面向多任务航路空中交通管制的顺序-层次协调方法

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Sequential–hierarchical coordination for multi-task enroute air traffic control

　　

• 开发了一种用于航路空中交通管制（ATC）的顺序分层协调（SHC）框架。• 通过约束传播将宏观规划与微观冲突探测与解决（CD&R）相结合。• 分层强化学习降低了多任务ATC决策的复杂度。• 通过专家模仿和干预响应增强了人机协作。• 实验表明任务完成率达到97.6%，决策成本降低34%。引言国际民用航空组织（ICAO）的统计数据显示，截至2024年6月，全球航空旅客运输量同比增长11%，达到2019年同期的102%。此外，预测表明未来二十年内航空业规模可能翻倍（ACI World和ICAO，2025）。然而，持续增长的交通需求与固有有限的空域容量之间的不平衡日益显现，正将当前的空中交通管理系统（ATM）推向其运行边界。现有的ATM框架仍然主要依赖以空中交通管制员（ATCO）为中心的运行模式。然而，由于人类认知能力存在固有的生理限制，单个空域扇区的容量最终受限于ATCO所能承受的最大工作量。为克服这一限制，欧洲和美国分别启动了单一欧洲空域空中交通管理研究计划（SESAR）和新一代空中交通管理系统（NextGen）。这些项目旨在通过数字化现代化重新设计现有的空中交通管制（ATC）系统，以适应未来交通需求的持续增长（FAA，2025）。随后，ICAO吸纳全球领先进展，推出了航空系统模块升级（ASBU），旨在缩小各成员国之间的开发差距并推动全球航空业的现代化（ICAO，2016）。特别是ASBU的第四部分阐述了基于轨迹的运行（TBO）愿景。该概念以高精度四维（4D）轨迹的使用为核心，以实现整个飞机生命周期中的优化轨迹并支持广泛的跨域协调。目前，尽管TBO被广泛认可为行业目标，但其实施依赖于高维时空数据的实时处理。因此，开发能够增强ATCO决策能力的自动化决策支持工具（DSTs）已成为实现TBO愿景的关键技术。空中交通管制自动化决策支持领域已发展出相对成熟的研究体系。早期方法主要依赖于理想化假设下的静态规划（Cafieri等，2023；Cafieri和Rey，2017；Wei等，2012）；然而，这些方法往往不足以应对实际运行中出现的动态不确定性和偏差。近年来，随着人工智能（AI）技术的快速发展，AI驱动的智能决策支持工具日益成为工业研究的焦点。从人因工程的角度来看，美国联邦航空管理局（FAA）对将AI和机器学习（ML）技术纳入航空系统所涉及的方法和挑战进行了系统性讨论（Smith等，2025）。当前研究主要强调两个独立的研究方向。一个方向针对战术轨迹规划，利用AI优化飞行剖面以提高运行效率和经济效益（Baneshi等，2025；Hua等，2025；Wang等，2021）。另一个方向专注于AI驱动的实时冲突探测与解决（CD&R），已显示出在管理多机交互和维护复杂空域安全方面超越传统算法的潜力（Chen等，2023a；Chen等，2023b；Ou等，2024；Papadopoulos等，2024）。然而，大多数现有工作将轨迹规划和CD&R作为独立的优化问题处理，这使得难以恰当地捕获和管理长期流协调与短期实时防撞之间复杂的空间耦合关系。时空耦合指的是航路ATC中宏观任务和微观任务之间的交互作用。飞行高度层（FL）规划确定较长时间范围内的扇区级交通组织，而CD&R解决较短时间范围内的局部冲突。这两个任务是相互依赖的，因为高层规划重塑未来轨迹并影响冲突演化，而低层解决必须与高层约束保持一致。虽然一些研究人员尝试使用多任务分层或联合协调模型（Dias和Rey，2024；Huang等，2025）解决这一问题，或者提出基于TBO概念的飞机中心程序框架（Liu等，2025；Zhou等，2025），但现有支持ATCO进行全局多任务协调的方法仍然不足。特别是，目前仍缺乏一种系统性方法将不同任务间的时态逻辑与交通态势的动态演化相结合。此外，根据欧洲航空安全组织（EUROCONTROL）发布的《空中交通管理总体规划》（SESAR Joint Undertaking，2024），未来空中交通管制系统将继续采用以ATCO为中心的决策范式，AI主要作为支持工具。这表明智能系统不仅需要提供算法层面的优化，还需应对工程可信度的挑战。当前关于人机协作或人-自主系统团队机制的研究仍然有限（Ali等，2025；Jiang等，2025）。尤其需要进一步研究开发与人认知过程一致的交互逻辑，并确保系统能够实时响应人工干预。只有这样，才能实现从单纯的数值计算向具有双向认知交互特征的人机团队框架的转变。与进近管制领域相对成熟的决策支持系统相比——如进近管理（AMAN）（Toratani，2019）、离场管理（DMAN）（Chen和Solak，2020）以及扩展AMAN（Huo等，2023）——航路管制员的运行工具开发相对有限。由于航路空中管制的独特运行特征（见第2节），该领域的先前研究仍存在三个主要不足。首先，流级规划与飞行高度层分配通常与实时CD&R分开处理，导致不同时间尺度间协调不足。其次，许多高级算法方案工程可行性较弱，限制了其在实际运行中的部署。第三，缺乏促进有效人机协作的稳健方法，尤其是那些与空中交通管制员认知策略相匹配的方法。针对这些不足，本研究围绕三个核心目标展开：（i）在统一算法框架内整合飞行高度层分配与战术冲突解决；（ii）通过合理的模型设计原则提高算法鲁棒性和实际可部署性；以及（iii）嵌入以ATCO为中心的决策回路以促进有效的人机协作。在本研究中，鲁棒性定义为模型在场景扰动下维持运行性能的能力。为解决这些问题，本研究提出了一种顺序分层协调（SHC）框架，旨在通过协同推进系统架构、算法方法与人-自主系统交互来支持新一代智能航路空中交通管制系统。本研究的主要贡献总结如下。1. 我们提出了一种具有时空桥接机制的顺序分层协调（SHC）框架用于航路ATC。通过使用运行状态外推（OSE）将高层规划意图转化为低层冲突解决的约束，所提框架在保持长期交通管理与短期间隔保障之间协调的同时，降低了联合决策的复杂度。2. 我们开发了一种人机协作机制以提高行为一致性和运行接受度。引入了专家模仿学习模块以纳入ATCO决策偏好，同时基于状态重置的干预机制实现了实时人工反馈并保持ATCO权限。此外，建立了人在回路平台以评估建议接受度、工作量变化和干预能力。3. 我们使用真实空域配置和交通数据的高保真模拟对框架进行了验证。对比实验和消融研究证明了其在高密度场景中的有效性，与基线方法相比，改进了任务性能并降低了ATCO时间决策成本。本文其余部分组织如下。第2节描述了航路空中管制的特征，回顾了最新进展，并指出了空中交通管制决策系统的当前局限。第3节呈现了SHC框架，包括系统建模方法和求解算法。第4节报告了模拟设置、结果和分析。第5节对实验中演示的架构进行了讨论。最后，第6节总结了本文并概述了有前景的未来研究方向。第2节 航路空中管制的特征如表1所示，航路空中管制在任务结构、空间尺度、决策时间范围和控制员认知策略等方面从根本上不同于进近ATC和塔台ATC。航路ATC跨多个时间尺度运行，将中长期流级规划——如飞行高度层分配和扇区负荷管理——与短期战术冲突探测与解决相结合。这与进近ATC形成对比，在进近ATC中，管制员……第3节 航路ATC的顺序分层协调架构所提顺序分层协调（SHC）框架的设计受航路空中管制固有的分层性质驱动。现有的ATC自动化方法在协调长期交通流管理与短期冲突解决方面面临挑战。如图1所示，所提SHC框架通过引入分层时空协调机制来解决这一问题，该机制将全局交通管理目标转化为……第4节 实验与结果在此，我们使用高保真模拟平台对所提SHC航路空中交通管制框架进行了评估。实验不仅验证了算法收敛性，还检验了框架处理密集交通、长程时间依赖和紧密集成多任务操作的总体工程能力。实验设计重点关注以下三个维度的验证：1. 基准性能评估：第5节 讨论所提SHC框架在解决航路ATC多任务决策挑战方面显示出强大前景。其有效性主要源于明确捕获了管制员任务的分层性质。与将所有决策表述为单一优化问题的方法不同，SHC将扇区级交通组织与飞机级冲突解决解耦，使其各自与相应的时间尺度和空间范围对齐。这种分解降低了……第6节 结论本研究通过提出顺序分层协调（SHC）框架应对航路空中管制多任务中的时空异质性问题。该框架将空中交通管制员（ATCO）的认知策略转化为基于学习的控制架构，并通过高保真模拟实验在复杂运行环境中展示了鲁棒性能。首先，引入了基于时态逻辑的SHC架构以桥接……作者贡献声明Dong Sui：撰写初稿、软件、资源、方法论、调研、资金获取、正式分析、数据整理、概念化。Mingze Sun：撰写初稿、验证、软件、方法论、调研、正式分析、数据整理。Zekai Zhou：验证、方法论、调研、正式分析、数据整理。Yanjun Wang：审阅与编辑、撰写初稿、方法论、调研、资金获取、正式分析、Dong Sui|Mingze Sun|Zekai Zhou|Yanjun Wang