语音到路线：基于学习的机场出租车路线推理方法，通过逐步的空中交通管制指令实现

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Speech-to-route: Learning-based airport taxi route inference from progressive air traffic control instructions

　　**摘要**
在机场地面上操纵飞机是一项对认知能力要求很高的任务，尤其是在大型或不熟悉的机场，复杂的布局和密集的交通会增加飞行机组的工作负担。现有的飞行员辅助方法仅提供有限的支持，仍然需要机组人员手动将许可指令转化为滑行路线，这增加了工作量并及时理解错误的风险。本文介绍了 Speech-to-Route，这是第一个能够从滑行指令中推断出与布局一致的滑行路线的系统。该方法包括三个模块：首先是一个自动语音识别（ASR）模块，它结合了半监督的声学模型和领域适应的语言模型，以减轻领域不匹配和标记数据稀缺的问题；其次是一个多任务自然语言理解（NLU）模块，用于从控制器与飞行员的对话中共同预测说话者的角色、意图和命名实体；最后是一个图约束的路线推断模块，该模块具有错误感知的优化机制，可将提取的许可指令转换为与布局一致的滑行路线。该方法在所有模块中都表现出了强大的性能。ASR模块在公开的空管数据集上的词错误率为5.12%，在私人收集的樟宜机场数据集上的词错误率为6.21%。尽管上游模块存在噪声，下游模块仍然可靠。提取的滑行许可指令的F1分数达到了99.04%，最终推断出的路线与实际地面路线的一致性达到了99.08%，即109次移动中有108次被正确重建。所提出的方法通过减少通信错误和提高情境感知能力，有潜力提升安全性和效率。

**引言**
在机场地面上操纵飞机是一项对认知能力要求很高的任务，尤其是在大型或不熟悉的机场，复杂的布局和密集的交通会增加飞行机组的工作负担。滑行操作依赖于地面标志、照明系统以及通过VHF频道传输的口头许可指令。这些线索经常因无线电干扰、传输中断和空中交通管制员使用的简洁语句而受到损害，增加了误解的可能性，飞行员偏离飞行路径仍然是全球大多数跑道入侵事件的主要原因。即使是滑行指令中的小误解也可能导致错误转弯或未经授权的跑道穿越（Ankner和Richardson，2025年）。现有的飞行员辅助方法只能部分解决这些困难。Follow-the-Greens（欧盟委员会，2017年；Zhang等人，2020a年）提供实时视觉引导，但仅适用于配备了高级地面移动引导和控制系统（A-SMGCS）4级的机场（国际民航组织，2004年），而这仅占全球机场的一小部分。电子飞行包（EFB）的移动地图应用程序（Jeppesen，2025年）可以提高情境感知能力，但仍然需要飞行员手动将口头许可指令转化为图形形式。这种手动过程在地面机动期间增加了工作量，并且容易出错，特别是在复杂或不熟悉的机场布局中可能导致错误的滑行动作（SESAR联合项目，2016年）。这些局限性凸显了需要集成EFB的解决方案，能够自动将口头滑行指令转化为一致且操作有效的地面路线。由于EFB系统作为建议工具运行，不直接集成到认证的航空电子设备中，因此可以在不干扰操作控制的情况下支持飞行员的决策，从而减少工作量并提高机场地面操作的安全性。同时，自动语音识别（ASR）和自然语言理解（NLU）已被整合到空中交通管理中，以支持管制员的工作流程。例如AcListant?-Strips（Helmke等人，2017年）、HAAWAII（Helmke等人，2024年）和STARFiSH（Kleinert等人，2023年）等系统展示了自动转录和语义解释空管通信对于电子跑道维护和A-SMGCS数据输入的操作价值。然而，这些系统主要基于规则，并依赖于预定义的本体、手工制作的命令检测逻辑以及需要不断更新的不一致性检查，以反映不断变化的操作实践。它们的刚性限制了它们在面对非标准表达、口音语音、对话交流或上下文依赖的省略时的鲁棒性。现代ASR和NLU模型具有更好的适应性，但在空中交通管理领域仍面临持续挑战：VHF无线电干扰、按键通话激活导致的音节丢失以及简洁的操作语句降低了通用模型的可靠性（Zuluaga-Gomez等人，2023年）。当模型应用于不同数据集、机场或地区时，强烈的领域不匹配进一步降低了性能（Blatt等人，2023年；van Doorn等人，2024年；Wee等人，2025年）。这些ASR的缺陷直接影响到下游的NLU模块，即使是小的转录错误也可能改变传输的原始含义。因此，现有的NLU方法仍然限于话语级别的解释（Low等人，2024年；Steinmetz等人，2024年）。

**滑行操作中的控制器与飞行员通信**
在滑行操作中，每次传输都构成一个话语，可能表达一个或多个意图，如滑行指令、确认、复述、交通警告或询问。滑行指令特指与地面移动相关的的话语，包括滑行许可、移动限制和等待指令。滑行许可授权飞机穿越机场地面的特定段落。由于机场布局复杂，且飞行机组可能不熟悉当地的地形，这些许可不是作为一个完整的路线一次性发出的，而是逐步发出的：每个许可仅指定一个以等待点结束的短滑行段落，后续的许可会在飞机前进过程中延伸或修改路线。因此，完整的滑行路线分布在多个话语中，只有通过整合整个对话中的信息才能重新构建。

**Speech-to-Route（S2R）**
本文介绍了 Speech-to-Route（S2R），这是第一个能够从滑行指令中推断出与布局一致的滑行路线的系统。与之前孤立解释每个话语的方法不同，S2R必须将一系列逐步发布的滑行许可整合为单一连续的路线。这需要解决遗漏、缩写和上下文依赖的引用，同时保持与机场地面布局的一致性。这一挑战因ASR噪声而加剧：无线电干扰和传输中断经常降低滑行道名称的可识别性，而简洁的空管语句将空间信息压缩成对转录错误非常敏感的形式。这些因素造成了仅靠基于规则的系统或话语级别的NLU无法解决的不一致性，因此需要一种综合方法，同时考虑声学、语义和空间约束。S2R通过三个专用模块来解决这些挑战，如图1所示。首先，它开发了一个领域适应的ASR模块，结合了半监督的声学模型和外部语言模型，以在VHF干扰和有限的标记空管语音下保持鲁棒性。其次，一个多任务NLU（MT-NLU）模块用于从控制器与飞行员的对话中提取滑行许可，通过共同预测说话者的角色、意图和命名实体。最后，它提出了一个具有错误感知优化机制的图约束路线推断（GCRI）模块，可以恢复被截断或缺失的滑行道名称，并将提取的许可转化为与布局一致的滑行路线。

**主要贡献**
- **Speech-to-Route流程**：本文介绍了第一个从控制器与飞行员的对话中推断出与布局一致的滑行路线的系统。它通过专用模块解决了声学、语义和空间层面的挑战，处理语音、提取滑行许可并重新构建完整路线，同时考虑了各阶段的错误传播。
- **从控制器与飞行员的对话中提取滑行许可**：开发了一个多任务NLU模块，用于从控制器与飞行员的对话中共同分类说话者的角色、意图和命名实体。该模块由一个上下文标准化阶段支持，该阶段解决了缩写问题，稳定了名称变化，并整合了复杂机场操作中特有的逐步滑行许可。
- **具有错误感知优化的图约束路线推断**：提出了一个路线推断模块，用于将逐步的滑行道名称序列推断为与机场地面布局一致的连续路线。该模块包含一个错误感知的优化机制，可以恢复被截断或缺失的滑行道名称，并解决逐步滑行许可之间的不一致性，从而可靠地重建完整的登机口-跑道轨迹。

**本文的其余部分组织结构**
第2节回顾了相关工作。第3节介绍了所提出的Speech-to-Route流程。第4节描述了数据集。第5节概述了实验设置。第6节报告了结果。最后，第7节总结了本文。

**相关研究**
几种操作系统已经证明了将自动语音处理整合到空中交通管理工作流程中的好处。AcListant?-Strips（Helmke等人，2017年）表明，通过从语音传输中自动更新电子飞行条目，可以减少管制员的工作负担。HAAWAII框架（Helmke等人，2024年）将这一概念扩展为一个完整的辅助架构，结合了分割、转录和语义提取。

**方法论**
S2R方法通过三个专用模块解决了声学、语义和空间层面的挑战，从而从控制器与飞行员的对话中推断出与布局一致的滑行路线。如图1所示，该方法首先将一系列传输转录为话语级别的文本，然后从对话中提取滑行许可和相关操作信息，最后使用机场地面的移动图重新构建完整路线。

**训练数据集**
有两个数据集支持S2R方法的训练。第一个是Low等人（2024年）引入的公开空管数据集，已在HuggingFace上发布。它包含成对的音频-转录样本，每个样本代表大约十秒的话语。33小时的音频来自四个开源来源：ATCOSIM（Hofbauer等人，2008年）、ATC Complete（Godfrey，1994年）、ATC Communication（?mídl，2011年）和ATCO2（

**实验设置**
所有实验都在配备NVIDIA RTX 5090 GPU（32 GB内存）和Intel? Core? Ultra 9处理器285K的工作站上进行的。模型训练在GPU上进行，而推断延迟则在GPU和CPU配置上进行了测量，以评估S2R流程的实时可部署性。

**自动语音识别**
表3总结了不同模型家族、训练方案和数据集上的ASR性能。结果表明，对于空管通信，零样本ASR具有挑战性。尽管经过了大规模多语言预训练，Whisper Large v3在公开空管语料库和樟宜机场验证集上的表现仍然不佳，WER分别超过了80%和74%。这证实了领域不匹配、VHF干扰和空管语句严重限制了主流ASR的零样本迁移能力。

**结论**
本文介绍了Speech-to-Route，这是第一个从控制器与飞行员的对话中推断出与布局一致的滑行路线的系统。该方法集成了领域适应的ASR、多任务NLU和图约束路线推断，共同解决了空管通信中固有的声学、语义和空间挑战。在公开空管数据集和实际的樟宜机场数据集上的全面实验证明了该方法的有效性。

**生成式AI和AI辅助技术的声明**
在准备本手稿的过程中，作者使用了ChatGPT来检查语法、拼写和句法错误。使用该工具后，作者根据需要审阅和编辑了内容，并对发表文章的内容负全责。

**作者贡献声明**
- Van-Phat Thai：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件、方法论、概念化
- Aradhya Dhruv：软件、形式分析、数据管理
- Chea-Mean Chan：撰写——审阅与编辑、数据管理、概念化
- Yujing Chang：形式分析、数据管理
- Duc-Thinh Pham：撰写——审阅与编辑、监督、概念化
- Sameer Alam：撰写——审阅与编辑、监督、调查、概念化