人工智能赋能国家空域系统,提升空域分层治理能力

ads

人工智能赋能国家空域系统,提升空域分层治理能力

陈志杰 汤锦辉 王冲 程季锃 曹珊 邵欣

国家空域技术重点实验室

    要:

在空域资源“中央统管、管用分离”的原则下,为应对未来平台无人化、用户多元化、服务个性化的航空发展需求,空域运行将呈现分层治理的发展趋势。而随着算力、算法与数据的持续提升与积累,数据驱动的人工智能方法将持续为层次化的国家空域系统赋能。本文从超低空、城市、区域、枢纽、亚轨道等5个层次化场景梳理我国国家空域系统的发展趋势;提炼得出空域运行面临的核心难点与关键科学问题;给出数据驱动的人工智能方法求解空域运行科学问题的研究框架;基于此框架给出每个子问题的研究内容,以及应关注的关键技术;结合层次化典型应用场景,简要例举智能空域运行的具体应用案例;最后对人在空域运行中的作用提出了新的思考。

关键词:

国家空域系统; 空中交通管理; 分层治理; 人工智能; 数据驱动;

作者简介: 王冲,E-mail:airspace_chongwang@163.com;

收稿日期:2020-11-26

Artificial intelligence enables national airspace system to improve airspace hierarchical governance capability

CHEN Zhijie TANG Jinhui WANG Chong CHENG Jizeng CAO Shan SHAO Xin

National Key Laboratory of Airspace Technology

Abstract

Under the principle of "centralized management and separation of management and use" of airspace resources, in order to meet the future demand of unmanned platform, diversified users and personalized service, airspace operation will show a development trend of hierarchical governance. With the continuous improvement and accumulation of computing power, algorithms and data, the data driven artificial intelligence method will continue to empower the hierarchical national airspace system. Firstly, this paper combs the development trend of China's national airspace system from five hierarchical scenarios, such as ultra-low altitude, city, region and hub sub orbit. Secondly, the core difficulties and key scientific issues of airspace operation are extracted; secondly, the research framework of data-driven and artificial intelligence method for solving air traffic control scientific problems is given. Based on this framework, the research content of each sub problem is given. Combined with hierarchical application scenarios, this paper briefly introduces the specific application cases of artificial intelligence, and finally puts forward new thinking on the role of human in airspace operation.

Keyword

National Airspace System; Air Traffic Management; Hierarchical Governance; Artificial Intelligence; Data Driven;

Author WANG Chong, E-mail: airspace_chongwang@163.com;

Received 2020-11-26

进入新时代,我国社会转向安全、高质发展阶段,航空需求呈现服务个性化、作业无人化的发展趋势。军事航空、公共运输航空、通用航空和无人机等各类航空用户正呈现前所未有的多元化井喷式发展,未来国家空域系统发展趋势是多空域单元和多航空用户融合运行,呈现出空地一体化运行、多航空用户混合运行、多利益主体协同运行等特点,航空需求空前旺盛,提升空域资源利用率需求迫切,空域精细化管理势在必行。

分层治理作为支撑航空发展、缓解空域矛盾的有效举措,对促进城市交通、区域航空、枢纽运输、亚轨道飞行和超低空作业等空域活动具有重要意义。因此统筹考虑军事航空、无人机飞行活动的空域需求,及其与公共运输航空和通用航空之间的协同交互,根据空域“中央统管、管用分离”的原则,应用空域分层治理的方式,基于数据探索的研究范式,以深度学习、知识图谱、强化学习等人工智能方法,充分利用海量数据,借助云端算力,从空域运行大数据中发掘更多有价值的信息和知识,赋能国家空域系统,提高各类航空用户飞行效率,实现国家空域资源最大化利用。

本文从超低空、城市、区域、枢纽、亚轨道等5个层次化的场景梳理我国国家空域系统的发展趋势;提炼得出空域运行面临的核心难点与关键科学问题;给出基于数据驱动运用人工智能方法求解空域运行科学问题的研究框架;基于此框架给出每个子问题的研究内容,以及应关注的关键技术;从城市空中交通供需精确预测、大型城市群联合终端区交通流相关性分析以及、高密度超低空交通智能飞行调配等方面简要介绍了人工智能的具体应用案例,最后对人在空域运行中的作用提出了新的思考。

人工智能赋能国家空域系统,提升空域分层治理能力

1 层次化国家空域系统运行概念示意图 

Fig. 1 Hierarchical operational concept of national airspace system

1 层次化的空域运行发展趋势

未来,我国交通体系发展机遇与挑战并存,空中交通系统对于促进矛盾化解、开辟发展新格局具有独特贡献。我们认为,未来国家空域系统将呈现分层治理的趋势,从低至高依次是超低空交通、城市空中交通、区域空中交通、枢纽空中交通和亚轨道空中交通。

1.1 超低空交通

超低空空域是工农业航空作业和大众消费活动的重要空间,超低空交通包括航拍、农林植保、森林防护、电力巡线、油气管道巡查、交通监管、环境保护、反恐维稳、应急救援等领域的超低空航空活动。未来超低空交通的飞行主体主要是轻小型无人机,该类无人机应具备自主飞行、自动驾驶、智能感知,可信互联的能力,基于无人机的超低空应用将超越交通的应用范式。无人机监管系统可依托5G、北斗等高速、泛在的信息基础设施体系,构建低空无人机运行监管能力。最终将形成智能感知,安全可信、泛在互联、透明监管的超低空经济发展新形态,充分发挥超低空空域的经济价值。

1.2 城市空中交通

城市交通是城市社会经济活动的重要支撑,是智慧城市建设发展的关键所在。随着城市化进程的加快,城市陆地交通空间日趋饱和,城市交通拥堵问题日益严重,迫切需要合理利用城市空中空间,发展城市空中交通,以此来缓解城市交通压力,满足城市化发展新要求。

破解难题的一个重要突破口,是开发低空空域资源,普及城市空中交通工具,将交通空间从地面向空中延伸,建立与地面交通无缝衔接的立体空中交通网络,完善城市空中交通监管体系,提供切实可行的城市空中交通服务解决方案,提升乘客用户的飞行出行体验,最终实现城市空中交通动态灵活高效的管理。

1.3 区域空中交通

目前,京津冀、长三角、粤港澳大湾区、成渝等世界级城市群迅速崛起,区域交通面临着城市群交通一体化、城乡客运服务一体化、城乡双向流通等多重任务。通过精细化使用中低空空域资源,建立与城市群布局相匹配的多层空中交通网络,可以缓解交通用地压力、促进城乡公共服务均等化、加速新业态发展,更有效地满足绿色发展需要。

1.4 枢纽空中交通

在与城市空中交通、区域空中交通协调发展的基础上,构筑连接航空枢纽的空中交通专用通道,实现大容量、高效率区际快速交通,提升主要通道旅客运输能力和航空物流效率,使中高空空域资源使用效益最大化。

从最初为全飞行阶段提供可靠、实时、高效的数字化运行管制服务,到考虑飞行效率、可预测性、容量和环境等,建设可同步灵活调控的运行能力和基于航迹的空中交通管理系统,使其具备支持实时航迹的计算能力,并形成协同的、无缝的和以网络为中心的高性能空中交通管理系统。

1.5 亚轨道交通

亚轨道通常是指距地球表面20千米到100千米之间的区域,是传统航空空间和航天空间的接合部,是特殊空间环境区域,人类至今尚无对亚轨道真正意义上的开发使用。它具有高边疆、无国界的特点,与航空空间相比能提供更加广阔的视野、更持久的信息,与航天空间相比能提供更具有实时性的信息、更快的通信速度和更高的分辨率,因而具有广阔的开发价值,是未来航空航天发展的关键资源。通过将系统能力向上伸展,提前布局亚轨道交通,有助于建立亚轨道活动新秩序,为和平利用亚轨道、增进人类共同福祉创造更好条件。

2 空域运行的核心难点与关键科学问题

2.1 核心难点

上述五层共同构成了国家空域系统的运行主体,国家空域系统是一个开放的复杂巨系统,空域运行关注的核心问题是在此复杂巨系统中,研究人、飞行器、空域、环境、事件等要素之间的内在联系及其演化规律,发现其中蕴含的科学规律并形成知识,依据知识进行预测、调配、决策,解决不同尺度条件下空域资源时空配置面临的安全与效率矛盾。概括地,就是从时间和空间维度安全高效配置空域资源。

按照对事物的认知规律,将此核心问题解构为“态势感知-规律认知-规划决策”三个子问题。态势感知是在不同时空尺度下,实现对各空域单元内的飞行动态进行统计与预测;规律认知则是发现空域时空特征,进而分析时空特征之间彼此的关联关系与演化规律,从而得到空域运行的知识;规划调配则是根据目标,消除各类的空域使用矛盾,建立或者恢复空域的运行秩序。

目前所有类型飞行都是基于计划的飞行,在理想情况下可以保证各个层次的空域运行系统稳定运行,但是系统单点面临恶劣天气等突发事件出现延误时,由于“蝴蝶效应”导致延误呈指数传递放大,无法做出快速有效应对,系统脆弱且鲁棒性不足。调配方案无法应对复杂多变的空域系统,问题看似出在“规划决策”阶段,实则缺失对空域系统“规律认知”层面的研究,对空域系统运行规律的理解深度,决定了规划调配求解的深度。

因此,应关注发现空域系统的时空运行规律,应用时空运行规律指导“态势感知”与“规划调配”,并在态势感知与规划调配阶段不断丰富空域运行规律的知识,进而更准确指导感知与调配,形成正向研究循环。

2.2 关键科学问题

国家空域系统属于典型的开放复杂系统,如何刻画和研究空域系统的时空性质,理解其内在机制,预测未来行为,指导规划决策是研究的关键。无论是非线性动力学解析方法、仿真模拟,或是数据驱动,只是研究方法的不同,都是需要解决以下科学问题:

空域系统内在复杂时空机理的发现、理解与运用。

飞行态势就是各类飞行需求在既有空域结构下遵循当前空域运行规则的具体表现,它是时空机理与时空噪音共同作用的结果。针对空域系统这个复杂系统,其时空机理应包括空域结构、运行规则、实体关系以及以上三方面的演化规律。为此,时空机理应能够可表示、可计算、可解释、可泛化。具体地,时空机理发现主要包括关键时空特征的高效识别与表示、时空特征间复杂关联关系的发现、复杂关联关系动态演化的规律研究,在此基础上发现关键时空模式,分析各类空域使用需求与空域结构之间存在的相互关系;时空机理理解需要对发现的结构、关系和演化规律需要从空域运行角度进行语义层面的解释;时空机理运用是在发现和理解基础上应用形成的时空知识进行预测、规划和决策。

3 空域运行智能化的研究框架

注意到空管系统沉淀了飞行航迹、飞行计划、气象、航行情报等海量、多源、异构的空管数据,这些空管数据种类繁多,数据量大,规则复杂,具有明显的时空特征。我们将空域运行的关键科学问题结构为“态势感知-规律认知-规划决策”三个子问题,运用数据驱动的方法分析挖掘空管数据,力图精确感知并预测空域态势,揭示空域特征的时空状态分布、关联关系以及演变趋势等规律,基于挖掘得到的知识快速生成优化调配方案,从而解决安全高效配置空域资源这个核心难点。

3.1 态势感知

随着航空用户多元化协同发展,以及数据采集手段日益丰富,大体量、多维度、高时效的空管数据急剧增加,如何基于时空数据感知态势,是空域运行智能化的一个重要研究方向。借助卷积神经网络、递归神经网络、迁移学习等机器学习技术从海量历史数据中发现空域运行趋势[1,2],实现不同时空尺度的空域态势预测,为决策部门提供精确态势依据,其核心应用可涵盖城市空中交通OD预测、枢纽空中交通飞行流量预测等方面[3]

3.2 规律认知

运用复杂网络和网络动力学、模式识别及数据挖掘等技术,针对积累的空管历史数据,从宏观、微观等不同视角,提取空域运行的时空特征,发现时空特征之间的关联关系,挖掘特征、关联关系的时空演化趋势,进而揭示空域运行规律,基于以上分析得出的时空知识,开展航空交通网络结构分析[4]、空域运行特征识别[5]、航空交通流复杂性分析等研究[6],并为规划决策提供参考。

3.3 规划决策

基于空域运行的时空特征、关联关系以及演化趋势等规律,采用群体智能、强化学习、演化算法等方法对具体规划决策问题进行求解[7,8],替代传统决策中的主观经验认知,为空域运行中的飞行调配、进离场排序、冲突解脱等提供快速、精确的决策建议,辅助空管部门制定科学的管理手段[9,10,11]

综上所述,遵循“感知-认知-决策”的一般规律,国内外空中交通学术界越来越多的采用智能化方法对空域运行涉及的诸多问题进行研究。随着数据不断积累,关注的重点逐渐由静态仿真研究,转向基于真实运行数据,运用人工智能方法发现与空域运行规律。

4 空域运行智能化的关键技术

基于数据驱动的人工智能方法精确感知预测空域态势、认知空域运行时空规律、实时计算求解调配方案,应对未来日益复杂多元、动态灵活的空域使用需求的问题,属于应用“第四范式”-即数据探索型科研发现范式[12]指导空中交通研究。与其他三种范式不同的是(见表1),时空数据驱动的空域感知、认知与决策就是基于空域运行数据,运用数据挖掘、机器学习等人工智能方法溯源时空过程与机理,发现复杂的空域运行系统隐含的模式、知识和规律。在研究过程中需要关注以下2方面的关键技术问题。

1 4类研究范式对比表 导出到EXCEL

Table 1 Comparison of four research paradigms

名  称 范式特点 特征描述 典型用例 空管应用
第一范式 实验归纳 以记录和描述自然现象为特征 勾三股四弦五

钻木取火

人工飞行调配
第二范式模型计算简化实验模型,通过演算归纳总结牛顿三定律

麦克斯韦方程

基于复杂网络空中交通分析
第三范式仿真模拟通过计算机对科学实验进行仿真模拟模拟核试验

天气预报

空域容量

仿真评估

第四范式数据探索更加关注数据之间的强相关关系啤酒尿布

AlphaZero

飞行流模式相关性探索

4.1 空域运行时空大数据表示与建模

航迹、计划、气象等空管时空数据,具有海量、多源、异构、多尺度、非结构化等特征,并且都是对空域内飞行器某一个或几个维度的映射。如何针对空域感知、认知与决策等具体问题,高效组织空管数据,选择合理的时空大数据表示方法,解决建模中面临的稀疏、高维、不确定问题,准确量化描述实体间的复杂关联关系,准确反映关联关系的时空演化规律,是需要首先解决的关键科学问题。对时空数据的表示与建模方法决定了分析与计算的方向。

4.2 空域运行时空大数据分析与计算

结合构造的模型,针对空域运行面临的感知、认知和决策问题,探索以时空大数据为基础的统计分析、机器学习与数据挖掘理论,构造一种数据驱动的空中交通时空认知分析学习框架,一方面能够准确发现空域系统中蕴含的时空模式、关联关系与动力学特征,指导决策分析;另一方面能够在分析挖掘的过程中充分利用海量时空数据不断补充完善时空认知模型,提升模型的泛化能力。指导如何从海量、多维、异构的空管时空数据中获得知识,支撑决策。

5 智能空域运行应用案例

结合超低空交通、城市空中交通和枢纽空中交通的层次化空域运行场景,我们分别从飞行态势感知预测、空域运行规律认知、飞行调配决策三个不同方面,简要介绍人工智能赋能空域运行的具体应用案例。

5.1 基于卷积神经网络的城市空中交通态势预测

如1.2节所述,城市空中交通与地面交通类似,主要解决城市环境下安全高效运送人员和货物的问题。精确感知预测出行需求,是城市空中交通精准化运行的前提和基础,不同于航空交通运输,城市空中交通按需出行将更加分散与随机,影响出行的因素也更加复杂,例如恶劣天气、突发事件等,传统依靠飞行计划进行预测的方法并不适用,需要针对城市空中交通出行场景,探索新的出行需求预测方法[13]

注意到卷积神经网络在捕获大量、复杂的隐含空间特征方面的优势,构建基于卷积神经网络的飞行态势预测架构[14],如图2所示,基于历史城市空中交通航迹数据构建热力快照图像集合,选择不同时刻的快照获取临近性、周期性和趋势性的时间上特征,作为卷积输入,通过特征提取的方式获得天气、突发事件等外部特征,之后将时间、空间、外部特征进行融合,对模型进行训练。基于此,根据当前的飞行态势、气象等情况实现对未来一段时间内的城市空中交通出行需求进行预测。

人工智能赋能国家空域系统,提升空域分层治理能力

2 基于卷积神经网络的城市空中交通态势预测示意图

Fig. 2 Urban air traffic situation prediction based on convolution neural network

5.2 航迹数据驱动的枢纽空中交通飞行流相关性分析

终端区空域是枢纽空中交通的重要组成部分,是空域拥堵、事故易发、导致航班延误的空中交通管制区域,是整个空中交通网络的潜在瓶颈[15]

终端区空域运行过程中积累了海量、多维、异构的数据。研究人员已经意识到,如何快速定量的从空管数据中挖掘有用的特征和发现过程性知识,已经成为认知空域规律的核心关键问题。飞行流模式之间的相关性是认知终端区运行的重要特征[16],如图3所示,针对原始航迹数据,进行航迹剪裁与清洗、空间聚类、航迹分类、飞行流序列生成,得到终端区内的飞行流模式,通过构建时空异步相关函数,对飞行流模式之间的相关性进行量化计算,发现终端区内进离场飞行流模式之间潜在的正向或负向关联关系,以及关联关系随时间的变化趋势,作为后续飞行调配的重要参考。

人工智能赋能国家空域系统,提升空域分层治理能力

3 基于航迹数据的终端区飞行流模式相关性分析示意图

Fig. 3 Correlationship analysis of flight flow patterns in terminal area based on trajectory data

5.3 面向高密度超低空交通的智能协同飞行调配

随着无人机技术不断成熟和领域应用持续拓展,基于无人机的超低空交通运行在未来将呈现高密度的趋势[17]。在超低空空域动态精细化管理的基础上,以飞行调配为主的超低空交通运行管理将解决各无人机在飞行过程中存在的冲突,对各类无人机飞行的航线、空域、高度、次序和时间,进行科学的调整和安排,在保证飞行安全的前提下,提高超低空空域的时空利用率。

基于超低空交通“网+云+边”的体系架构,构建运管平台与无人机2级智能体,应用多智能体强化学习的方法求解调配方案[18,19]。多智能体协同框架下的强化学习是一种“有限集中-分布协同-自主决策”的智能决策方法[20,21],无人机感知周围状态信息,依托空地一体、泛在高速网络,回传状态信息,监管平台依托云端算力根据汇总的状态信息,求解得出当前最优调配方案,分发至各无人机执行,形成调配闭环,不断迭代优化。选择策略梯度上升算法计算飞行调配近似最优解,通过层次化关系降低各级智能体的状态空间复杂度,保证调配方案的计算效率。

6 总结与展望

本文从超低空、城市、区域、枢纽、亚轨道5个层次化场景梳理了我国国家空域系统的发展趋势,进而提炼得出空域运行面临的核心难点与关键科学问题,并给出了数据驱动的人工智能方

人工智能赋能国家空域系统,提升空域分层治理能力

4 基于多智能体强化学习的超低空智能飞行调配示意图

Fig. 4 Ultra low altitude Intelligent Flight deployment based on multi agent reinforcement learning

法求解空域运行科学问题的研究框架;基于此框架给出每个子问题的研究内容,以及应关注的关键技术;针对层次化的三个典型应用场景,给出了空域运行化的具体技术实现路径。

在可预见的未来,人工智能技术的快速发展将持续为空域运行系统带来挑战与机遇,一方面飞行平台的智能化、无人化、自主化和自组织化趋势明显,智能无人飞行器将渗透到各类飞行活动中,使得空域运行系统的处理规模和难度急剧上升;另一方面,需要以空管系统智能化为抓手,围绕海量、多维、异构的空管时空数据,从复杂空域态势感知预测、空域运行规律多维度认知和高效大规模规划调配决策等方面发挥人工智能的优势。基于以上分析,我们认为传统“人在回路”的空域运行理念将发生根本变化,系统的智能化程度将越来越高,最终空域运行将呈现安全高效的“无人管理”。

参考文献

[1] SAMET A, PABLO C, HANAN S. Predicting estimated time of arrival for commercial flights[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. London: ACM, 2018:19–23.

[2] 林友芳,康友隐,万怀宇,等.基于深度时空卷积网络的民航需求预测[J].北京交通大学学报,2018,42(2):1-8.

[3] MUKHERJEE A, HANSEN M.A. Dynamic rerouting model for air traffic flow management[J].Transportation Research Part B(Methodological),2009,43(1):159–171.

[4] 杜文博.面向航空交通系统的复杂网络与网络动力学研究[D].合肥:中国科学技术大学,2010.

[5] 袁立罡.终端区动态交通特征与运行态势研究[D].南京:南京航空航天大学,2016.

[6] MAYARA CONDÉ ROCHA MURÇA, R JOHN HANSMAN, LISHUAI LI, and PAN REN. 2018. Flight trajectory data analytics for characterization of air traffic flows: A comparative analysis of terminal area operations between New York, Hong Kong and Sao Paulo[J]. Transportation Research Part C: Emerging Technologies 97 (2018), 324–347.

[7] 叶博嘉.基于多Agent的空中交通协同流量管理研究[D].南京:南京航空航天大学,2013.

[8] JARVIS, PETER A. Wolfe, Shawn R. Sierhuis, Maarten. Nado, Robert A. Enomoto, Francis Y. Agent-based modeling and simulation of collaborative air traffic flow management using brahms[J]. SAE International Journal of Aerospace, 2010, 3(1):39–45.

[9] XU X H , YAO Y. Application of genetic algorithm to aircraft sequencing in terminal area[J]. Journal of Traffic and Transportation Engineering, 2004,4(3):121–126.

[10] ROBOLLO J, BRINTON C. BROWNIAN. Motion delay model for the integration of multiple traffic management initiatives[C]//Proceedings of the 11th USA/Europe Air Traffic Management Research and Development Seminar, ATM 2015. Lisbon: Eurocontrol, 2015, 5–15.

[11] CRUCIOL L L B V, LI WEIGANG. Air holding problem solving by reinforcement learning to reduce the congestion in airspace sectors[C]//Proceedings of the 2012 International Conference on Artificial Intelligence, ICAI 2012. Toronto: AAAI,2012:272–278.

[12] 李国杰. 大数据研究的科学价值[J]. 计算机学会通讯, 2012, 8(9): 8–15.

[13]李诚龙,屈文秋,李彦冬,黄龙杨,卫鹏.面向eVTOL航空器的城市空中运输交通管理综述[J].交通运输工程学报,2020,20(4):35-54.

[14] ZHANG J, ZHENG Y, QI D, et al. Predicting citywide crowd flows using deep spatio-temporal residual networks[J]. Artificial Intelligence, 2018, 259: 147-166.

[15] 张洪海,廖志华,张启钱,等.终端区空域结构调整对进场交通流的影响[J].交通运输工程学报,2016,16(2):100-108.

[16] 韦伟. 基于实测数据的道路交通状态特征及拥堵传播规律分析方法[D]. 北京交通大学, 2017.

[17] 全权, 李刚, 柏艺琴等.低空无人机交通管理概览与建议[J].航空学报, 2020, 41(1): 23238-023238.

[18] 汤锦辉,王冲,程晓航, 董志强, 邵欣.基于多智能体的空中交通管理智能技术[J].指挥信息系统与技术,2016,7(6):17-23.

[19] BRITTAIN M, WEI P. Autonomous air traffic controller: A deep multi-agent reinforcement learning approach[J]. arXiv Preprint arXiv:1905.01303, 2019.

[20]孙长银, 穆朝絮.多智能体深度强化学习的若干关键科学问题[J].自动化学报, 2020, 46(7):1301-1312.

[21]杜威,丁世飞.多智能体强化学习综述[J].计算机科学,2019,46(8):1-8.

本站部分资源来自网络,如有侵权请联系删除!点击联系

发表评论

登录后才能评论