本文通过将 ASR 和 NLP 方法相结合并利用监控数据，研究了一种两步增强 callsign 的方法，最终提高了 53.7% 的绝对召唤符号识别率和 60.4% 的相对召唤符号识别率。

Feb, 2022

本文探讨了 ATCO2 项目从广播频率通道，通过自愿者收集和存储音频和监视数据，并对其中包括自然语言处理、自动语音识别、英语语种识别等方面工作进行回顾，进而证明了该项目的适用性，可用于开发少量或无领域数据的自动语音识别引擎，以及在公共航空交通数据集上进行性能提升。

May, 2023

本文提出了一种新颖的虚拟模拟飞行员引擎，该引擎利用不同的人工智能工具加速空中交通管制员（ATCo）的培训，并且采用了自动语音识别和理解、高级空中交通管制相关实体解析、文本到语音子模块等先进工具，能够模拟控制操作场景、生成模拟机长的话语并提高实时监视数据的辨识准确度，是首次基于开源 ATC 资源和 AI 工具的研究。

Apr, 2023

本文介绍 ATCO2 语料库，它旨在促进空中交通管制领域内鲜有研究的挑战性问题，该语料库涵盖数据收集和预处理，语音数据的伪标注以及 ATC 相关命名实体的提取等方面，有助于推动韧性自动语音识别和自然语言理解等技术的发展。

Nov, 2022

利用空中交通管制数据进行自然语言处理需要进行预处理步骤，我们提出了一种基于 Transformer 的联合语音识别（ASR）和说话人分离（SRD）系统，比较了该系统与传统方法在多个 ATC 数据集上的性能，研究显示了何种情况下该联合系统能够胜过传统方法以及何种情况下其他架构更可取，同时我们评估了声学和词汇差异对所有架构的影响并展示了如何克服它们。

Jun, 2024

本文介绍了一种简单而高效的基于重复的模块化系统，以加速空中交通管制员的培训。该系统通过融合不同的人工智能技术，开发和集成一种伪飞行员代理，实现了对管制员语音通讯的理解，并生成响应以提高其训练效率。

Dec, 2022

提出了一种基于编码器 - 解码器的 U-Net 框架的识别导向语音增强（ROSE）框架，以消除空中交通管制 (ATC) 领域的无线电语音回声，并提高语音可懂性和自动语音识别 (ASR) 准确性。ROSE 在 ATC 场景中作为即插即用工具，无需对 ASR 模型进行额外的重新训练。

Dec, 2023

航空命令的准确识别对飞行安全和效率至关重要，本文通过改进关键词检测技术来解决语音命令识别中的挑战，如嘈杂环境和有限的计算资源。我们创建了一个标准化的机场塔命令数据集，改进了广播剩余学习，并结合挤压 - 激发和时间帧频率 - 挤压 - 激发技术，从而得到了我们的 BC-SENet 模型。我们对包括 BC-SENet 在内的五种关键词检测模型进行了测试，结果显示出更高的准确性和效率。这些发现突显了我们模型改进在嘈杂、高风险环境中提高语音命令识别的有效性，此外，BC-SENet 在常见的 Google Speech Command 数据集上也表现出可比较的性能。

Jun, 2024

本研究中，我们提出深度学习方法来学习空中交通管理领域的交通管制员解决冲突的反应，以增强冲突检测和解决任务的自动化，该方法通过预测可能违反飞机航迹之间的最小分隔约束的冲突解决时刻的轨迹点，来评估其准确性。

May, 2022

本研究旨在探讨在预训练和 fine-tuning 阶段数据属性存在实质性差异的情况下，在空中交通管制数据上分析 Wav2Vec 2.0 和 XLS-R 模型的鲁棒性，结果显示，通过只使用已标注数据的较小部分来对 E2E 声学模型进行 fine-tuning，相对于基于混合式 ASR 基线的声学模型，可以在几个开源且具有挑战性的 ATC 数据库中实现 20％至 40％的相对字错率降低，并分析了一种 ATC 数据集中的低资源和性别偏见的情况。

Mar, 2022