Machine learning methods for planning conflict-free trajectories

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.