AI对民航的影响？
发布者：王振发布时间：2023-11-06浏览次数：10
航空领域的多个领域将受到这一新兴技术的影响。航空运输系统正面临新的挑战：空中交通量增加，环境标准更为严格，系统复杂性增加，竞争力更加关键，而人工智能可能提供机会。
本文首先概述了在各个航空领域中的使用案例方面所预期的影响。然后，它提供了欧洲航空安全局（EASA）预期的法规制定战略概述，包括对每个领域的特殊性进行讨论。人工智能，尤其是人工智能的机器学习领域，为开发以往无法使用的应用程序带来了巨大潜力。一方面，深度学习的突破为航空领域带来了各种可能的应用程序；特别是在处理感知应用时，计算机视觉和自然语言处理（NLP）带来了新的视角；此外，时间序列分析可以增加从传感器数据中获取信息的能力。在航空领域，这些应用可以打开高分辨率基于摄像机的交通检测或通过语音转文本功能协助ATC通信等解决方案的大门。另一方面，深度学习解决方案与逻辑和知识驱动的方法的混合为高效决策支持开辟了有望的道路，以增强对飞行员的虚拟协助。人工智能为支持飞机设计和运营提供了广泛应用的机会。人工智能可以通过建议常规任务（例如飞行剖面优化）或提供关于飞机管理问题或飞行战术性质的增强建议来协助机组人员，帮助机组人员在高工作负荷情况下做出决策（例如复飞或者备降）。人工智能还可以通过根据操作背景和机组人员健康状况（例如压力、健康等）来预测和预防一些关键情况来支持机组人员。由于2022年4月发布的第一个关于机器学习系统可信度的特殊条件，Level 1人工智能应用程序已经在通用航空领域的认证过程中。人工智能还可以用于几乎任何涉及数学优化问题的应用，从而消除了对相关参数值和逻辑条件的所有可能组合进行分析的需求。机器学习的典型应用可能包括飞行控制法则的优化、传感器校准、燃油评估、结冰检测等等。此外，人工智能还可以用于将复杂模型嵌入飞机系统，例如使用更具内存和处理效率的代理模型。此外，人工智能为涉及人工智能团队协作的高级自动化应用带来了新机会。然而，仅靠机器学习方法可能不总能在涉及自动决策的人工智能系统中提供必要的保障水平（Level 2人工智能及以上）；因此，航空业也在尝试使用混合人工智能解决方案，以克服机器学习解决方案可能存在的不足之处。从更广泛的角度来看，人工智能最讨论的应用是自主飞行。在我们追求的阶段，当前可用的技术明显不能满足航空产品应满足的自主性、合理性和不确定性管理的预期水平。然而，无人机市场为高级自动化铺平了道路，我们可以看到新的商业模式的出现，致力于创建满足城市空中移动需求的飞行出租车系统。这些车辆必然将依赖系统来支持复杂决策，例如确保安全飞行和着陆或管理与当前ATM实际运行相比更近的间隔。这就是人工智能发挥作用的地方：为实现高级自动化，将需要非常强大的人工智能模型来处理和利用由嵌入式传感器生成的大量数据和机器间通信来支持无人干预的飞行。此外，人工智能还可以用于改进设计过程。例如，可以开发基于机器学习的工具，以支持在选择相关的非回归测试集时进行工程判断。人工智能/机器学习还可以为物理现象的建模提供解决方案（例如，通过使用代理模型），并可用于促进设计空间的探索和优化依赖于物理现象展示的资格流程（例如，电磁干扰、电磁兼容性、高强度辐射场）。为了确保安全运营，机组人员培训是另一个重要的考虑因素。人工智能的使用催生了自适应培训解决方案，其中机器学习可以通过利用培训和运营期间收集的大量数据来增强培训活动的效益。生产和维护（包括零部件物流）是数字化可能显著影响流程和业务模式的领域。随着数字化的推进，生产和维护组织处理的数据量稳步增长，因此依赖人工智能来处理这些数据的需求也在增加。其中，需要提到的趋势包括在制造业中开发代理模型和数字孪生模型，生产链引入物联网（IoT）以及发展预测性维护，其中庞大的数据量和识别低信号的需求几乎肯定需要使用人工智能。如今，发动机制造商不再真正销售发动机和备件，而是销售飞行小时。这一范式转变意味着，为了避免因延误而面临罚款，发动机的放行中可靠性和安全性已经融入到同一个概念中。基于人工智能的预测性维护，借助大量的机队数据，可以预测故障并提供预防性补救措施。行业的关键参与者已经认识到预测性维护的价值。例如，空客的飞机维护分析系统（Airman）已被100多名客户使用，不断监测健康状况并将故障或警告消息传输给地面控制，提供了快速访问维护文件和根据成功可能性进行优先排序的故障排除步骤。某些大学研究估计，预测性维护可以将飞机的可用性提高多达35%。
在人工智能的多种应用中，航迹优化是一个示范如何利用人工智能来减少碳排放的例子。此外，人工智能为欧洲航空安全局提供了前所未有的机会，以提高其处理环境保护的能力，例如在评估影响方面。评估航空对环境的影响，如机场周围的噪音或飞行中的发动机排放，是一项需要大量数据和计算资源的活动，随着机器能力的显著提高，它在过去几十年里发生了重大变化。基于机构可获得的数据集（全球气象数据，飞行数据记录器（FDR）信息，全球范围内的雷达（ADS-B）飞行轨迹数据等），可以开发机器学习算法来评估几乎任何航班的燃料消耗。这将使机构能够以更有效和不断改进的方式进行环境影响评估。
空中交通管理/导航服务（ATM/ANS）领域预计将大规模部署人工智能/机器学习应用。已经引入了人工智能助手来支持空中交通管制员（ATCOs）、流量管理岗位（FMPs）或ATM/ANS领域的其他最终用户。举一个例子，这些助手可以改进4D轨迹预测，从而提高了本地或网络情况评估的质量和准确性（早期发现拥堵点）。通过分析天气模式、区域配置、空中交通拥堵等因素的数据，人工智能/机器学习模型可以支持优化飞行路线，以减少飞行时间、燃料消耗和最终成本。这种优化将导致更高效的空中交通管理系统，减少延误，增加航空旅行的容量。人工智能/机器学习应用可以帮助管制员更快速地做出更明智的决策，潜在地减少延误并提高安全性。机器学习模型可以集成到决策支持工具中，为管制员提供实时指导。这些支持工具可以根据当前情况提供建议，包括关于潜在冲突的信息，并建议解决冲突的最佳行动方案，或者提出管制员熟悉的解决方案。一些在SESAR 3项目、行业参与者或空中导航服务提供商（ANSPs）下的研究团队正在研究将强化学习应用于冲突检测和解决（CDR）的应用。
在机场领域，可以设想使用人工智能/机器学习的应用，既涵盖了空中运行，也包括了候机楼运行。对于空中运行，以下与机场安全相关的人工智能/机器学习用例被预期使用：检测跑道上的异物碎片（FOD）：FOD的预防以及对运动区域中是否存在FOD的检查是机场运营商的核心活动。机器学习在FOD检测中的应用有潜力使当前系统更加可靠。鸟类雷达：在机场，防止鸟类与飞机碰撞是一项持续的挑战。鸟类雷达可以跟踪鸟群和单只鸟的精确飞行路径。机器学习解决方案可以支持自动检测和记录数百只鸟的飞行，包括它们的大小、速度、方向和飞行路径，从而提高鸟类控制人员的情境感知，并使其更好地应对鸟类问题。无人机检测系统：机场周围可能会受到非法使用无人机的影响，这可能对降落和起飞的飞机构成危险。当前的技术基础的反无人机解决方案主要是多传感器基础的，因为没有单一技术足以支持系统的令人满意的性能。借助机器学习的改进似乎是这些技术的合理演进。在终端和与乘客服务以及乘客管理有关的领域，人工智能有着多种应用领域。例如，人工智能已经整合到机场安全系统中，如安检、周界安全和监控，因为这将使机场运营商能够提高乘客的安全性和安全性。此外，边境控制和警察部门使用人脸识别和毫米波技术扫描通过便携式安全门的行人。机器学习技术用于自动分析威胁数据，包括爆炸物和火器，同时忽略用户可能携带的非危险物品，例如钥匙和腰带扣。此外，海关部门还使用机器学习技术来检测行李中的禁止或受限物品。
整合有人和无人飞行器，确保在不同领域的空中用户之间安全共享领空，以及最终实施高级U-space服务，这些都只有通过高度自动化和采用像人工智能（AI）和机器学习（ML）这样的颠覆性技术才能实现。早期实施AI/ML解决方案对于在快速演变且适用严格要求的环境中，例如城市区域或拥塞的管制塔区域等复杂的无人机操作将至关重要。例如，AI/ML解决方案可以允许对操作环境的突然变化（例如相遇或威胁，动态空域重新配置/限制的实施）进行动态和迅速的反应（例如自主更改轨迹）。在应对事故/紧急情况时，AI/ML解决方案将在确保无人机操作的安全进行方面发挥关键作用，例如，检测障碍物（例如起重机），检测或预测结冰条件，或确定地面风险（例如事先规划的着陆点上是否有公众存在）。类似地，要有效实施U-space以应对大量无人机在同一领空体积内同时操作将不可能采用传统方法。AI/ML将成为满足相关性能要求的关键因素。通过依赖AI/ML解决方案从雷达或基于摄像头的系统获取的数据来实现“探测与避让”（DAA）解决方案，特别是在分析数据时；通过动态预测飞行路径上遇到入侵者的风险并提前调整无人机的轨迹以确保时空连续分隔来实现“自适应避让”；实现“自主定位/导航（无需GPS）”解决方案，以利用AI/ML技术的好处，例如通过改进和简化当前的定位传感器、数据汇总和功能的整体性能。
具有易受攻击漏洞的系统/组织，这些漏洞可能导致被利用，从而造成操作影响。威胁（例如恶意软件），它可以通过利用系统或组织的漏洞对其造成损害。防御方引入的安全控制/对策，用于减轻一个或多个安全风险。在系统方面，使用人工智能可以提高效能，但也可能引入新的网络攻击漏洞。这些新型漏洞需要更好地理解（例如数据污染）并需要为它们定义特定的安全控制（技术或组织上的）。在威胁方面，如今，恶意软件已经在变异（即根据运行环境调整其行为）。此外，研究人员已经证明了一类新型的由人工智能驱动的恶意软件的可行性（例如DeepLocker）。利用人工智能进行网络攻击肯定会提高威胁的效率，因为它们可以开发规则型检测系统的绕过能力，最终使网络攻击变得自适应和自主。人工智能驱动的攻击可能很快就会被部署，因此必须确定适当的对策。在防御方面，我们还应考虑引入人工智能来改进对策和安全控制的效能。在这方面，我们可以利用人工智能技术自动检测和修补系统漏洞（预防），以及基于行为识别威胁（检测）。目前，与信息安全相关的AI概念文件指南的范围仅限于解决上述列表中的第一点。未来版本的指南可能会扩展到第三点，从防御者的角度考虑第二点，尽管在某种程度上也会考虑第二点。
数据科学是一个专业领域，它结合了多个领域，如统计学、数学、智能数据采集技术、数据清洗、挖掘和编程，以准备和调整大量数据进行智能分析，以提取洞见、模式和信息。数据科学是一个具有挑战性的领域，因为它涉及将不同的方法、算法和复杂的编程技术相结合并应用于大量和多样化的数据以执行智能或预测性分析。人工智能的应用将影响数据科学技术的许多方面，主要是数据分析部分，例如识别复杂数据相关性（模式发现）。在EASA的背景下，人工智能技术将增强安全情报，例如通过提高漏洞发现能力。总的来说，在EASA安全情报和管理领域，人工智能是支持以下方面的关键推动力：更具体地看，将人工智能应用于EASA的D4S项目，机器学习可以提供解决方案来处理D4S数据（即大量的操作数据，如飞行数据、安全报告、天气数据）和交通数据（大量、多变和复杂的数据库，潜在的质量问题很多），无论是在数据集的收集/准备阶段还是在分析阶段。通过对大量历史数据进行专门分析来理解数据（例如风险建模）；在不同数据库之间识别数据中的隐藏相关性，充分利用数据融合；通过对数据进行增量分析并检测任何异常演变（异常）来检测异常。从长远来看，我们可以预期人工智能将是处理实时数据流并实现实时风险管理的解决方案。文章来源：EASAairoadmap
