用于空中管理的训练和/或辅助平台、相关方法与流程

本发明涉及电子空中交通管制系统的领域，通常是电子空中交通管理(atm)系统。这样的系统提供以下两者之间的接口连接：一方面是例如负责给定的地理扇区(sector)的空中交通管制员，另一方面是位于该地理扇区内的飞行器或者其他空中交通管制员，特别是负责邻近地理扇区的空中交通管制员。

背景技术：

从外部系统接收数据(天气数据、飞行器飞行计划、雷达检测、来自邻近扇区的空中交通管制员的消息等)的这样的系统，对数据进行处理，选择性地将其进行组合等，接着经由mmi(人机接口)检索该数据或者由空中交通管制员的处理操作而产生的信息。空中交通管制员基于该数据和信息来确定指令(用于飞行器的命令，包括信息、数据的用于邻近管制员的消息，执行系统的附加功能的指令等)并且经由mmi将这些指令进行输入。系统接着处理这些命令。

目前，没有提供任何解决方案使得空中交通管制员能够受益于空中交通管制领域随时间获取的经验，无论是在训练的情况下还是在操作的空中交通管制期间。

例如，空中交通管制员训练是通过具有一定数量的缺点的测试程序来完成的：它们提供非常有限数量的情景，这些情景不易升级，因此难以表现出空中交通管制系统的变化。

技术实现要素：

为此，根据第一方面，本发明提出了一种通过空中交通管理电子系统的用于空中管理的训练和/或辅助平台，所述训练平台包括：

-所述空中交通管理电子系统，其用于获取至少表示空中交通状态的输入数据，向操作所述系统的空中交通管制员传递与空中交通有关并且根据至少所述获取的输入数据所建立的信息，从空中交通管制员接收根据所述传递的信息的指令并处理所述指令；

-用于基于至少表示空中交通状态的输入数据自动地确定指令的块；

-电子处理模块，其用于收集由电子空中交通管制系统所获取的所述输入数据，将其提供给自动确定块，至少收集基于所述提供的输入数据而自动确定的指令并且命令将所述指令传递给操作所述系统的空中交通管制员；

并且所述块包括从基于要素集合的第一历史的要素集合由计算机执行的学习中所得到的神经网络，每个要素集合与相应的空中情况相关联，所述相应的空中情况与历史中的多个相应时刻中的一个相应时刻对应，并且每个要素集合至少包括由电子空中交通管制系统在该相应时刻所获取的输入数据以及由所述系统在基于所述输入数据所建立的信息的传递之后接收的所接收的空中交通管制指令。

因此，本发明使得能够利用真实情况及其动态的多样性，为空中交通管理提供可靠的训练和/或辅助平台。

在实施例中，根据本发明的空中交通管理的训练和/或辅助平台还包括以下特征中的一个或多个：

-该平台包括用于存储要素集合的第二历史的存储器，以及处理模块，该处理模块用于从所述数据库中提取输入数据，以便至少基于所提取的输入数据来确定训练输入数据，并且用于将所述训练数据提供给空中交通管理电子系统和自动确定块；所述空中交通管理电子系统用于传递基于所述训练输入数据所建立的空中交通相关的信息，以便从在平台上进行训练的空中交通管制员接收基于所述传递的信息的至少一个空中交通管理指令并将其提供给处理模块；所述处理模块用于将所述接收的指令与所收集的自动确定的指令进行比较，并且用于基于所述比较确定消息，所述平台用于显示消息；

-处理模块用于基于由算法模型自动确定的指令来确定旨在通过朝向所述指令的训练对于空中交通管理员进行引导的消息，该平台用于显示所述消息；

-处理模块用于接收指示训练主题的信息并且用于基于所述信息提取输入数据。

根据第二方面，本发明提供了一种通过空中交通管理电子系统的空中交通管理的训练和/或辅助方法，该空中交通管理电子系统用于获取至少表示空中交通状态的输入数据，向操作该系统的空中交通管制员传递与空中交通相关并且至少根据所述获取的输入数据而建立的信息，从空中交通管制员接收根据所述传递的信息的指令并处理所述指令，所述方法在训练和/或辅助平台上执行，所述训练和/或辅助平台包括：

-所述电子系统；

-自动确定块，基于表示至少得到的空中交通的状态的输入数据，所述块包括从基于要素集合的第一历史的要素集合由计算机执行的学习中得到的神经网络，每个要素集合与相应的空中情况相关联，所述相应的空中情况与历史中的多个相应时刻中的一个相应时刻对应，并且每个要素集合至少包括由电子空中交通管制系统在该相应时刻获取的输入数据和由所述系统在基于所述输入数据建立的信息的传递之后接收的所接收的空中交通管制指令；

-电子处理模块；

所述方法包括以下步骤：

-通过空中交通管理电子系统获取输入数据；

-通过处理模块：收集所述输入数据并将所述收集的输入数据提供给自动确定块；

-通过所述自动确定块基于所述提供的至少一个指令的输入数据进行自动确定；

-通过所述处理模块命令将所述指令传递给操作该系统的空中交通管制员。

在实施例中，根据本发明的空中交通管理的训练和/或辅助方法还包括以下特征中的一个或多个：

-平台包括用于存储要素集合的第二历史的存储器，所述方法包括以下步骤：

-通过处理模块：从所述数据库中提取输入数据；至少基于所提取的输入数据来确定训练输入数据并将所述训练数据提供给空中交通的电子管制系统和自动确定块；

-通过所述空中交通管理电子系统：传递基于所述训练输入数据建立的空中交通相关的信息；从平台上进行训练的空中交通管制员接收基于所述传递信息而建立的至少一个空中交通管制指令；并提供给处理模块；

-通过处理模块将所述接收的指令与所收集的自动确定的指令进行比较，并根据所述比较来确定消息；

-由所述平台显示消息；

-该方法包括通过处理模块基于由算法模型自动确定的指令来确定消息并通过平台显示消息，所述消息旨在通过朝向所述指令的训练对于空中交通管理员进行引导。

-该方法包括由处理模块执行的以下步骤：

-接收指示训练主题的信息，以及

-基于所述信息提取输入数据。

附图说明

本发明的这些特征和优点将在阅读以下仅作为示例提供并参照附图完成的描述后显现，其中：

图1示出了本发明的一个实施例中考虑的空中交通管理电子系统的示意图；

图2示出了本发明的一个实施例中的训练平台的示意图；

图3示出了本发明的一个实施例中实施的步骤的流程图；

图4示出了本发明的一个实施例中实施的步骤的流程图。

具体实施方式

图1示出了通过远程通信链路连接到外部系统4_1、4_2、……、4_n的集合4的空中交通管理电子系统2，称为atm系统2。

atm系统2包括存储器20、mmi单元21和处理器22。

mmi单元21例如包括显示屏幕、扬声器系统、键盘、麦克风等，其中显示屏幕可以是或者可以不是触摸敏感的。

外部系统4_1、4_2、……、4_n例如包括飞行器、雷达、气象站、其他空中交通管制员的远程通信设备、机场管制室等。

atm系统2用于接收并且在其存储器20中存储输入数据(以及这些数据的时间戳)。

该输入数据包括外部数据，即由集合4的外部系统4_1、4_2、……、4_n向其传递的外部数据；这些外部数据表示例如空域(或者该空域的给定扇区)的当前或未来状态，并且非穷举地包括：

-对于每个当前处于或者即将处于该扇区的每个飞行器：三维(3d)坐标、飞行器类型、飞行器航向、速度、飞行计划；

-当前和未来的天气信息；

-空中交通密度指示器(诸如扇区中的飞机的数量、湍流)、限定空域的当前和未来结构的数据(诸如存在军事禁飞区、空中走廊)、机场的当前和未来配置(开放的跑道、风向、可用滑行道等)、监视数据(如从初级和次级雷达、ads-b、wam获取的数据)；

-与在关于邻近扇区的atm系统上操作的空中交通管制员的协调信息。

atm系统2还用于经由mmi单元21为空中交通管制员检索数据。

外部数据还能够在被检索之前被处理(例如，进行平均、验证、组合、分析等)。

输入数据通常包括经处理的数据及其时间戳。

atm系统2还用于生成表示其当前状态的atm系统2内部的数据。特别是使用atm系统2中安装的探针来生成，并且例如非穷举地包括：

-消息队列、共享数据、日志、技术布局、飞行标签上的聚焦动作、在给定区域上的放大或缩小因子、管制员与飞行器飞行员之间的语音会话转录等。

操作atm系统2的工作中的空中交通管制员经由mmi21能够获取该内部数据。在一个实施例中，存储器20中存储的输入数据也包括该内部数据，带有与该数据对应的时间戳。

在一个实施例中，atm系统2用于实施简单的功能(诸如，在由空中交通管制员选择的区域上进行放大或缩小)以及利用外部数据的更多动态功能，并且用于生成内容数据。这些功能例如利用实施功能的计算机程序来实现，这些计算机程序存储在存储器20中并且在处理器22上执行。动态功能例如包括检测冲突，识别飞行器与另一飞行器之间的碰撞风险或者飞行器在区域处于着陆期时进入该区域的风险等，或者确定能够解决冲突的解决方案。对于空中交通管制员，经由mmi21来检索这些功能的结果。

通过已知的方式，操作处于运行模式的atm系统2的空中交通管制员因此能够根据外部数据和/或根据内容数据，包括升级功能的结果，在每个时刻经由mmi21了解当前或未来空中交通情况。这些数据和结果经由mmi21提供给他。基于这些要素，空中交通管制员然后做出决策，他将这些决策经由mmi21以指令的形式(以文本或视觉或语音形式等)提供给atm系统2。

这些决策包括atm系统2的功能命令(例如，在mmi块2上显示的区域上进行放大或缩小的命令，和/或用于邻近扇区的管制员的atm系统和/或飞行器的指令：它们因此包括目标飞行高度命令、目标速度命令(水平，竖直)，目标航向命令，目标爬升或下降梯度命令等。

图2示出了本发明的一个实施例中的空中交通管制员的训练平台1的示意图。

在所考虑的情况下，空中交通管制员的训练平台1包括训练系统10和如上所述进行操作的atm系统2，此时在此使用该atm系统2不是传统的操作用途而是为了训练空中交通管制员。

训练系统10包括存储器11、处理器12、处理模块13和用于自动确定指令的电子块14，在本实例中，是如随后描述的源于学习的神经网络。

存储器11包括要素集合的历史15。每个要素集合包括输入要素。每个输入要素描述历史上在给定时刻发生的空中情况并且包括限定该空中状况的atm系统的外部数据，并且在实施例中包括atm系统的内部数据和/或由atm系统实施的功能的结果。每个要素集合与输入要素相关联的包括输出要素，该输出要素包括由空中交通管制根据给定时刻的相应输入要素而提供给atm系统的指令。

历史例如由从atm系统2、或者与atm系统2类似的另一atm系统或者从几个运行的atm系统经过几个月的收集而成，由所有这些要素及其存储内容构成。

处理模块13包括场景生成块130和虚拟辅助块131。

场景生成块130用于选择至少一个要素集合，从而基于所选择的要素集合的输入要素来确定训练场景，即包括外部输入数据或者甚至相关联的内部输入数据的训练输入数据，并且在平台1的神经网络14中将它们提供给atm系统2。

虚拟辅助块131用于收集由经历训练的管制员提供给atm系统2的决策,并且用于收集在将相同的训练输入数据提供给atm系统2和神经网络14之后由神经网络14提供的决策，以便进行比较，从而基于所述比较来确定消息。

图4是本发明的一个实施例中实施的步骤的流程图，以便在学习之后获取神经网络14。

在用于获取经编程的神经网络的预备阶段101_0中，由神经网络根据包括atm系统的外部数据并且在实施例中包括atm系统的内部数据和/或功能的结果的输入要素的历史，根据包括由空中交通管制员依据这些相应的输入要素提供给atm系统的决策的输出要素的历史，执行对于空中交通管制员的行为的学习。历史例如是历史15，或者来自历史15的节选。

需要注意的是，根据实施例，神经网络14进行学习的预备阶段101_0在平台1上执行，或者

在具有其自己的存储器和计算资源的特定神经网络学习平台(未示出)上执行。

在一个实施例中，预备阶段101_0包括用于输出和输出要素的准备阶段101_01，用于识别在决策中这些输入要素(的摘要)中的哪些是神经网络的学习有用的，以及历史的最小持续时间。

通过已知的方式，这些要素的准备可以包括所收集的要素的分割、丢失要素和操作的检测、要素的维度降低、集合的提取、原因和关系的识别、以及完成包括输入学习要素和相关联的输出要素的学习要素集合的定义。对于每个测试配置，预备阶段101_0包括来自与学习要素的集合相关联的输入和输出学习要素的严格来说用于神经网络14的学习阶段101_02。因此“经过学习的”神经网络被确定。

神经网络的使用和学习数据的集合的定义的这些原理是公知的，参见例如：

tolk,a.(2015年,七月)，thenextgenerationofmodeling&simulation:integratingbigdataanddeeplearning(下一代建模和仿真：集成大数据和深度学习)，inproceedingsoftheconferenceonsummercomputersimulation(夏季计算机模拟会议论文集)(第1-8页)，societyforcomputersimulationinternational(国际计算机模拟学会)；

akerkar,r.(2014年)，analyticsonbigaviationdata:turningdataintoinsights(大航空数据分析：将数据转换为洞察力)，ijcsa,11(3)，116-127；

boci,e.,&thistlethwaite,s.(2015年,四月)，anovelbigdataarchitectureinsupportofads-bdataanalytic(一种支持ads-b数据分析的新型大数据架构)，inintegratedcommunication,navigation,andsurveillanceconference(综合通信、导航与监测会议，icns)，2015年(第c1-1页)，ieee；

bengio,y.(2009年)，learningdeeparchitecturesforai(ai的学习深层架构)，foundationsandinmachinelearning(机器学习中的基础和趋势),2(1),1-127。

学习阶段101_02的结果是经训练的神经网络14的传递101_1，经训练的神经网络14也称为指令自动确定电子块14。

能够使用任何类型的人工神经网络。例如，使用深度学习网络、卷积神经网络(cnn)。对于每个测试配置，输入节点的数量将被选择为等于输入要素的数量，输出节点的数量将被选择为等于输出要素的数量。

定期发展的atm系统2，在模型14中将考虑功能性(引入新功能或经修改的功能)和技术性(硬件、操作系统等的改变)的更新。在这种情况下，在一个实施例中，完成与更新前的atm系统2对应的神经网络14以考虑这些更新。因此，参考图4，在步骤102_0中，在由空中交通管制员在atm系统2进行验证会话期间，记录并存储包括atm系统的外部数据或者甚至atm系统的内部数据的输入要素，和包括含有由空中交通管制员根据这些对应的输入要素而做出的决策的输出要素。然后基于这些输入和输出要素来执行用于获取经编程的神经网络的步骤101_0，并且导致以被更新的atm系统2的部分为目标的空中交通网络管制员模型的传递。在步骤101_1,与更新前的atm系统2对应的算法模型和以更新方面为目标的atm系统2的算法模型的组合被完成(例如，在实施例中，通过级联)，因此能够传递与经更新的atm系统2对应的完整算法模型。

此外，在一个实施例中，在安全步骤100_0中，空中交通管制员在其行业的应用中实施的规则、原则、约束、条件和禁止(例如，对应于文件4444中定义的icao标准)在算法形式被形式化。

例如，这些规则包括：

-a1/空中交通管制员无法提供关于所负责的扇区以外的飞行器的命令，

-a2/除了由条件cond1、cond2、cond3特定限定的某些例外情况以外；

-a3/在与给定飞行器速度和高度对应的给定情况中，所命令的飞行高度的变化必须处于取决于所述速度和高度的给定阈值以下。

在一个实施例中，在建立空中交通管制员模型之前，对于与学习要素集合相关联的输入和输出学习要素，在步骤100_1中实施所得到的安全算法，这使得可以检测不符合标准化实践的要素，接着要么将它们从学习要素集合中消除，要么将它们分配给“不良实践”类，以允许模型根据“优异实践”更好地学习管制员的行为。

在一个实施例中，在步骤100_1中，空中交通管制员在其行业应用中实施的这些规则、原则、约束、条件和禁令也作为学习数据提供给人工神经网络，并且在学习阶段结束时，传递包含这些规则的模型，下文称为安全模型。

在步骤101_3中，如图3所示的学习过程期间由管制员模型14接下来做出的每个决策被提供给该安全模型，该模型要么将该决策验证为符合优异实践的决策(特别是验证其在输出决策的可接受的范围内)，或使决策无效，然后在测试环境中不予考虑并且例如丰富了“不良实践”类，这导致加强空中交通管制员模型。

在本发明的一个实施例中，执行图3所示的步骤，用于使用学习形式阶段1来执行空中交通管制员的训练。

在用于选择学习场景200的预备步骤中，场景生成块130从要素集合中选择至少一个输入要素，并基于所选择的要素确定学习场景，即包括外部输入数据或甚至内部输入数据的学习输入数据，并且它将它们提供给平台1的atm系统2和平台1的神经网络14。

此选择可以采用多种形式。例如，选择可以是随机的，或者可以根据输入要素描述的空中情况的发生的相应时刻来增加或减少。

在一个实施例中，训练员经由系统10的人机接口块(未示出)向学习系统10提供关键字。关键字可以例如是期望的训练主题，诸如“飞机之间的冲突”、“繁忙的交通”等。场景生成块130用于识别输入要素和/或输出要素与所述关键字对应的要素集合，并且用于选择这些识别出的要素集合的输入要素。

在用于确定训练场景的步骤201中，场景生成块130至少基于所选择的输入要素来确定训练场景。

例如，当已选择几个输入要素时，每个输入要素被独立地处理，作为场景的一部分，或者在基于预定准则由场景生成块130进行选择或者由训练者从所选择的输入要素集合中指定之后，最终选择单个输入要素；或者由场景生成块130完成几个输入要素的组合，以便获取单个输入要素(通过平均、插值等)。

然后，例如，每个所选择的输入要素由场景生成器130处理。例如，执行提取步骤，其中仅保留输入要素的一些参数，特别是与选择主题(如果适用)相关的参数。

例如，执行转换步骤，以使数据格式符合atm系统2接受的格式。这样处理的学习输入数据(例如以数据向量的形式，在一种情况下包括飞机的位置、其速度、其方向，天气，由其他扇区发送的消息等)接着作为学习场景提供给平台1的atm系统2和平台1的神经网络14。

在用于平台1上对于空中交通管制员进行训练的步骤202中，atm系统2接收由场景生成器130提供的学习输入数据。可选地进行处理，然后经由mmi21检索接收到的、可选地经处理的内部数据，以便训练空中交通管制员。

神经网络14基于学习输入数据自动确定对应的输出数据，即用于atm2的一个或多个指令，并将它们提供给处理模块13。这些指令表示了在神经网络14内汇集的空中交通管制员的经验的成果。

在一个实施例中，虚拟辅助块131用于基于由神经网络14提供的输出数据来旨在引导空中交通管制员的内容，以便他确定该输出数据。该内容例如包括关于他应该注意的学习输入数据的要点的建议，或者建议几个备选批次的指令的选择，其中出现由神经网络提供的批量指令。在这种情况下，虚拟辅助块131接着命令为空中交通管制员检索内容，例如通过在mmi21的屏幕上显示，或者平台1配备的并且由空中交通管制员可见的任何其他屏幕。

在平台1上训练的空中交通管制员根据通过mmi21传送给他的学习内部数据，如果适用的话，由来自虚拟辅助块131的附加内容完成，然后做出决策并将其作为一个或多个指令经由mmi块21提供给atm系统2：例如，在关于飞机之间的冲突的训练主题的情况下，用于至少一架飞行器的飞行高度改变命令。

然后，平台1的atm系统2将该指令或这些指令发送到处理块13。

虚拟辅助块131然后在由atm系统提供并且来自空中交通管制员的指令与由神经网络14提供的指令之间进行比较(或者当存在多个指令时它们之间的指令)，然后基于该比较来确定消息的内容。

该消息例如指示空中交通管制员提供的指令正确(如果它对应于神经网络14提供的指令)或不正确，并且虚拟辅助块然后命令为空中交通管理员在平台1上显示该消息。如果响应不正确，则该消息还可以包括朝向待确定的指令指导管制员的行为的附加信息。

在一个实施例中，虚拟辅助块131在空中交通管制员的训练结束时，执行由空中交通管制员提供的“正确指令”的概要，并且例如计算他的训练分数。

根据本发明的训练平台，如平台1，有助于空中交通管制员的针对性和动态训练，受益于所考虑的历史的资本化和汇集。

在所考虑的实施例中，神经网络14和处理模块13以包括存储在存储器11中并在处理器12上执行的软件指令的算法的形式形成。当它们被执行时，这些指令导致分别落入神经网络14或处理模块13时上述步骤的实施。

在另一实施例中，处理模块13以可编程逻辑组件的形式形成，例如fpga(现场可编程门阵列)，或者以专用集成电路的形式，例如asic(专用集成电路)，和/或神经网络14以可编程逻辑组件的形式形成，例如gpu或多gpu(图形处理单元)卡。

上面已经在训练领域的情况下描述了本发明。它还应用于操作使用中的空中交通管制员的辅助领域。

在这种应用中，如图2所示的atm系统2由类似于训练系统10的辅助系统完成，除了它的存储器中没有历史记录15。该辅助系统包括存储器、处理器、与块14的所有要点类似的指令自动确定块，以及代替处理模块13的处理模块，下文称为辅助模块。辅助模块用于收集atm系统2的当前输入数据，从而将其作为输入提供给指令自动确定块，收集由该指令自动确定块基于当前输入数据作为输出传递的指令并命令提供给操作atm系统2的空中交通管制员，例如通过显示在atm系统2的显示屏上或在空中交通管制员可见的附加屏幕上。因此，当空中交通管制员意识到与在mmi21上检索到的当前输入数据相对应的空中交通状态时，他还确定了通过指令自动确定块的神经网络进行学习的实践而产生的指令，并且能够通过受益于这种额外的专业知识来做出关于将要在mmi21上输入的指令的自己的决策。

在操作阶段，步骤如下：

图1的atm系统2接收外部输入数据，生成内部输入数据。它将它们存储在其存储器20中，并且可选地在某些附加处理之后，经由mmi21将它们提供给空中交通管制员。

并行地，模块从atm系统2收集当前输入数据，将其作为输入提供给指令自动确定块，获取后者作为输出的传递指令，并命令将传递的指令提供给操作atm系统2的空中交通管制员，例如，通过显示在空中交通管制员可见的atm系统2的显示屏上或在附加屏幕上。空中交通管制员意识到与在mmi21上检索到的当前输入数据相对应的空中交通状态，并且还确定了通过指令自动确定块的神经网络进行学习的实践而产生的指令。他通过受益于这种额外的专业知识来做出关于指令的自己的决策并且将其输入在mmi21上。然后，atm系统2处理该指令，如果在指令中命令了功能，则通过执行系统的该功能来处理该指令，或者通过将该指令经由远程通信发送到飞行器或另一关心的扇区的atm系统。