May, 2022

基于数据驱动的空中交通管制员决策冲突解决方法预测

PDF
TL;DR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。
automationconflict detection and resolutiondeep learningair traffic managementair traffic controllers
发现论文，激发创造
  • 基于置信度动态图学习的空中交通管制员工作负荷预测

    通过对空中交通视角 ATCo 工作负载的研究综述以及基于图神经网络和符合预测的深度学习框架提出的 ATCo 工作负载预测方法，结合交通密度和交通冲突特征可以更准确地预测 ATCo 的工作负载水平。

    Jul, 2023

  • 基于强化学习的空中交通冲突解除

    本文使用强化学习算法，最小化无人机避障中的水平分离问题，将避障策略转化为一组航迹点，以满足安全需求，并在高保真模拟和实际飞行演示中进行了评估。

    Jan, 2023

  • 基于上下文的生成模型用于飞机地面轨迹预测

    该研究提出了一种概率机器学习的生成方法，用于侧面轨迹预测，旨在建模来自飞行员行为和空中交通管制员意图的认知不确定性对轨迹的影响，探索了不同模型中贝叶斯神经网络与拉普拉斯近似的概率方法在模拟飞机通过空域的流量方面的可行性。

    Sep, 2023

  • ATCO2 中的经验教训：基于 5000 小时的空中交通管制通信，为强健的自动语音识别和理解打下基础

    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

  • 用于空中交通管制员培训的虚拟仿真驾驶员代理

    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

  • 自主空中移动的可解释和安全强化学习

    提出一种深度强化学习（DRL）控制器，通过将耦合的 Q 值学习模型分解为安全感知和效率两个模型，利用周围入侵者的信息作为输入来帮助解决自主自由飞行的冲突。通过该控制器，可以在克服 DRL 控制器的解释性和安全性问题的情况下提高控制任务的性能，同时提供关于环境安全情况的丰富信息。

    Nov, 2022

  • 通过战略需求容量平衡和基于学习的战术去冲突实现 UAM 的一体化冲突管理

    该研究提出一种将需求能力平衡与强化学习相结合的新框架，用于解决城市空中移动上的战略冲突管理和战术安全分离问题，结果表明，这种预调整方法可以使得目标安全水平得到满足，同时在实现更高操作效率的同时提高空中交通的安全性。

    May, 2023

  • 高级空中机动性的应急管理中考虑深度强化学习时的权衡

    这篇论文探讨了在现代航空运输中引入的先进空中机动性（AAM）所带来的挑战和机遇，着重研究了自主运营需要的控制系统以及使用深度强化学习（DRL）技术进行演示环境中的危害减轻的比较。

    Jun, 2024

  • 利用轨迹图像的深度学习对飞机降落时间进行预测

    使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。

    Jan, 2024

  • 基于 AI 的自主线路流控通过拓扑调整以最大化时间序列 ATCs

    本文提出一种基于人工智能的方法来最大化时间序列可用传输能力（ATC），通过自主拓扑控制考虑各种实际约束和不确定性，其中使用了多种人工智能技术，包括监督学习和深度强化学习，并证明了该方法在 2019 年的全球比赛中取得了成功，并且赢得了竞赛的第一名。

    Nov, 2019