支持系统，无非是地面等待策略与终端区排序策略，使用的方法包括基于扇区的排队、基于尾随间隔、移交间隔限制等，以上研究扇区的流量控制方法都在已知受限扇区容量前提下，对扇区的入口点进行限制，并建立控制模型，利用不同算法对模型进行求解，最终达到扇区容量与流量平衡。利用深度强化学习进行交通控制，当飞行流量态势过于复杂时，可以使用深度网络逼近值函数，深度强化学习已经成功应用于路面交通信号控制。战术流量强化学习控制的任务是对流量进行适当的控制，以减少空域拥塞情况，减少飞行盘旋等待时间。在给定奖励函数的情况下，智能体根据当前的交通流态势控制进出扇区的飞行流。

3.4.2  飞行冲突探测与解脱辅助决策技术

空中交通管理（Air Traffic Management,ATM）的任务是有效的维护和促进空中交通安全，维护空中交通秩序，保障空中交通畅通。空中交通管理包括空中交通服务，空中交通流量管理和空域管理三大部分。空中交通服务是空中交通管制单位为飞行中的民用航空器提供的服务，包括空中交通管制服务、飞行情报服务和告警服务。空中交通管制服务，旨在防止民用航空器同航空器、民用航空器同障碍物体相撞，维持并加速空中交通的有秩序的活动。现有的空管自动化系统主要在作用是为管制员提供实时空域运行态势信息，由管制员通过地空通信指挥航空器飞行，保障空域飞行效率和飞行安全。

随着飞行流量加大、无人机有人机混合运行、城市空域运行等现状的出现，必然增加管制员的工作符合，由于航空器密度越来越大，且扇区不可能无线划分，则必然出现空域态势感知能力需求超过管制员本身，此时则需要新的技术来解决这一问题。在无人机自主飞行领域提出感知避让（Sense and Avoid, S&A）或探测避让（Detect and Avoid, D&A）系统，它是一种允许无人机（UAV）和无人机安全地融入民用空域，避免与其他飞机、建筑物、电线、鸟类和其他障碍物发生碰撞。这些系统观察航空器周围的环境，决定是否即将发生碰撞，并生成新的飞行路径以避免碰撞。这一概念技术不仅仅适用于无人机领域，也适用于合作情况下的飞行交通控制。

冲突探测与解决是管制员工作中复杂度最高的态势感知与认知决策过程，尤其对于多架航空器之间的飞行冲突，航空器之间具有很强的关联性和协同性，同一个空中交通场景可以有多种冲突的解决方案，不同的冲突解决方法会带来千差万别的飞行态势变化，导致不同的飞行调配结果，管制员也可根据不同的期望效果来采取不同的解决方案。对于飞行冲突解决策略的研究始终是空中交通管制领域里的热点，国内外学者及科研人员已经开展了多年的研究，总结起来主要分为传统经典的基于规划的方法与基于多智能体深度强化学习方法。

前者主要包括：基于遗传算法的自由飞行条件下的飞行冲突解脱、基于复杂环境限制因素的粒子群冲突解脱、基于蚁群算法和人工势场法的有约束的非线性整数规划解脱算法、基于最优控制理论的应用于自由飞行条件下的航空器冲突解脱等，这些方法大多是基于自由飞行或无约束条件下的应用于自由飞行条件下的航空器冲突解脱，这些方法更加是用于低空开放自主飞行，但不太适用于我国国情。

后者最早出现于NASA的FACET仿真工具，该方法结合机器学习中的强化学习理论对历史雷达数据进行分析，从而减少了航班的冲突，优化了航班时刻的安排；多智能体强化学习（MultiagentReinforcement Learning，MARL）也适用于ATC自动化问题，在这项工作中，作者将他们的模型局限于处理潜在的飞机冲突解脱，这大大降低了他们模型的复杂性；学习在基于局部核的强化学习模型和更广泛的深度MARL模型的决策之间进行有效的决断，可以更加简洁地了解空中交通控制问题的复杂性；为了扩展到高密度空域，基于自主间隔保持和多智能体强化学习将扇区容量提升到人类感知极限以上，采用分布式航空器自主飞行来确保飞行间隔，而不是采用集中式的扇区管制系统。以上研究都微扰多智能体强化学习展开，且管制也逐渐从集中式迈向自主分布式。

以上仅就人工智能在空管运行中的辅助决策应用做了简要说明，近年来人工智能在动态空域管理、航线规划、航班计划、机场运行、协同决策、中长期告警、情报服务等领域也得到了一定的应用，相信随着科技的进步，人工智能必将也越来深入空管智慧运行的各个领域。

4   结束语

然而，人工智能的全部潜力远未在整个航空/ATM领域得到充分挖掘和利用。虽然有许多人工智能的成功案例，但它们的范围仍然有限。对人工智能产生的商业和社会价值仍处于初级阶段，也缺乏相关的领域知识。

人工智能在空管智慧运行中的初步应用，能够协助空中交通管理更加高效和安全地运行，最大限度地提升空域容量和运行效率。近年来，随着我国在人工智能技术的发展、突破和完善，随着人工智能技术的应用领域不断拓展，人工智能必将更加深入的影响空中交通管理。构建一个安全稳、效率高、智慧强、协同好的现代化空中交通管理系统，成为全球一流的空中航行服务提供者，是我们努力的目标。

随着基于航级的运行已成为下一代空管运行的核心、有人机无人机混合运行、城市空中交通管理等发展趋势，更加需要人工智能赋能，人工智能必将在空中交通领域提供更为智能、高效、安全的服务，使得人工智能技术不断服务于人民的生活，服务于社会经济。

来源：文图：《民航科技》