Abstract: I det föreslagna projektet – AAP 2 – vill vi bygga vidare på det vi lärt oss från projektet Advanced Auto Planner (IL115) [2]. I det tidigare projektet utvecklade vi en första AI (Artificiell Intelligens) modell och proof-of-concept som löser konflikter och ger flygledningsinstruktioner för en En-route sektor i svenskt luftrum. 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. 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. Principer och koncept för människa-automationssamarbete från projektet F AUTO (flexibel automation) (TRV 2020/138317) är planerade att införlivas i arbetet, exempelvis för att undvika automationsöverraskningar och att hålla arbetsbelastningen för flygledaren på en hanterbar och relativt jämn nivå. 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. Det finns en förväntan att AI och automation, med bibehållen eller ökad flygsäkerhet, ska leda till effektiviseringar av flygtrafiktjänst och därmed till att färre operatörer behövs för att utföra flygtrafikledning inom ett givet område eller att samma antal operatörer kan utföra flygtrafikledning inom ett betydligt större område än tidigare. Båda fallen innebär en ökad effektivitet vad gäller förmågan att leverera flygtrafiktjänst. 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 [1]. 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).
Abstract: In the proposed project – AAP 2 - we want to build on what we learnt in the Advanced Auto Planner project (IL115). In that project we developed a first AI model and a proof-of-concept that solves conflicts and provides air traffic control instructions for one En-route sector in the Swedish airspace. This system maintained separation with the help of adjusting speed, altitude and/or heading to later hand back control to the pilot for own navigation out of the area of responsibility. There are however further factors that need to be handled by an automatic conflict resolution based on Artificial Intelligence. In AAP 2 we intend to work with several of these factors och also with communication of the AI’s proposal to the air traffic controller, evaluation with air traffic controllers and also addressing related aspects regarding the AI-infrastructure. The general research questions are the following: -How can an AI-support for air traffic control be developed so that it can identify and solve separate conflicts in an as efficient way as possible in a sector and at the same time have a minimal impact on the surrounding traffic? -How does the introduction of the AI-support affect the air traffic controllers’ work processes? How shall AI-infrastructure (software/backend) be designed to support real-time processes and AI-algorithms that are connected to a simulator for evaluation and AI-training? More specifically, in AAP 2, we’re introducing a higher degree of autonomy with algorithms that examine and solve future conflicts – that can be presented for the air traffic controller as a control function / advisory function (lookahead). The demonstrator – that will be an important result of the project – shall guarantee safety and create explanations for its reasoning through a so called hybrid solution, where a rule-based system from, among others, the Advaned Auto Planner project, and methods/algorithms from Machine Learning are combined. The effect on the air traffic controllers’ work situation and performance will be analysed by mapping the suggested work processes for both the air traffic controller and the AI and how the processes and the human cooperate and affect each other. The mapping will take place in parallel with developing the concept and will provide input to the design of the prototype. The proposed way of working will be evaluated against the real way of working during experiments with the prototype. Principles and concept for the human-automation collaboration from the project F AUTO (flexibel automation) (TRV 2020/138317) are planned to be incorporated into the work, for example to avoid automation surprises and to keep the workload for the air traffic controller at a manageable and relatively even level. Algorithms and the AI-system will be deeply integrated with the Narsim simulator located at Sturup, which will also be an important part of the training of Machine Learning algorithms and for evaluations with air traffic controllers. This will create a unique AI-assisted and flexible air traffic control simulator where full-scale validation can be performed and that can become a very important resource in coming research programmes nationally and internationally. The modules that were used in the Advanced Auto Planner were proprietary. The enable further development they will be replaced by new modules with the corresponding functionality with open-source licensing. The solution will also be further developed to be able to have an advisory role to an air traffic controller. Currently, the model proposes instructions that are possible to implement when conflicts are detected. The aim is to develop it so that it can search for and propose instructions that can be implemented a certain time into the future. In this way it will make a plan and present it in an HMI for the air traffic controller. The project will iteratively increase the complexity in the automation to improve and develop the possible conflict solutions and to improve the automation’s ability to handle a more realistic scenario, for example through introducing different wind conditions and descending/climbing traffic in the AI-assisted simulator. When it comes to maturity our assessment is that we are currently at TRL level 3, we have an ambition to during the course of the project progress to at least partly achieving TRL 4 level. There is an expectation that AI and automation, with maintained or improved flight safety, will lead to efficiency gains in the provision of air traffic control and thereby to fewer operators being needed to perform air traffic control within a given area or that the same number of operators will be able to perform air traffic control within a considerably larger area than before. Both cases will lead to increased efficiency when it comes to the ability to deliver air traffic control. Knowledge and efficient automation solutions for air traffic control is of utmost importance when it comes to make our Swedish air transport more efficient and to be an attractive partner for the EU’s future research programme for a common air transport infrastructure based on AI. EASA’s research programme for AI-supported air traffic control specifies, for example, a number of research needs regarding robust predictive algorithms for conflict resolution, sequencing, the AI’s communication with the operator and questions regarding data flow and AI-infrastructure, in line with Trafikverket’s more general Research and Innovation Plan [1]. The project brings together unique expertise in the areas of air traffic control, AI, automation, IT-infrastructure for the transport system and human performance; Luftfartsverket (LFV), RISE and Linköping University (LiU).