Flygtransporternas popularitet fortsätter att växa, lägga en ännu större arbetsbörda på flygledare (ATCO). Deras situation kan förbättras genom ett automatiskt taligenkänningssystem som är nära integrerat med en ankomsthanterare utvecklad av EU- och SESAR-finansierade forskare.

Ett av de största hindren för att införa högre nivåer av automatisering inom flygledningstjänsten (ATM) är den intensiva användningen av röstradiokommunikation för att förmedla flygledningsinstruktioner (ATC) till piloter. Automatisk taligenkänning, som omvandlar mänskligt tal till texter, kan tillhandahålla en lösning för att avsevärt minska ATCOs arbetsbelastning och öka ATM-effektiviteten.

Det Horizon 2020-finansierade MALORCA-projektet syftade till att minska utvecklings- och underhållskostnaderna för assistentbaserad taligenkänning (ABSR) genom att använda maskininlärning istället för manuell mjukvaruprogrammering. Detta initiativ finansierades inom ramen för SESAR Joint Undertaking, ett offentlig-privat partnerskap inrättat för att modernisera Europas ATM-system.

Anpassning till lokala förhållanden

Moderna ATC-system måste vara säkra och effektiva samtidigt som de är uppdaterade. De kräver därför betydande input från ATCOs, som för närvarande fångas via tangentbord och musenheter. Modern teknik som Air-Ground datalänk, som i vissa fall kan ersätta röstkommunikation, kommer att kräva ännu mer input från ATCOs.

Den enorma arbetsbelastningen för ATCO kan minskas av ABSR. "Lyckligtvis, automatisk taligenkänning har nått en tillförlitlighetsnivå som är tillräcklig för implementering i ett ATM-system, " säger projektkoordinator Hartmut Helmke. "Men, vi måste minska överföringskostnaderna för taligenkänningssystem från ett tillvägagångsområde till ett annat”.

För närvarande, flera taligenkänningsmoduler kräver en manuell anpassning till lokala behov orsakade av akustiska och språkvariationer såsom regionala accenter, fraseologiska avvikelser och lokala begränsningar. MALORCA föreslog en allmän, billig och effektiv lösning för att automatisera denna ominlärning, anpassnings- och anpassningsprocess. Detta innebär att man automatiskt lär sig lokal taligenkänning och ATCO-modeller från radar- och taldatainspelningar.

MALORCA utvecklade nya maskininlärningsverktyg för att automatiskt lära sig ATCO-beteende och anpassa taligenkänningsmodeller från data som registrerats av flygtrafiktjänstleverantörerna. Maskininlärning använder statistiska tekniker som gör det möjligt för datorsystem att "lära sig" och förbättra sina prestanda på specifika uppgifter över tid genom att utnyttja dessa data, utan att vara explicit programmerad. Detta kommer att ersätta mycket av den manuella insats som tidigare krävdes och minska kostnaderna eftersom maskininlärning av ABSR-modeller gör anpassning till olika flygplatser och underhåll billigare och snabbare.

Det första steget

Projektpartners använde resultatet från en så kallad "ankomstchef" för flygplatserna i Prag och Wien för att automatiskt dela upp otranskriberade träningsdata i positiva och negativa delar genom specifika konfidensmått. Detta mått användes sedan i de utvecklade maskininlärningsalgoritmerna för att förstärka inlärningen från anpassningsdata.

Inom ramen för ABSR stöder ankomsthanteraren förutsägelsen av ATC-kommandon som är relevanta för den aktuella situationen. De förutsagda kommandona jämförs med utsignalen från taligenkännaren. Om ett kommando inte förutsägs antas det att taligenkänningssystemet har matat ut ett felaktigt kommando.

Projektet ger alltså flygindustrin ett praktiskt tillvägagångssätt för att utveckla och distribuera ett toppmodernt taligenkänningssystem och integrera det i dagens röstkommunikationssystem för leverantörer av flygtrafiktjänster.

Användningen av maskininlärning för taligenkänning är bara det första testfallet för dess bredare tillämpning inom ATM. Dess tillämpning i ATM kan också bidra till att minska anpassningen och underhållet av andra ATM-verktyg. Anpassningen av till exempel en generisk ankomstchef till specifika flygplatser kan vara nästa steg.