De populariteit van luchtvervoer blijft groeien, een nog grotere werklast voor luchtverkeersleiders (ATCO's). Hun hachelijke situatie kan worden verbeterd door een automatisch spraakherkenningssysteem dat nauw is geïntegreerd met een aankomstmanager die is ontwikkeld door door de EU en SESAR gefinancierde onderzoekers.

Een van de grootste hindernissen voor het invoeren van hogere niveaus van automatisering in luchtverkeersbeheer (ATM) is het intensieve gebruik van spraakradiocommunicatie om luchtverkeersleidingsinstructies (ATC) aan piloten door te geven. Automatische spraakherkenning, die menselijke spraak omzet in teksten, kan een oplossing bieden om de werklast van ATCO's aanzienlijk te verminderen en de efficiëntie van ATM te verhogen.

Het door Horizon 2020 gefinancierde MALORCA-project had tot doel de ontwikkelings- en onderhoudskosten van op assistent gebaseerde spraakherkenning (ABSR) te verlagen door machine learning te gebruiken in plaats van handmatige softwareprogrammering. Dit initiatief werd gefinancierd in het kader van de SESAR Joint Undertaking, een publiek-private samenwerking die is opgezet om het Europese ATM-systeem te moderniseren.

Aanpassing aan lokale omstandigheden

Moderne ATC-systemen moeten veilig, efficiënt en up-to-date zijn. Ze vereisen daarom aanzienlijke input van ATCO's, die momenteel wordt vastgelegd via toetsenbord- en muisapparaten. Moderne technologieën zoals Air-Ground datalink, die in sommige gevallen spraakcommunicatie kan vervangen, zal nog meer input van ATCO's vereisen.

De immense werklast van de ATCO kan worden verminderd door ABSR. "Gelukkig, automatische spraakherkenning heeft een betrouwbaarheidsniveau bereikt dat voldoende is voor implementatie in een ATM-systeem, ", zegt projectcoördinator Hartmut Helmke. "Echter, we moeten de overdrachtskosten van spraakherkenningssystemen van het ene naderingsgebied naar het andere verlagen".

Momenteel, verschillende spraakherkenningsmodules vereisen een handmatige aanpassing aan lokale behoeften veroorzaakt door akoestische en taalvariabiliteiten zoals regionale accenten, fraseologische afwijkingen en lokale beperkingen. MALORCA stelde een algemene, goedkope en effectieve oplossing om dit opnieuw leren te automatiseren, aanpassings- en maatwerkproces. Het gaat om het automatisch leren van lokale spraakherkenning en ATCO-modellen van radar- en spraakgegevensopnames.

MALORCA heeft nieuwe machine learning-tools ontwikkeld om automatisch ATCO-gedrag te leren en spraakherkenningsmodellen aan te passen op basis van gegevens die zijn vastgelegd door de Air Navigations Service Providers. Machine learning maakt gebruik van statistische technieken die computersystemen in staat stellen om in de loop van de tijd te 'leren' en hun prestaties op specifieke taken te verbeteren door gebruik te maken van deze gegevens, zonder expliciet geprogrammeerd te zijn. Dit vervangt veel van de handmatige inspanning die voorheen nodig was en verlaagt de kosten, aangezien machine learning van ABSR-modellen de aanpassing aan verschillende luchthavens en het onderhoud goedkoper en sneller maakt.

De eerste stap

Projectpartners gebruikten de output van een zogenaamde 'Arrival Manager' voor de luchthavens van Praag en Wenen om de niet-getranscribeerde trainingsgegevens automatisch op te splitsen in positieve en negatieve brokken door middel van specifieke betrouwbaarheidsstatistieken. Deze statistiek werd vervolgens gebruikt in de ontwikkelde machine learning-algoritmen om het leren van adaptatiegegevens te versterken.

In het kader van ABSR ondersteunt de Arrival Manager het voorspellen van de ATC-commando's die relevant zijn voor de huidige situatie. De voorspelde commando's worden vergeleken met de output van de spraakherkenner. Als een opdracht niet wordt voorspeld, wordt aangenomen dat het spraakherkenningssysteem een ​​verkeerde opdracht heeft uitgevoerd.

Het project biedt de luchtvaartindustrie dus een praktische aanpak voor het ontwikkelen en implementeren van een geavanceerd spraakherkenningssysteem en de integratie ervan in de huidige spraakcommunicatiesystemen voor luchtvaartnavigatiedienstverleners.

Het gebruik van machine learning voor spraakherkenning is slechts de eerste testcase voor de bredere toepassing ervan in ATM. De toepassing ervan in ATM kan ook helpen om de aanpassing en het onderhoud van andere ATM-tools te verminderen. De aanpassing van bijvoorbeeld een generieke Arrival Manager aan specifieke luchthavens zou een volgende stap kunnen zijn.