Survey
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
/LQN|SLQJVXQLYHUVLWHW ,QVWLWXWLRQHQI|UGDWDYHWHQVNDS,'$ +.*%%$UWLILFLHOOLQWHOOLJHQV +7 )5(()/,*+7 (WWSUREOHPI|U$, (ULN1\EHUJ:KLWH )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH 6DPPDQIDWWQLQJ Flygtrafiken växer idag starkt och förväntas inom kort nå nivåer som gör dagens flygtrafiksystem otillräckliga. Redan är luftrummet på många platser i världen utnyttjat till det maximala för vad tekniken tillåter. Flera forskare och flygmyndigheter menar därför att det behövs en radikal omstrukturering av de grundläggande antagandena för hur flygtrafiken ska fungera i framtiden. En vision som förs fram går under namnet free flight. Free flight innebär att piloter, istället för att som idag dirigeras av flygledare i bestämda luftkorridorer, fritt ska tillåtas bestämma rutt, hastighet och höjd i ett öppet luftrum. För att free flight ska kunna implementeras krävs att ett antal säkerhets- och effektivitetsproblem får sina lösningar i den nya omgivningen. I praktiken betyder detta att nya distribuerade tekniker behöver utvecklas, bl.a. för att åtskilja flygplan i det öppna luftrummet och för att kunna schemalägga trafik kring flygplatser. Då flygtrafik är ett komplext realtids- och multiagentsystem med många restriktioner och mycket stora datamängder lämpar sig artificiell intelligens (AI) väl för flera av de tekniker som behöver utvecklas. Denna rapport redogör för några av de problem som flygtrafiken står inför, vilka AI-tekniker som kan komma ifråga, samt vilken inverkan dessa lösningar har på människans roll i systemet. )5(()/,*+7(77352%/(0)g5$, ,QQHKnOOVI|UWHFNQLQJ (ULN1\EHUJ:KLWH ,1/('1,1* 1.1 SYFTE ................................................................................................................................1 1.2 METOD ..............................................................................................................................1 1.3 KÄLLOR .............................................................................................................................1 1.4 STRUKTUR .........................................................................................................................1 )/<*/('1,1* 2.1 MOTIV ...............................................................................................................................2 2.2 DÅTID ................................................................................................................................2 2.3 NUTID ................................................................................................................................2 2.4 FRAMTID ...........................................................................................................................2 9LVLRQHU )UHHIOLJKW 352%/(0)g5)5(()/,*+7 3.1 SCHEMALÄGGNING ............................................................................................................4 *HQHWLVNDDOJRULWPHU 3UREOHP /|VQLQJ 5HVXOWDW 3.2 KONFLIKTHANTERING .......................................................................................................7 1HXUDODQlWYHUN 3UREOHP /|VQLQJ 5HVXOWDW $1'5$7(.1,.(5 4.1 FUZZY SITUATIONAL TREE-NETWORKS ..............................................................................9 4.2 NATURAL LANGUAGE PROCESSING ....................................................................................9 4.3 CONSTRAINT SATISFACTION ............................................................................................10 $,2&+$8720$7,21 5.1 MÖJLIGHETER ..................................................................................................................11 5.2 PROBLEM .........................................................................................................................11 ',6.866,21 .b//)g57(&.1,1* TRYCKTA KÄLLOR .................................................................................................................13 ELEKTRONISKA KÄLLOR ........................................................................................................14 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH ,QOHGQLQJ Denna rapport behandlar tillämpningar av AI inom området flygledning. Ett antal tekniker som utgör möjliga lösningar på problem inom nutidens och framtidens flygtrafik beskrivs. 6\IWH AI är en vetenskap som lever med många filosofiska och etiska diskussioner om vad som utgör vetenskapen och vad som borde utgöra den. Utgångspunkten för denna rapport är att AI ska betraktas som svag. Det är min avsikt att inta en pragmatisk hållning och se till vad AItekniker kan uträtta i praktiken, istället för att ägna all energi åt definitioner. Fokus ligger alltså inte på bakomliggande filosofiska och etiska frågor, utan på den praktiska tillämpningen av en omdebatterad vetenskap. Dock begränsar sig rapporten inte endast till att undersöka tillämpningar av AI, utan försöker även sätta in den tillämpningarna i ett större kognitionsvetenskapligt perspektiv. Flygledning är en intressant domän för AI tack vare dess komplexitet och det redan utbredda teknikstödet inom området. Komplexiteten gör att domänen är öppen för många olika AItekniker, både samarbetande och konkurrerande. Användningen av datorsystem för snart sagt varje funktion inom flygledning gör att den tekniska grunden redan är lagd. Eftersom flygledning är ett komplext och vidsträckt område, och omfattar ett mycket stort antal tekniker är mitt syfte inte att vara heltäckande. Målet är att ge en introduktion till de problem som flygledningen står inför, visa på några av de AI-tekniker som skulle kunna lösa dessa, samt undersöka vilken betydelse införandet av sådana tekniker har för användare av de beskrivna systemen. 0HWRG Rapporten är resultatet av en litteraturstudie. Till att börja med försökte jag arbeta på topdown-vis genom att först skapa en bild av flygledningen idag och vilka behov som karakteriserar den, för att sedan gå på djupet i vissa frågor. Det visade sig dock enklare att börja med att utforska enskilda problem och AI-tekniker vilka tillsammans gav en mera sammanhängande bild av området. Litteraturstudien utvecklades därför till en iterativ process där många vitt innehållsskilda källor fått bidra till den samlade bilden. .lOORU Böcker har främst funnits inom human factors-området, medan artiklar från vetenskapliga tidsskrifter har belyst intressanta AI-tekniker. På en mera övergripande nivå vad gäller flygtrafikens framtid och aspekter på automation har jag haft stor nytta av tre böcker från det amerikanska National Research Center. På detaljnivå är flera tidsskrifter värda att nämna, däribland Applied Intelligence, Artificial Intelligence in Engineering och Engineering Applications of Artificial Intelligence. 6WUXNWXU Inledningsvis presenteras området flygledning; dess uppgift, historia, utseende idag samt visioner inför framtiden. Därefter beskrivs några problem och AI-tekniker som tillämpade kan lösa dessa, och vad tillämpningen av AI i form av automatiserade system kan betyda för användaren. För att undvika missförstånd används på ett flertal ställen engelska termer. 1 )5(()/,*+7(77352%/(0)g5$, )O\JOHGQLQJ (ULN1\EHUJ:KLWH 0RWLY Flygledningens syfte är att hindra kollisioner mellan flygplan, hindra kollisioner mellan flygplan och markobjekt samt expediera och upprätthålla en välordnad flygtrafik. Målet med flygledningssystem är att tillåta flygtrafikoperatörer att verka efter sina flygprofiler med så få restriktioner som möjligt, utan förseningar i avfärd och ankomst, med bibehållen säkerhet. (Eurocontrol) 'nWLG Den första ansatsen till något som liknade flygledning var när piloter strax efter flygets födelse, under tidigt 1900-tal, började använda sig av sjöfartsregler för att undvika kollisioner. Efter första världskriget standardiserades ett regelverk som uttryckte vad piloter skulle göra i förutbestämda situationer, men dessa stannade i huvudsak vid att säga att piloten skulle väja när andra flygplan kom inom synhåll. Under 20- och 30-talen gick utvecklingen från strikt visuell flygning till instrumentflygning och användning av radiosignaler för att navigera. Snart användes radio av flygbolagen i USA för att från kontrollstationer informera piloter om väder och andra flygplan, och inom kort började stationer slås ihop till större centraler. 1936 förstatligades denna verksamhet i USA och när den explosionsartade utvecklingen under andra världskriget hade avtagit fanns 1946 i USA 113 kontrolltorn och 24 kontrollcentraler. 1946 bildades ICAO (International Civil Aviation Organisation) vilket standardiserade internationella flygtrafikregler. Under tidigt 50-tal började flygledningen likna dagens på en avgörande punkt eftersom piloter och flygledare då kunde kommunicera med varandra med hjälp av tvåvägsradio. (Britannica) 1XWLG Flygledning är ett komplicerat samspel mellan utbildad personal, avancerad teknik och reglerade arbetsmetoder. Dagens flygledning är organiserad framför allt kring två olika typer av resurser. Kontrolltorn övervakar flygtrafiken på och omkring flygplatser medan kontrollcentraler övervakar trafiken en route, dvs. mellan olika flygplatser. (LFV) Luftrummet delas upp i sektorer som flygledare ansvarar över. Flygtrafiken går längs luftkorridorer som är reglerade till höjd och storlek. Flygledare dirigerar flygtrafiken enligt internationella regler som fastställs av ICAO. Kommunikationsspråket är engelska. Till sin hjälp har flygledaren en uppsättning system, däribland radar, navigations- och landningssystem. (Britannica) TCAS (Traffic Collision Avoidance System) är ett AI-baserat system som introducerades i början på 90-talet som ett sätt att distribuera en del av flygtrafikens säkerhetsnät till flygplanen själva. Systemet varnar när säkerhetszoner mellan flygplan överträds och agerar för att undvika kollisioner. (Perry) )UDPWLG USA:s flygmyndighet, FAA (Federal Aviation Administration), har i en rapport förutspått att om ingen stor förändring sker inom flygtrafiken i USA kommer det att kunna inträffa en större flygolycka var sjunde till tionde dag år 2015. Denna förutsägelse baseras på den 2 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH förväntade ökningen av flygtrafiken samt det faktum att olycksstatistiken legat på en jämn nivå de senaste 15 åren. Detta samtidigt som befintliga system är föråldrade vilket gör dem allt mindre tillförlitliga och allt svårare att underhålla. De försök som hittills gjorts att modernisera flygledningssystemen har hittills givit minimal utdelning. (Perry, 1997) 9LVLRQHU Den största mödan inom utvecklingen för att öka flygtrafikens kapacitet har hittills lagts vid inkrementella förbättringar av redan existerande system och arbetssätt. Då det förväntade behovet av kapacitetsökning under de närmaste årtiondena är större än sådana åtgärder kan tillgodose behövs troligen en radikal omstrukturering av de grundläggande förutsättningarna för flygtrafik. De framsteg som idag görs inom området sker i reaktion till mer eller mindre akuta behov, medan man istället borde se vad som krävs för att uppfylla en vision om hur flygtrafiken ska se ut i framtiden. (NRC, 2003) National Research Council (NRC), en privat, icke-vinstdrivande rådgivare till amerikanska myndigheter, har identifierat sex attribut hos ett framtida flygtrafiksystem (NRC, 2003): - Automatisering kommer att användas i större utsträckning än idag - Människor kommer att utgöra en integrerad del av systemet - Systemet kommer att vara mera helintegrerat - Ansvar och funktioner kommer att vara distribuerade över flera skilda entiteter - Komplexiteten hos systemet är hög - Restriktioner för flygplansseparation kommer att vara mildare För att kunna uppnå dessa attribut behöver man, för det första, fokusera på den teknik som möjliggör dem. Detta innefattar bl.a. beslutsstöds-, planerings- och förutsägande system, där AI-tekniker kan spela en avgörande roll. För det andra behövs en förståelse för human factors – människans roll i sådana system. (NRC, 2003) Framtidens flygtrafik återfinns mellan två extremer. På den ena sidan återfinns ett system med flygrutter som på förhand tar hänsyn till alla tänkbara faktorer, såsom andra flygrutter och väder), i vilket flyplan med stor precision följer det som planerats. I ett sådant system finns inget behov av reaktiva åtgärder eftersom allt följer planen. På den andra sidan hittar man ett system där ingen planering sker. Här ansvarar varje enskilt flygplan för den egna säkerheten och måste följaktligen själv reagera på de situationer som uppstår. Denna vision går under namnet free flight. Att flygtrafiken helt skulle tillförlita sig på någondera är osannolikt, dels för att omöjligt att planera allting i förväg och dels eftersom helt reaktiva system endast kan åstadkomma lokal optimering av t.ex. en flygrutt. (Durand & Médioni, 2000) )UHHIOLJKW RTCA (Radio Technical Commission for Aeronautics) är en icke vinstdrivande bolag som agerar som utskott åt FAA i frågor som rör bl.a. flygtrafikledning. 1995 publicerade RTCA den vision om den framtida flygtrafiken som går under namnet free flight. Free flight innebär att flygtrafik inte begränsas till därför avsedda luftkorridorer, som idag utgör ca 5% av luftrummet. Piloter tillåts istället välja rutt, hastighet och höjd fritt, förutsatt att säkerhetsmässiga hänsyn inte hindrar detta. De potentiella vinsterna med ett sådant system inkluderar tids- och bränslebesparing samt flexibilitet vid t.ex. dåligt väder. (Endsley, 1997) Definition av free flight, enligt RTCA (Isaac & Ruitenberg, 1999): 3 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH $VDIHDQGHIILFLHQWIOLJKWRSHUDWLRQFDSDEO\XQGHULQVWUXPHQWIOLJKWUXOHVLQZKLFKWKH RSHUDWRUVKDYHJUHDWHUIOH[LELOLW\LQVHOHFWLQJWKHLUIOLJKWSDWKDQGVSHHG$LUWUDIILF UHVWULFWLRQVDUHOLPLWHGLQH[WHQWDQGGXUDWLRQDQGDUHRQO\LPSRVHGWRHQVXUHVHSDUDWLRQWR SUHFOXGHH[FHHGLQJDLUSRUWFDSDFLW\DQGWRSUHYHQWXQDXWKRULVHGIOLJKWWKURXJKVSHFLDOXVH DLUVSDFH Free flight är alltså en radikal omstrukturering av flygtrafiken som distribuerar beslutsfattande till respektive flygplan. Free flight ändrar flygledarens uppgift från dagens planerande karaktär, till att i huvudsak ägna sig åt att hålla isär flygplan, med olika system som säkerhet. (Perry, 1997) 3UREOHPI|UIUHHIOLJKW 6FKHPDOlJJQLQJ *HQHWLVNDDOJRULWPHU Enligt Darwins evolutionsteori, som presenterades 1859 i On the Origin of Species by Means of Natural Selection, utvecklas arter enligt principen om naturligt urval. De individer i populationen som är mest lämpade för överlevnad gynnas i reproduktionen. Långt efter att Darwin presenterat sin teori upptäcktes de bakomliggande faktorerna bakom evolutionsteorin. DNA-molekylen och dess roll i reproduktionen, där kombinationen av föräldrarnas DNA och mutation styr avkommans DNA, ligger till grund för sättet på vilket genetiska algoritmer (GA) fungerar. (Russell & Norvig, 2003) En genetisk algoritm är en evolutionär algoritm som arbetar efter principer som liknar den biologiska evolutionsteorin. Följande steg ingår (Russell & Norvig, 2003): 1. Sökalgoritmen utgår från ett antal individer, tillsammans benämnda som populationen, som var och en representeras av en teckensträng. Denna teckensträng, även kallad genom om tecknen betecknas som gener (Hansen, 2004), representerar ett tillstånd i problemvärlden. 2. En fitness-funktion, som avgör hur väl lämpad individen är för domänen, appliceras på individerna och bestämmer på så sätt vilka som är mest passande för reproduktion. Individer som värderas högre av fitness-funktionen är mera sannolika att väljas ut för reproduktion. 3. Par av individer väljs ut för reproduktion och en crossover-punkt bestäms. Variationer finns, t.ex. vad gäller hur många individer som väljs ut och huruvida en individ kan ge flera avkommor. Dessa faktorer inverkar på hur snabbt sökningen konvergerar. 4. Två nya individer, avkomman, genereras från varje par genom att mellan individerna i paret byta plats på delsträngarna som definieras av crossover-punkten. 5. Till sist utsätts avkomman för mutation enligt en bestämd sannolikhet. Mutationen innebär att teckensträngen utsätts för slumpmässig påverkan i form av att en mindre del av strängen får ett nytt slumpmässigt värde ur teckenmängden. Genetiska algoritmer följer i huvudsak ovanstående grund, med mer eller mindre begränsade variationer vad gäller t.ex. val av individer för reproduktion och mutationens omfattning. 4 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH 3UREOHP En viktig uppgift för flygledare idag är att hantera inkommande flygplan vid flygplatser. Med detta avses att tilldela respektive flygplan en landningsbana, en landningstid och en plats i turordningen. Eftersom flygplatser blir allt större och flygtrafiken alltmer intensiv är denna fördelning av resurser ingen trivial uppgift. Traditionellt har problemet lösts genom FCFSmetoden (First Come First Served), dvs. ett först-till-kvarn-system som inte tar hänsyn till involverade flygplanstyper och -hastigheter. Dessa faktorer inverkar på de restriktioner som gäller vid landning, och skapar – när de inte tas hänsyn till – asymmetri i planeringen. Detta får till följd att tids- och flygplatsresurser inte utnyttjas optimalt vilket ger upphov till överbelastningar och förseningar i den allt intensivare flygtrafiken. (Capri & Ignaccolo, 2004) Problemet utgörs av att skapa en schemaläggning som minimerar förseningar för inkommande flygplan. Med detta avses att ange en landningsbana, landningstid och plats i kön. En metod att lösa planeringsproblemet med hjälp av genetiska algoritmer förs fram av Hansen (2004). Resultatet av användningen av fyra olika genetiska algoritmer undersöks genom att applicera dem på tänkta flygtrafiksituationer, varav en redogörs för nedan. Problemet har följande egenskaper: - - Varje flygplan har en uppskattad landningstid (ETA) som är en beräkning av den minimala tiden att nå en landningsbana, och som ej kan underskridas. Flygplan klassificeras efter bl.a. storlek. Olika klasser kräver olika lång separationstid vid landning, eftersom ogynnsamma luftvirvlar som beror framför allt på planets storlek skapas i planets bakström. Försening definieras som skillnaden mellan den schemalagda landningstiden (STA) och den uppskattade landningstiden (ETA). Ett av de specifika problem som undersöks utgörs av en flygtrafiksituation som innehåller tolv inkommande flygplan och tre landningsbanor. Flygplanen delas in i tre kategorier. 2 SK230 AF335 BA123 AY1920 3 1 UA1133 KL2123 AF993 SK330 LH200 DL510 LH123 SK120 Small Large Heavy )LJXUSchemaläggningsproblemets förutsättningar (fritt efter Hansen) 5 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH /|VQLQJ I Hansens genetiska algoritm utgör varje genom en prioritetslista för flygplanen. I detta fall består genomen av tolv gener (flygplan). I varje iteration väljs två slumpmässiga genom ut för att utsättas för en mutationsoperation. Fitness definieras som minimal försening, vilket alltså innebär att genom med lågt fitness-värde eftersöks. Problemet kodas i vektorer och matriser (se figur 2) för att kunna bearbetas av algoritmen. FLIGHT_BANK = [SK230; AF335; BA123; AY1920; UA1133; KL2123; AF993; SK330; LH200; DL510; LH123; SK120] AIRCRAFT_TYPE = (H, L, H, S, H, L, L, L, S, L, S, L) 12 15 7 )LJXU6FKHPDOlJJQLQJVSUREOHPIULWWHIWHU+DQVHQ 11 17 9 ETA (för 12 flygplan på 3 landningsbanor) = 10 19 8 SEPARATION_CONSTRAINTS = 6 7 8 10 7 13 6 15 5 15 7 17 8 19 9 6 7 8 9 6 12 5 15 4 9 7 6 1 1.5 2 1 1.5 1.5 1 1 1 )LJXUSchemaläggningsproblemets förutsättningar i dataformat (fritt efter Hansen) 5HVXOWDW En schemaläggning som hittas av algoritmen kan se ut enligt följande. Bana #1 AY1920 BA123 SK330 DL510 UA1133 AF335 AF993 STA Försening 6 7 8 9 10,5 15 16 0 0 1 0 0,5 0 1 Bana #2 LH200 STA Försening 7 1 Bana #3 LH123 KL2123 SK120 SK230 STA Försening 4 5 6,5 10 0 0 0,5 0 7DEHOOResultat vid användning av GA på ett schemaläggningsproblem (Hansen, 2004) Hansen visar dock att den algoritm som i flera scenarion ligger närmast optimala lösningar är den som använder sig av metoder från genetisk programmering (GP). Detta är en till GA besläktad algoritm – de använder sig båda av evolutionära principer – men som istället för att manipulera själva genomen manipulerar program som bygger upp genomen. Eftersom nära optimala lösningar hittas på under fem minuter på en vanlig PC drar Hansen slutsatsen att strategin är applicerbar även i en realtidsomgivning. Dock utökas komplexiteten om hänsyn även tas till restriktioner för enskilda landningsbanor, gate-tillgång mm. Dessa frågor är föremål för ytterligare forskning. (Hansen, 2004) 6 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH .RQIOLNWKDQWHULQJ 1HXUDODQlWYHUN Neurala nätverk byggs upp av noder som i någon mån representerar hjärnans neuroner. Noderna är sammanbundna av länkar som kan variera till sin vikt, vilket symboliserar styrkan på kopplingen mellan de sammanbundna noderna. Indatanoder tar emot signaler och aktiverar andra noder i nätverket beroende på styrkan hos de kopplingar som finns till noderna. Aktiveringarna fortplantas genom nätverket till utdatanoder, som ger nätverkets respons på indata. Inlärning sker genom att nätverket utsätts för träning, där vikterna hos kopplingar ändras beroende på korrektheten hos utsignalerna i relation till insignalerna. Gradient back-propagation är en speciell inlärningsmetod där fel i utdatalagret får till följd att ansvariga länkar i de gömda lagren uppdateras lager för lager. Detta utgör tillsammans en modell för hur inlärning fungerar i hjärnan. Neurala nätverk ger, när de väl tränats, relativt snabba responser på indata och kan lära sig även då data präglas av brus. (Russell & Norvig, 2003) 3UREOHP Mycket av dagens forskning inom flygtrafik riktar in sig på att utveckla tekniker för att undvika kollisioner. På korta och medellånga avstånd måste sådana tekniker av naturliga skäl kunna avge svar inom mycket kort tid. Det är därför naturligt att använda sig av neurala nätverk för konflikthantering (Durand et al, 2000) Flygtrafiksystem och deras övervakning delas traditionellt upp i olika nivåer (Durand et al, 2000): - En flygledare kan inte ensam övervaka alla flygplan. En nivå av flygtrafiksystem ägnar sig därför åt att dela in luftrummet i sektorer. - Strategisk planering sker med ett par timmars förutseende för att undvika flaskhalsar och minska trafik inom vissa områden. - Koordinationsplanering syftar till att, med ett par minuters förutseende, se till att sektorer inte blir överbelastade när nya flygplan kommer in i dem. - Taktisk kontroll löser potentiella konflikter mellan flygplan uppemot 20 minuter i förväg. - System för kollisionsundvikning inträder som en sista utväg ett par minuter innan kollision. I dagens flygledning är användningen av neurala nätverk mest intressant för den sista av dessa nivåer, pga. de realtidskrav som ställs på system för kollisionsundvikning. För den vision om free flight som tidigare beskrivits är det särskilt viktigt att sådana system blir tillförlitliga och snabba, eftersom idén om free flight vilar på att övriga nivåer tas bort eller reduceras kraftigt. Durand et al (2000) definierar ett kollisionsproblem mellan två inblandade flygplan. Ett neuralt nätverk ska designas för att ändra flygplanets kurs när det upptäcker ett annat flygplan inom en cirkel med 20 sjömils diameter. Avståndet mellan flygplanen får inte understiga fyra sjömil. Båda flygplanen förutsätts vara utrustade med samma system. Alla indata till nätverket fås från flygplanets radar. 7 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH β )LJXUKollisionsproblem och neuralt nätverk för dess lösning (fritt efter Durand et al) /|VQLQJ Ett neuralt nätverk med tre lager ges nio indata i form av vinklar, hastigheter och avstånd (jmfr figur 3) som fås från flygplanets radar. Mellanlagret innehåller 25 noder, medan utdatalagret innehåller endast en nod som ger respons på indata genom att ange en kursförändring. Back-propagation kan inte användas för inlärningen eftersom det inte alltid existerar konfliktfria rutter när fler än två flygplan är inblandade. I det beskriva problemet finns bara två flygplan, men då författarna planerar att utvidga systemet till mera realistiska förhållanden ses det inte som lönsamt att använda sig av back-propagation. Istället används genetiska algoritmer, liksom i schemaläggningsproblemet. För användningen av GA genereras en slumpmässig population av punkter i tillståndsrymden. Fitness för dessa beräknas genom en funktion som tar hänsyn till att rutten måste vara konfliktfri och förseningen så liten som möjligt. Individer ur populationen väljs ut i enlighet med beräknad fitness, och crossover sker mellan par ur denna mängd. Av de element som inte redan valts ut för reproduktion genomgår ett antal mutation. Tillsammans utgör avkomman och de muterade elementen den nya populationen. 5HVXOWDW Av 10000 unika och för det neurala nätverket nya konfliktkonfigurationer genererade nätverket 9612 konfliktfria rutter, vilket innebär ett misslyckande i 4% av fallen. Avståndsrestriktionerna överträddes, enligt författarna, på mindre allvarligt sätt eftersom flygplanen aldrig kommer närmare varandra än två sjömil. Medianförseningen var 5,1 sekunder och inget flygplan försenades mer än en minut. Författarna implementerade även liknande tekniker på problem med tre flygplan. Resultaten var här ännu bättre, med misslyckandegrader på 0,06-0,4%. Dock var förseningarna större – i vissa fall längre än tio minuter – och kan förväntas bli ännu större då fler än tre flygplan tas med i beräkningen. Författarna konstaterar dock att neurala nätverk har sin användning mellan den taktiska kontrollnivån och ett sista-utvägen-system och därmed endast kommer att användas på korta till medellånga avstånd, där konflikter är relativt enkla. 8 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH $QGUDWHNQLNHU )X]]\VLWXDWLRQDOWUHHQHWZRUNV Flygtrafiken är utsatt för många faktorer som är förväntade men som ibland kan vara svåra att förutse. Dessa inkluderar t.ex. regn, nedisning, misstag av piloten, elektromagnetiska urladdningar och turbulens. Kedjereaktioner som sätts igång av eller flera sådana faktorer kan, om de sammanfaller med andra faktorer, leda till kritiska situationer. Ett fuzzy situational tree-network (FSTN) byggs upp av en omfattande kunskapsbas inom området. Trädet representerar hur olika faktorer och handlingar leder fram till nya situationer. Med hjälp av ett FSTN kan man i en given situation förutse säkra och osäkra rutter inom den närmaste framtiden, och vilka handlingar som leder till respektive rutter. Med FSTN som grund kan den aktuella flygsituationen presenteras för piloten (se figur 4), vars uppgift blir att undvika osäkra områden. Ett potentiellt användningsområde är konfliktresolution för free flight. (Burdun & Parfentyev, 1999) Säker zon Semi-säker zon Osäker zon Situation Handling, med påverkan av oförutsedd faktor )LJXUSituationsförutseende hjälpmedel (fritt efter Burdun & Parfentyev) 1DWXUDOODQJXDJHSURFHVVLQJ Röstkommunikation är en nödvändig men osäker del av dagens flygtrafik. Fel i kommunikationen sker, enligt forskning, en gång per timme där radiotrafiken är frekvent. Ragnarsdottir et al (2003) föreslår att språkteknologi som använder sig av natural language processing (NLP) används för att reducera osäkerheten i kommunikationen. Inledande försök visar att ett flygledarsystem som använder sig av språkteknologi för övervakning svarar korrekt i 97% av fallen i testomgivningen, ett värde som förväntas kunna förbättras kraftigt. Systemet föreslås i framtiden inbegripa ett större mått av artificiell intelligens så att det förutom att övervaka kommunikation även kan komma med egna rekommendationer. 9 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH &RQVWUDLQWVDWLVIDFWLRQ En fungerande konfliktdetektion och -resolution är, som tidigare nämnts, avgörande för att free flight ska kunna implementeras. Rong et al (2002) ser flygtrafiken som ett multiagentsystem där varje flygplan utgör en intelligent agent. Konflikter ses som constraint satisfaction problem (CSP). Detta innebär att variabler införs för de aktuella problemparametrarna, samt kriterier (constraints) som avgör mellan vilka värden variablerna får befinna sig. Att lösa ett CSP är liktydigt med att finna variabelvärden så att alla kriterier uppfylls. Genom att upprätta parvis förhandling mellan agenter i konflikt uppfylls båda flygplanens kriterier (se figur 5). 1 Skicka förslag ja Något nytt förslag som reducerar kostnad? nej Skicka bifall ja ja nej Skicka avslag Något nytt förslag som uppfyller alla kriterier? nej Kommunikation med andra flygplan Förslag uppfyller alla kriterier? Kommunikation med flygledning 1 Sändarens startpunkt 2 Mottagarens startpunkt ja Någon acceptans? nej Motförslag mottaget? nej ja 2 )LJXUFlöde vid förhandling mellan två agenter (Rong et al, 2002) 10 )5(()/,*+7(77352%/(0)g5$, $,RFKDXWRPDWLRQ (ULN1\EHUJ:KLWH Det finns flera definitioner av automation, alltifrån de som betecknar alla system som innehåller någon form av teknik som automatiserade till de som kräver intelligent beslutsfattande. Den definition jag kommer att använda ligger däremellan och syftar på ett system som utför en uppgift som tidigare sköttes av en människa (Wickens et al, 1997). En möjlig definition av artificiell intelligens är den som innebär att AI är ett system som agerar som en människa. (Russell & Norvig, 2003) Likheten mellan definitionerna gör att jag i fortsättningen för enkelhets skull kommer att behandla AI och automation som liktydiga, även om skillnader finns. Alla former av automation – löpande bandet är ett exempel – behöver nämligen inte innehålla AI, liksom AI kan användas till annat än att automatisera uppgifter. Free flight är en vision som förutsätter att vissa problem, som t.ex. konflikthantering, löses. De system som förs fram för att lösa problemen innehåller en mängd AI-tekniker, och syftar ofta till att automatisera uppgifter som tidigare utförts av flygledare. Free flight och de AItekniker som förutsätter konceptet är därför intimt förknippade med automation. 0|MOLJKHWHU Antalet flygledare har inte förändrats särskilt mycket de senaste 20 åren. Ändå hanterar de idag mycket större trafikmängder och kommer att behöva hantera ännu större mängder i framtiden. Ett sätt att möta detta problem är att öka antalet flygledare, men detta är en lösning som har en inneboende gräns eftersom ett alltför stort antal betyder att rutinerna för att dela upp arbetsområden blir så krångliga att de motverkar den primära uppgiften. Slutsatsen är att varje enskild flygledare måste kunna hantera mera trafik själv. Svaret kan vara automation. (Hopkins, 1996) Automation kan reducera den tid som flygledare idag lägger på att rutinmässigt inhämta och manipulera data. Kvaliteten på data kan ökas och vissa arbetsmoment göras onödiga. I bästa fall kan användarens kognitiva funktioner stödjas genom att automation används för problemlösning, beslutsfattande och planering. Här är det dock av stor vikt att användaren vet hur systemet fungerar för att en tillit ska kunna byggas upp. Införandet av automatiserade system bör därför ske inkrementellt, där systemet till en början agerar efter godkännande av användaren, sedan agerar och underrättar användaren och till sist agerar utan att underrätta användaren. (Hopkins, 1996) 3UREOHP Förespråkare för free flight har marknadsfört konceptet som en väg till kostnadsbesparingar och kapacitetsökning. Isaac och Ruitenberg (1999) menar dock att mycket liten tanke har givits åt human factors i flygledning i samband med free flight. De välkomnar verktyg för automatisering, t.ex. konflikthanteringstekniker som bygger på AI, men understryker att den bästa konflikthanteraren är flygledaren själv. Free flight i sin renaste form reducerar flygledarens roll till att endast godkänna konfliktlösningar som presenteras av systemet. Problem uppstår här då systemet ställs inför problem det inte programmerats att klara av, eller då systemet slår fel. Situationer då detta inträffat har traditionellt sett kunnat lösas av flygledare, tack vare de mentala modeller de har av luftrummet och flygtrafiken. I en automatiserad omgivning har dock flygledaren en 11 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH begränsad uppfattning om flygtrafiken eftersom systemet hanterar befintliga data och endast presenterar lösningar. Risken finns därför att flygledarens förståelse för flygtrafiken minskar. När systemfel inträffar finns därför inte, som idag, en säkerhet i form av en flygledare med en bild av situationen och hur den kan lösas. Sammanfattningsvis menar författarna att free flight är en teknikdriven dröm som inte tar hänsyn till användarens roll i systemet och som inte fungerar som den borde: ”[…] det automatiserade systemet finns för att stödja användaren, inte tvärtom”. Hopkins (1996) noterar att automation gör flygledaruppgiften mera individuell än i dagens samarbetspräglade omgivning. I ett automatiserat system reduceras övervakningsbar kommunikation, såsom tal och skrift, vilket gör det svårare att upptäcka fel och misstag inom gruppen. Felaktigt beteende kan i vissa fall kompenseras av automatiserade system, men även döljas. 'LVNXVVLRQ Det verkar stå utom tvivel att flygtrafiken behöver leta efter nya vägar för att kunna möta de krav som ställs på dess kapacitet. Det är också uppenbart att det finns AI-tekniker som skulle kunna realisera free flight. Litteraturgenomgången visar att det finns många AI-tekniker som berör de aktuella problemen. Men i litteraturen finns även en uppsjö av exempel på misslyckad automatisering av uppgifter, och trots att flera av de tekniker som jag tagit upp såg dagens ljus redan på 80talet är det få som verkar ha tagit sig längre än till vetenskapliga tidsskrifter. Detta kan tolkas på flera sätt. En tolkning är att den forskning som utförts på området många gånger verkar inrikta sig på problem som inte är helt realistiska ur ett flygtrafikperspektiv. Pga. komplexiteten i en verklig trafiksituation förenklas ofta problemen, vilket gör att forskningsresultaten – om än intressanta och upplysande – inte får någon tillämpning i verkligheten. AI-teknikerna syftar, upplever jag, ofta till att lösa ett specifikt problem inom domänen, men det är oklart hur lösningen hänger samman med resten av systemet. AI-lösningar blir därför svåra att införa. En mera trolig tolkning är denna. Att en yrkesgrupp uppvisar ett visst mått av motstånd till innovationer är förståeligt, men när upprepade försök att införa nya system misslyckas spelar antagligen andra faktorer in. Det verkar som om systemutvecklare inte tagit hänsyn till att flygledare, som oundvikligen måste vara en del även av ett framtida system, också måste passa in i systemet. Begrepp som användbarhet och human factors verkar ha uppmärksammats för länge sedan, men inte på allvar börjat studeras förrän nu. Frågan blir därför inte om de tekniska förutsättningarna (AI) för free flight finns, utan huruvida kunskapen om komplexa flygtrafiksystem med människan i centrum har nått de som ska implementera free flight. Enligt min uppfattning visar den delvis kritiska litteraturen och de återkommande misslyckandena att så inte är fallet. Jag tror därför att vi de närmaste åren fortsatt kommer att få nöja oss med små inkrementella förbättringar av existerande system, tills kunskapen inom relaterade kognitionsvetenskapliga frågor ökar. För en kognitionsvetare är detta intressant eftersom det uppenbarligen finns problem att lösa, vilket öppnar dörrar för ny forskning och nya arbetsområden. 12 )5(()/,*+7(77352%/(0)g5$, .lOOI|UWHFNQLQJ (ULN1\EHUJ:KLWH 7U\FNWDNlOORU Burdun, I.Y. & Parfentyev, O.M. (1999). ”Fuzzy situational tree-networks for intelligent flight support”. (QJLQHHULQJ$SSOLFDWLRQVRI$UWLILFLDO,QWHOOLJHQFH, Vol 12(4), s.523-541. Capri, S. & Ignaccolo, M. (2004). ”Genetic algorithms for solving the aircraft-sequencing problem: the introduction of departures into the dynamic model”-RXUQDORI$LU7UDQVSRUW 0DQDJHPHQW, Vol 10(5), s. 345-351. Durand, N., Alliot, J. & Médioni, F. (2000). ”Neural Nets Trained by Genetic Algorithms for Collision Avoidance”. $SSOLHG,QWHOOLJHQFH, Vol 13(3), s. 205-213. Endsley, M.R. (1997). ”Situation Awareness, Automation & Free Flight´3URFHHGLQJVRI )$$(XURFRQWURO$LU7UDIILF0DQDJHPHQW5'6HPLQDU, Saclay, Frankrike. Hansen, J. V. (2004). ”Genetic search methods in air traffic control”&RPSXWHUV 2SHUDWLRQV5HVHDUFK Vol 31(3), s. 445-459. Hopkins, V.D. (1996). ”Automation in Air-Traffic Control: Recent Advances and Major Issues” i Mouloua, M. & Koonce, J.M+XPDQ$XWRPDWLRQ,QWHUDFWLRQ5HVHDUFKDQG 3UDFWLFH, New Jersey: Lawrence Erlbaum Associaties. Isaac, A.R. & Ruitenberg, B. (1999). $LU7UDIILF&RQWURO+XPDQ3HUIRUPDQFH)DFWRUV. Aldershot: Ashgate. National Research Council (NRC) (2003).6HFXULQJWKH)XWXUHRI86$LU7UDQVSRUWDWLRQ$ 6\VWHPLQ3HULO. Washington: The National Academies Press. Perry, T.S. (1997). ”In search of the future of air traffic control”. ,(((6SHFWUXP, Vol 34(8), s. 18-35 Ragnarsdottir, M.D., Waage, H. & Hvannberg, E.T. (2003). ”Language technology in air traffic control”. 3URFHHGLQJVRI'LJLWDO$YLRQLFV6\VWHPV&RQIHUHQFH'$6&¶. Rong, J., Geng, S., Valasek, J. & Ioerger, T.R. (2002). ”Air Traffic Conflict Negotiation and Resolution Using an OnBoard Multi-Agent System”. 3URFHHGLQJVRI'LJLWDO$YLRQLFV6\VWHPV &RQIHUHQFH'$6& Russell, S.J. & Norvig, P. (2003). $UWLILFLDO,QWHOOLJHQFH$0RGHUQ$SSURDFK. London: Prentice Hall. Wickens, C.D., Mavor, A.S. & McGee, J.P. (Eds) (1997)OLJKWWRWKH)XWXUH+XPDQ )DFWRUVLQ$LU7UDIILF&RQWURO. Washington: National Academy Press. 13 )5(()/,*+7(77352%/(0)g5$, (ULN1\EHUJ:KLWH (OHNWURQLVNDNlOORU Encyklopedia Britannica Online, http://www.britannica.com/, hämtad 041019 Eurocontrol, http://www.eurocontrol.int/, hämtad 041022 Luftfartsverket (LFV), http://www.lfv.se/, hämtad 041021 14