Machine learning methods for planning conflict-free trajectories
| dc.contributor.advisor | Vouros, George | |
| dc.contributor.advisor | Βούρος, Γεώργιος | |
| dc.contributor.author | Bastas, Alevizos | |
| dc.contributor.author | Μπάστας, Αλεβίζος | |
| dc.date.accessioned | 2024-07-03T09:30:23Z | |
| dc.date.available | 2024-07-03T09:30:23Z | |
| dc.date.issued | 2024 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16578 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4000 | |
| dc.description.abstract | Οι ασφαλείς και αποτελεσματικές μεταφορές, όσον αφορά το κόστος, το χρόνο και την απόσταση που καλύπτεται, στον τομέα των αερομεταφορών παρέχονται μέσω του συστήματος διαχείρισης εναέριας κυκλοφορίας, το οποίο περιλαμβάνει όλες τις εναέριες και επίγειες λειτουργίες που απαιτούνται για την εξασφάλιση ασφαλούς και αποτελεσματικής ροής της κυκλοφορίας. Κάθε χρόνο ο όγκος της εναέριας κυκλοφορίας αυξάνεται και ωθεί το σύστημα διαχείρισης εναέριας κυκλοφορίας στα όριά του, απαιτώντας από αυτό να διαχειρίζεται μεγαλύτερη πολυπλοκότητα και πιο πυκνή κυκλοφορία. Διάφορες πρωτοβουλίες παγκοσμίως, όπως η NextGen στις ΗΠΑ και η SESAR στην Ευρώπη, έχουν διερευνήσει την εφαρμογή αυτοματοποίησης για τη βελτίωση της αποτελεσματικότητας και της σχέσης κόστους-αποτελεσματικότητας του συστήματος διαχείρισης της εναέριας κυκλοφορίας. Για την επίτευξη αυτού του στόχου εξετάζονται μέθοδοι τεχνητής νοημοσύνης και μηχανικής μάθησης για την ακριβή πρόβλεψη τροχιών πτήσεων και την αντιμετώπιση ζητημάτων πολυπλοκότητας εξασφαλίζοντας ταυτόχρονα την ασφάλεια των πτήσεων. Κατά τη διάρκεια των εναέριων επιχειρήσεων η ασφάλεια μεταξύ των αεροσκαφών παρέχεται από την υπηρεσία ελέγχου εναέριας κυκλοφορίας. Σύμφωνα με το διεθνή οργανισμός πολιτικής αεροπορίας, παράρτημα 11, ο έλεγχος εναέριας κυκλοφορίας είναι “υπηρεσία που παρέχεται με σκοπό: α) την πρόληψη συγκρούσεων: 1) μεταξύ αεροσκαφών και 2) στον τερματικό χώρο ελιγμών μεταξύ αεροσκαφών και εμποδίων και β) την επιτάχυνση και διατήρηση ομαλής ροής της εναέριας κυκλοφορίας”. Αυτό περιλαμβάνει την επιβολή ορισμένων ορίων ελάχιστης απόστασης μεταξύ αεροσκαφών, τον εντοπισμό συγκρούσεων που παραβιάζουν τα όρια ελάχιστης απόστασης μεταξύ των πτήσεων και την επίλυσή τους με κατάλληλες ενέργειες. Η παροχή ασφαλών υπηρεσιών ελέγχου εναέριας κυκλοφορίας καθορίζει τον όγκο της κυκλοφορίας, ο οποίος δεν πρέπει να υπερβαίνει τη χωρητικότητα του εναέριου χώρου. Ωστόσο, ο εναέριος χώρος θα πρέπει να αξιοποιείται στο μέγιστο, λόγω της αυξημένης ζήτησης και της ανάγκης για βέλτιστη αξιοποίηση των πόρων, χωρίς όμως να διακυβεύεται η αποτελεσματικότητα και η ασφάλεια των πτήσεων. Αυτός ο συμβιβασμός εισάγει προκλήσεις στον κλάδο των αερομεταφορών, όπου η τεχνητή νοημοσύνη/μηχανική μάθηση μπορούν να δώσουν λύσεις. Ο στόχος αυτής της διδακτορικής μελέτης είναι να διερευνήσει και να παρουσιάσει μεθόδους αιχμής τεχνητης νοημοσύνης/μηχανικής μάθησης με στόχο την πρόβλεψη τροχιών ελευθέρων συγκρούσεων με υπολογιστικά αποδοτικούς τρόπους, ακολουθώντας μια μεθοδολογία που συνδυάζει προσεγγίσεις που βασίζονται σε δεδομένα και προσεγγίσεις που βασίζονται σε πράκτορες. Στο πλαίσιο αυτής της μελέτης, η πρόβλεψη τροχιών ελευθέρων συγκρούσεων περιλαμβάνει την πρόβλεψη τροχιών και την ανίχνευση και επίλυση συγκρούσεων. Ενώ η πρόβλεψη τροχιάς αφορά την πρόβλεψη της χωροχρονικής εξέλιξης της κατάστασης του αεροσκάφους κατά μήκος μιας τροχιάς, η ανίχνευση και η επίλυση συγκρούσεων αφορά την ανίχνευση συγκρούσεων που παραβιάζουν τα όρια ελάχιστης απόστασης μεταξύ πτήσεων και την επίλυσή τους με κατάλληλες ενέργειες. Επομένως, ο στόχος της πρόβλεψης τροχιών ελευθέρων συγκρούσεων είναι η πρόβλεψη της εξέλιξης των τροχιών, μεταβάλλοντας τις πτήσεις ώστε να αποφεύγεται η παραβίαση των ορίων ελάχιστης απόστασης μεταξύ τους. Ενώ ο σχεδιασμός τροχιάς μπορεί να πραγματοποιείται στην προ-τακτική φάση των πτήσεων (πριν την απογείωση), οι μέθοδοι που αναπτύχθηκαν στην παρούσα μελέτη αναμένεται να έχουν μεγάλο αντίκτυπο στην τακτική φάση των πτήσεων (κατά την εναέρα φάση της πτήσης). Με στόχο τη μοντελοποίηση των αποφάσεων των εμπλεκόμενων μερών (χρήστες του εναέριου χώρου, ελεγκτές εναέριας κυκλοφορίας, κλπ.) για την πρόβλεψη τροχιών ελευθέρων συγκρούσεων, η κύρια έμφαση της παρούσας μελέτης είναι η μίμηση των τροχιών πτήσεων και της συμπεριφοράς των ελεγκτών εναέριας κυκλοφορίας σύμφωνα με επιδείξεις που παρέχονται σε ιστορικά δεδομένα. | el |
| dc.format.extent | 141 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Machine learning methods for planning conflict-free trajectories | el |
| dc.type | Doctoral Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Safe and efficient transportation, in terms of cost, time and distance covered, in the aviation domain is provided through the Air Traffic Management (ATM) system, which includes all airborne and ground-based operations required to ensure safe and efficient traffic flow. Every year the volume of air traffic increases pushing the ATM system to its limits, requiring it to handle greater complexity and density of traffic. Different initiatives worldwide, such as NextGen in the US and SESAR in Europe, have been investigating the implementation of automation to enhance the efficiency and cost-effectiveness of the Αir Τraffic Μanagement (ATM) system. Towards this goal Artificial Intelligence and Machine Learning (AI/ML) methods are considered for providing accurate predictions of flight trajectories and addressing complexity issues while ensuring safety. During airborne operations safety between aircraft is provided by the Air Traffic Control (ATC) service. According to International Civil Aviation Organisation (ICAO) Annex 11, ATC is “a service provided for the purpose of: (a) preventing collisions: (1) between aircraft, and (2) on the maneuvering area between aircraft and obstructions; and (b) expediting and maintaining an orderly flow of air traffic”. This includes imposing certain separation minima between aircraft, detecting conflicts that breach separation minima (loss of separation) between flights and their resolution by appropriate actions. The provision of safe ATC services determines traffic volume, which must not exceed the airspace’s capacities declared. However, capacities should be utilized to the maximum extent due to increased demand and the need for the optimal utilization of resources, without compromising the efficiency and safety of flights. This trade-off introduces challenging issues in the aviation industry, where AI/ML can provide solutions. The objective of this Ph.D. study is to explore and present state of the art AI/ML algorithms towards planning conflicts-free trajectories in computationally efficient ways, following a methodology combining data-driven and agent-based approaches. In the context of this study the conflicts-free trajectory planning task is defined to incorporate trajectory prediction and conflicts detection and resolution. While trajectory prediction concerns predicting the spatiotemporal evolution of the aircraft state along a trajectory (also called, trajectory evolution), conflicts detection and resolution concerns the detection of conflicts that breach separation minima (loss of separation) between flights and their resolution by appropriate actions. Therefore, the objective of the conflicts-free trajectory planning task is to predict the evolution of trajectories, regulating flights to avoid loss of separation. While trajectory planning may take place at the pre-tactical phase of operations, methods developed in this study are expected to have a large impact in the tactical phase of operations. Aiming to model stakeholders’ decisions to planning conflicts-free trajectories, the major emphasis of this study is to imitate flights’ trajectories and air traffic controller’s behavior according to demonstrations provided by historical data. | el |
| dc.subject.keyword | Human-centric artificial intelligence | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Imitation learning | el |
| dc.subject.keyword | Supervised learning | el |
| dc.subject.keyword | Air traffic management | el |
| dc.subject.keyword | Air traffic control | el |
| dc.subject.keyword | Trajectory prediction | el |
| dc.date.defense | 2024-05-31 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα