II - Lepsze zarządzanie podejściem końcowym dzięki sztucznej inteligencji
Badania tego typu nie byłyby możliwe do przeprowadzenia nawet pięć lat temu; obecnie posiadamy zarówno dane, jak i narzędzia.
Jose-Manuel Risquez, koordynator projektu ORCI
Służby zarządzania ruchem lotniczym pracują w jednym z najbardziej stresujących środowisk w sektorze lotnictwa, a faza podejścia i lądowania to momenty, w których zarówno obciążenie, jak i złożoność obowiązków są największe. Celem projektu ORCI(odnośnik otworzy się w nowym oknie), wspieranego przez Wspólne Przedsięwzięcie SESAR(odnośnik otworzy się w nowym oknie), jest opracowanie zaawansowanych narzędzi wspierających automatyzację w obszarze zarządzania terminalem (ang. Terminal Management Area, TMA). Mają one dostarczać kontrolerom odpowiedzialnym za strefę końcowego podejścia informacji o tym, kiedy wydać instrukcje wektorowania, tak by zapewnić optymalne odstępy między kolejnymi przylotami w złożonych operacjach TMA w warunkach dużego zatłoczenia. „Chcieliśmy pomóc kontrolerom ruchu lotniczego w zarządzaniu odstępami między poszczególnymi lądowaniami samolotów, co jest procedurą wymagającą pod względem intelektualnym i bardzo dynamiczną, oferując im ulepszone narzędzia umożliwiające poprawę wydajności operacyjnej, przepustowości i efektywności środowiskowej”, mówi Jose-Manuel Risquez, starszy ekspert ds. ATM-IA w firmie INECO(odnośnik otworzy się w nowym oknie). W projekcie uczestniczą partnerzy z Francji (ISA Software)(odnośnik otworzy się w nowym oknie), Hiszpanii (INECO, ENAIRE)(odnośnik otworzy się w nowym oknie) i Portugalii (NAV-PT)(odnośnik otworzy się w nowym oknie), którzy mogą się poszczycić wiedzą i doświadczeniem w dziedzinie zarządzania ruchem lotniczym (ATM), sztucznej inteligencji (AI) i technologii lotniczej. Zespół projektu czerpie również z najnowszych osiągnięć na polu AI i uczenia maszynowego, a także wykorzystuje duże zbiory danych o ruchu lotniczym do opracowywania praktycznych rozwiązań. „Badania tego typu nie byłyby możliwe do przeprowadzenia nawet pięć lat temu”, wyjaśnia Risquez. „Obecnie posiadamy zarówno dane, jak i narzędzia do trenowania modeli, które mogą następnie w znaczący sposób realnie pomagać ludzkim operatorom”.
Od prototypu do rzeczywistych zastosowań
Do tej pory zespół opracował i przeszkolił prototypowe modele dla dwóch portów lotniczych, w Lizbonie i Barcelonie, które zostały wybrane ze względu na zróżnicowane układy stref podejścia: system łączenia strumienia statków powietrznych (ang. point merge system) w Lizbonie i układ „na puzon” (ang. trombone layout) w Barcelonie. Przetestowanie dwóch bardzo różnych konfiguracji pozwoli zespołowi projektu ORCI udowodnienie, że opracowane rozwiązanie można dostosować do szeregu środowisk i układów operacyjnych. Wstępnie uzyskane wyniki wyglądają obiecująco. Średni margines błędu modelu w przewidywaniu odległości separacji wynosi około 0,4 mili morskiej (0,741 km), co jest wartością uznawaną za przydatną operacyjnie. „Kontrolerzy powiedzieli nam, że stanowi to dobry punkt wyjścia”, zauważa Risquez. Obecnie trwają prace nad symulacjami i fazą walidacji. Zanim rozpoczną się dalsze testy z udziałem kontrolerów ruchu lotniczego, które odbędą się jeszcze w tym roku, zespół projektu zamierza połączyć model AI z platformą do symulacji. Ich opinie okażą się kluczowe. „Naszym celem jest sprawdzenie, czy to narzędzie zmniejsza obciążenie intelektualne i czy pomaga kontrolerom podejmować szybsze i bezpieczniejsze decyzje pod presją”, dodaje. Jak podkreśla Risquez, sukces będzie oznaczał coś więcej, niż tylko wykazanie, że algorytm działa. Temu narzędziu muszą zaufać kontrolerzy, więc powinno być ono użyteczne, czyli poprawiać dokładność odstępów między lądowaniami, zmniejszać potrzebę komunikacji radiowej i zwiększać bezpieczeństwo. „Jeśli kontrolerzy uznają, że narzędzie jest pomocne, a symulacja potwierdzi to w postaci twardych danych, będziemy wiedzieć, że stworzyliśmy coś, co ma znaczenie”, podsumowuje Risquez.