Download Document 8561757

/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