Hoppa till huvudinnehåll
RISE logo
radarskärm

Advanced Auto Planner 2

Automation anses vara en av de viktigaste hörnstenarna för transportsektorn, det prioriteras högt av LFV och det europeiska forskningsprogrammet SESAR. Det är en viktig investering för framtida flygtrafikledningssystem och kommer bidra till att öka effektiviteten och kapaciteten i det svenska luftrummet genom digitalisering och ny teknik.

Bakgrund

Projektet bygger vidare på Advanced Auto Planner i vilket det utvecklades en första AI (Artificiell Intelligens) modell och proof-of-concept som löser konflikter och ger flygledningsinstruktioner för en En-route sektor i svenskt luftrum.

Nya frågeställningar och utmaningar

Detta system var orienterat mot att bibehålla separation med hjälp av justeringar av fart, höjd och/eller kurs för att sedan återlämna kontroll till pilot för navigering ut ur ansvarsområdet. Det finns dock ytterligare faktorer som behöver hanteras av automatiserad konfliktlösning baserat på AI. I AAP 2 ämnar vi arbeta med flera av dessa faktorer och även med kommunikation av AI:ns förslag till flygledaren, utvärderingar med flygledare samt adressera relaterade aspekter kring AI-infrastrukturen. De generella forskningsfrågorna är följande:

  • Hur kan ett AI-stöd för flygtrafikledning utformas så att det kan identifiera och lösa enskilda konflikter så effektivt som möjligt inom en sektor och samtidigt ha minimal påverkan på övrig trafik?
  • Hur påverkar införandet av det tänkta AI-stödet flygledarnas arbetsprocesser?
  • Hur bör AI-infrastruktur (mjukvara/backend) utformas för att stödja realtidprocesser och AI-algoritmer som kopplas till en simulator för utvärdering och AI-träning.

Mer specifikt, i AAP 2 introducerar vi högre grad av autonomi med algoritmer som tittar på och löser framtida konflikter – som kan presenteras för flygledaren som en kontrollfunktion/rådgivande funktion (lookahead). Demonstratorn – som blir ett viktigt resultat från projektet - ska garantera säkerhet och skapa förklaringar på sina resonemang genom en så kallad hybridlösning, där ett regelbaserat system från bland annat Advanced Auto Planner och metoder/algoritmer inom Machine Learning (ML) kombineras.

Människa, maskin och metod

Inverkan på flygledarens arbetssituation och prestanda kommer att analyseras genom att de tänkta arbetsprocesserna för både flygledaren och AI:n kartläggs samt hur processer och människa samverkar och påverkar varandra. Kartläggningen sker parallellt med att konceptet tas fram och kommer att ge input till designen av prototypen. Det tänkta arbetssättet kommer att utvärderas mot det verkliga under experiment med prototypen. 

Tekniskt angreppssätt

Algoritmer och AI-systemet integreras tätt med simulatorn Narsim på Sturup, vilken även blir en viktig del i träning av ML-algoritmer och vid utvärderingar med flygledare. Därmed skapas en unik AI-assisterad och flexibel flygledningssimulator där fullskalig validering kan utföras och som kan komma att bli en mycket viktig resurs i kommande forskningsprogram nationellt och internationellt.

Modulerna som användes i Advanced Auto Planner var proprietära. För att möjliggöra fortsatt utveckling kommer de att ersättas av nya moduler med motsvarande funktionalitet under open source-licensiering.
Lösningen kommer även att vidareutvecklas för att kunna vara rådgivande till en flygledare. I nuläget föreslår modellen instruktioner som är möjliga att implementera när konflikter upptäcks. Avsikten är att utveckla den så att den kan söka efter och föreslå instruktioner som kan implementeras en viss tid in i framtiden. Den ska på så sätt lägga upp en plan och presentera den i ett användargränssnitt för flygledaren.

Projektet kommer iterativt öka komplexiteten i automationen för att förbättra och utveckla de möjliga konfliktlösningarna och förbättra automationens förmåga att hantera ett mer realistiskt scenario, exempelvis genom att introducera olika vindförhållanden och sjunkande/stigande trafik i den AI-assisterade simulatorn.
Vad gäller mognadsgraden så bedömer vi att vi i nuläget befinner oss på TRL3 nivå, vi har en ambition att under projektets gång åtminstone delvis uppnå TRL4 nivå.

Värde för transportsektorn och nästa steg

Kunskap och effektiva automationslösningar för flygtrafikledning är av yttersta vikt då det gäller att effektivisera våra svenska flygtransporter och för att vara en attraktiv partner inom EUs kommande forskningsprogram kring en gemensam flygtransportinfrastruktur baserad på AI. I EASA:s forskningsprogram för AI-stödd flygtrafikledning specificeras, exempelvis, ett antal forskningsbehov gällande robusta prediktiva algoritmer för konfliktlösning, sekvensering, AI:s kommunikation med operatör och frågeställningar gällande dataflöde- och AI-infrastruktur, i linje med TrV:s mer generella forskningsplan.
Projektet sätter samman unik expertis inom området flygtrafikledning, AI, automation, IT-infrastruktur för transportsystemet och human performance (HP); Luftfartsverket (LFV), RISE och Linköpings Universitet (LiU).

Sammanfattning

Projektnamn

Advanced Auto Planner 2

Status

Pågående

RISE roll i projektet

Deltagare, AI kompetens och Human factors

Projektstart

Varaktighet

17 månader

Projektmedlemmar

Bidrar till FN:s hållbarhetsmål

8.Anständiga arbetsvillkor och ekonomisk tillväxt
11.Hållbara städer och samhällen
Robin Hughes

Kontaktperson

Robin Hughes

Avdelningschef

Läs mer om Robin

Kontakta Robin
CAPTCHA This question is for testing whether or not you are a human visitor and to prevent automated spam submissions.

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.