Towards Unified Air Traffic Complexity Management through Graph Theory and Artificial Intelligence
La Gestió del Trànsit Aeri (ATM) es defineix formalment com la gestió dinàmica i integrada del trànsit i l'espai aeri de forma segura, econòmica i eficient, mitjançant la disposició d'infraestructures i serveis integrats en col·laboració amb totes les parts i involucrant-hi funcionalitats...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universitat Autònoma de Barcelona |
| Repositorio: | Dipòsit Digital de Documents de la UAB |
| Idioma: | inglés |
| OAI Identifier: | oai:ddd.uab.cat:274963 |
| Acceso en línea: | https://ddd.uab.cat/record/274963 |
| Access Level: | acceso abierto |
| Palabra clave: | Gestió del trànsit aeri Gestión del tráfico aéreo Air traffic management Complexitat del trànsit aeri Complejidad del tráfico aéreo Air traffic complexity Aprenentatge de reforç multiagent Aprendizaje por refuerzo de múltiples agentes Multi-agent reinforcement learning Ciències Experimentals |
| Sumario: | La Gestió del Trànsit Aeri (ATM) es defineix formalment com la gestió dinàmica i integrada del trànsit i l'espai aeri de forma segura, econòmica i eficient, mitjançant la disposició d'infraestructures i serveis integrats en col·laboració amb totes les parts i involucrant-hi funcionalitats del costat aire i del costat terra. Es tracta d'un sistema socio-tècnic complex estructurat en diferents nivells i subsistemes interrelacionats. El rendiment a cada nivell es mesura a través de diverses àrees clau de rendiment (KPA), d'entre les quals, algunes de les més importants són la seguretat, la capacitat, la rendibilitat i l'impacte ambiental. Tot i que formen part de la mateixa estructura ATM, cadascun dels nivells té diferents objectius que a la pràctica competeixen entre si, per maximitzar les seves pròpies metes. S'espera un escenari similar per als sistemes aeris no tripulats (UAS), on el desenvolupament de diferents sistemes de gestió de trànsit d'UAS obeeixen a un enfocament semblant al d'ATM. En aquesta tesi, concebem la complexitat del trànsit aeri com el marc de referència per tenir una comprensió única i compartida entre els actors que prenen decisions als diferents nivells del sistema ATM. D'altra banda, també hem treballat en la Detecció i Resolució de Conflictes (CD&R) automatitzada per investigar com l'Aprenentatge per Reforç de Múltiples Agents (MARL) pot facilitar avançar cap als sistemes autònoms de gestió de trànsit ATM i UAS. Per abordar tots dos objectius, primer definim la complexitat del trànsit aeri de manera que proporcioni eficientment una informació elaborada als diferents actors interessats. Com a primer pas, proporcionem una definició genèrica de les interdependències entre parells d'aeronaus, que es basa en la distància en temps discretitzats i s'adapta al cas d'ús i context. Hem utilitzat la teoria de grafs per modelar el trànsit aeri com un gràfic dinàmic i definim quatre indicadors de complexitat que combinen diferent informació topològica i la severitat de les interdependències per donar una evolució detallada i peculiar de la complexitat del trànsit en un espai aeri determinat. Aquests indicadors han estat ampliats per introduir el concepte de complexitat d'aeronau, a través del qual s'identifiquen àrees espai-temporals complexes en un espai aeri determinat. A més, s'ha investigat l'efectivitat d'aquests indicadors de complexitat al domini dels UAS, per mostrar com la mateixa definició de complexitat del trànsit aeri es pot utilitzar en diferents dominis. Centrant-nos en CD&R, abordem aquest problema a través de MARL, que és un paradigma d'aprenentatge automàtic (ML) on múltiples agents interactuen amb l'entorn i entre ells mateixos per maximitzar alguna noció de recompensa acumulada. Primer ampliem el treball existent en proposar un model que no sols resol conflictes, sinó que també mostra que és possible considerar diversos factors que afecten l'eficiència i l'impacte ambiental. Aquest enfocament és reforçat per l'ús de Graph Neural Networks (GNN), que faciliten la cooperació i la comunicació. Mostrem que a través de la cooperació és possible que els agents autònoms aprenguin estratègies de resolució que són semblants a les estratègies conegudes pels controladors humans. Aquests resultats no havien estat reportats a la literatura de GNN. Si bé aquests dos objectius poden semblar separats, en aquesta tesi argumentem que un sistema unificat de gestió de la complexitat del trànsit aeri amb aplicacions de la IA pot contribuir a avançar més en els sistemes autònoms al sector aeronàutic. Aquesta tesi conclou amb una visió de la IA a l'aviació que considera significatiu l'humà en el llaç de control i l'alineació de valors com a essència de les línies de recerca futura. |
|---|