增强航空安全：面向空中交通管制细粒度复述错误检测的语义感知孪生网络

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Enhancing aviation safety: A Semantic-Aware Siamese Network for fine-grained readback error detection in air traffic control

　　

摘要

空中交通管制员（ATCo）与飞行员之间的有效通信对航空安全至关重要。然而，复诵错误仍然是空中交通管制（ATC）中运营风险的主要来源。为缓解这些风险，本文提出了一种语义感知孪生网络（SASNet），用于自动复诵错误检测（RED）。与传统的二元RED方法不同，SASNet通过联合识别错误的存在及错误类型，实现细粒度检测，从而提供更具有可解释性和实际运行相关性的输出。所提出的框架采用多任务学习范式，引入辅助的槽位填充任务以增强令牌级别的语义表示并消歧关键的ATC实体。为捕捉ATCo指令与飞行员复诵之间的语义不一致性，设计了一个跨话语交互模块，联合建模话语间和话语内的依赖关系。此外，设计了一种多头分类策略，将复诵错误识别与错误类型分类解耦为两个独立的子任务，从而提高模型的可解释性和检测准确性。实验结果表明，所提出的SASNet在复诵错误识别和错误类型分类两个任务上均达到了最先进的性能，同时获得了较低的错误报警率和漏报率。我们认为，所提出的SASNet可以为提升现代ATC系统通信安全提供实用、准确且具有可解释性的解决方案。

引言

空中交通管制（ATC）在现代航空中发挥着关键作用，旨在确保空中交通运行的安全性和效率[1]、[2]。在管制空域内，空中交通管制员（ATCo）负责发布ATC指令，以维持空中交通的有序流动并防止飞行冲突。在此过程中，飞行员与ATCo之间的有效通信对于确保ATC安全和运行效率至关重要[3]。为防止通信错误，航空业采用了标准化的复诵/回听协议，要求飞行员逐字重复ATC指令，以便ATCo验证传输的正确性。这种闭环通信机制旨在在误解导致运行错误之前检测并纠正误解。

尽管该协议得到了广泛采用，但通信错误仍然是导致与ATC相关的安全事件（如高度或航向偏离、飞机间隔丢失和跑道侵入）的主要诱因之一，所有这些都会对乘客安全和人身财产安全构成严重威胁[4]。在实践中，通信错误主要表现为复诵错误和回听错误。具体而言，当飞行员错误地重复ATCo指令时发生复诵错误，而当ATCo未能及时检测并纠正这些偏差时则发生回听错误。如图1所示，管制员为航班CSC8516发出了8100米的爬升许可，但飞行员将其误读为8400米，导致复诵错误。理想情况下，ATCo应在回听阶段立即识别出这一差异并发出纠正指令。然而，如果发生回听错误（即差异未被察觉），飞机可能会爬升至非预期高度，导致与附近交通发生冲突等潜在运行危险。这些错误通常与人为因素有关，包括高工作负荷、预期偏差、疲劳和无线电频率拥塞。由于语音通信的实时性，仅依靠ATCo的人工警觉性很难检测到这些错误。在此背景下，自动复诵错误检测（RED）技术已成为现代ATC系统中协助检测通信错误的一种有前景的解决方案。

自动语音识别（ASR）和自然语言处理（NLP）的最新进展使得语音通信的自动转写和语义分析成为可能[5]。已启动多项政策举措和研究计划，以促进ASR和NLP技术在ATC运营中的整合，旨在支持ATCo并减轻其认知负荷。在欧洲，SESAR联合实施项目资助的MALORCA项目（管制员辅助的语音识别模型机器学习）开发了能够在实际运营环境中进行自动转写的ASR系统[6]。此外，EASA人工智能路线图2.0强调了AI技术在航空领域的应用，其中明确倡导开发ASR工具以提高ATC的安全性和效率[7]。这些技术和政策发展加速了ASR和NLP在ATC领域的采用，从而为自动检测ATCo指令与飞行员复诵之间的语义差异奠定了基础。然而，现有的大多数方法将RED任务建模为二元分类问题，仅确定是否存在错误，但未能指明差异的性质或位置。这种粗粒度的视角限制了这些RED方法的实际效用，特别是在及时准确的错误识别至关重要的环境中。因此，探索不仅能检测错误存在还能对其具体类型进行分类并ATCo提供可操作反馈的细粒度RED方法至关重要。

为实现细粒度RED任务，不仅需要检测ATCo指令与飞行员复诵之间的句子级不匹配，还需要捕捉令牌级语义以识别具体的错误类型。在ATC通信的各种元素中，数字令牌特别容易出错，因为它们经常出现在呼号、频率、航向和高度等关键指令实体中。然而，数字表达的语义模糊性为开发细粒度RED方法带来了重大挑战，因为相同的令牌在同一话语中可能承担不同角色。例如，在指令"Air China five eight three two contact Chengdu Tower one three four decimal three five goodbye"中，数字"three"出现了多次，既作为呼号的一部分，也作为无线电频率的一部分。

鉴于上述挑战，本文提出了一种新颖的语义感知孪生网络（SASNet）以解决细粒度RED任务。SASNet不仅设计用于检测复诵错误的存在，还用于分类具体的错误类型，预期可为支持ATC运营提供可操作的见解。为实现细粒度检测，基于实际ATC运营经验，定义了一组10种代表性的复诵错误类型。这些预定义的错误类型作为RED任务的结构化基础，涵盖了ATC通信中经常涉及的关键实体，如呼号、频率、高度和航向。

SASNet框架采用孪生神经网络架构实现成对输入，由语义感知编码器、上下文交互模块和两个分类器组成。在语义感知编码器中，ATCo指令及其对应的飞行员复诵通过共享神经网络参数被独立编码为高层表示，使模型能够学习一致的语义表示并有效捕捉话语内依赖关系。特别是，为增强令牌级语义理解，在语义感知编码器中引入了辅助的槽位填充（SF）任务，通过预测指令序列中每个令牌的槽位标签来学习语义感知的令牌表示。SF任务旨在改进相同数字令牌的消歧，所得的令牌级语义表示随后被纳入文本表示中以丰富整体语义编码。

此外，设计了一个跨话语交互（CUI）模块，用于建模管制员指令与飞行员复诵之间的语义对齐并执行深度特征交互。CUI模块集成了双向跨话语注意力、多视角语义交互和门控融合机制，以捕捉句子间和句子内依赖关系，从而精炼上下文表示并增强模型检测语义不一致性的能力。最后，采用多头分类范式（即两个分类器）实现细粒度RED任务。设计了一个复诵错误检测器执行二元分类，以确定两个话语之间是否存在语义不匹配（即复诵错误识别任务），同时使用错误类型分类器确定复诵错误的具体类型（即错误类型分类任务）。特别地，错误类型分类器被建模为多标签分类问题，允许模型在单个指令-复诵对中检测多种错误类型。

为验证所提出的SASNet的有效性，收集了真实世界的ATC通信语料库并进行人工标注，构建了专门的RED数据集。此外，引入多种最先进的RED任务方法作为基线进行全面的性能比较。除了标准分类指标（如准确率、精确率、召回率和F1分数）外，还采用错误报警率（FAR）和漏报率（MR）来评估RED方法在实际场景中的适用性。实验结果表明，SASNet在所有基线方法中表现最佳，在复诵错误识别中达到99.60%的准确率，在错误类型分类中达到99.66%的F1分数。更重要的是，模型的漏报率仅为0.32%，表明其在真实ATC场景中具有较强的敏感性和鲁棒性。广泛的消融研究进一步验证了所提出技术改进的有效性，确认了各组件对整体性能的贡献。这些结果表明，SASNet可以为RED任务提供更全面、更细粒度的解决方案，进一步促进现代ATC系统中通信安全和运行效率的提升。本文的主要贡献如下：

- 提出了一种新颖的SASNet以实现细粒度RED任务，能够在ATC通信中同时完成错误识别和错误类型分类。
- 设计了一种槽位填充增强的语义感知编码器，生成令牌级语义表示，有效消歧相同的数字令牌并提高模型定位和分类错误类型的能力。
- 提出了一种跨话语交互模块，建模ATCo指令与飞行员复诵之间的语义对齐，捕捉句子间和句子内依赖关系以丰富上下文理解。
- 构建了基于真实世界ATC通信的RED数据集，并通过大量实验和多种评估指标验证了所提出SASNet的有效性。

相关工作

一般来说，RED任务可以建模为释义识别问题，旨在确定ATCo指令与对应飞行员复诵之间的语义一致性，从而实现潜在通信错误的及时检测和纠正。本节将概述现有的通用释义识别方法和ATC领域中RED任务的相关方法。

任务形式化

如第一节所述，所提出的SASNet在多任务学习范式下开发，联合解决细粒度RED中的三个子任务：i）槽位填充，ii）复诵错误识别，和（iii）错误类型分类。给定ATCo指令Xc={xc1,xc2,…,xcm}和对应的飞行员复诵Xp={xp1,xp2,…,xpn}，其中xci和xpj分别表示ATCo和飞行员话语中的第i和第j个令牌。SASNet的目标是预测：i）令牌级

数据集构建

本工作构建了专门的复诵错误检测数据集以验证所提出SASNet的有效性，该数据集通过三个阶段生成：数据收集与预处理、数据标注和复诵错误样本生成。在数据收集与预处理阶段，从成都区域管制中心收集了覆盖12个管制员工作位置的实时ATC通信录音，时间为2021年2月。相应地，

整体性能比较

表2展示了所提出的SASNet模型与竞争基线在两个关键子任务上的性能对比：复诵错误识别和错误类型分类。结果表明，所提出的SASNet在几乎所有评估指标上均达到了最佳性能。最重要的是，所提出的SASNet具有最低的FAR和MR，这是模型鲁棒性和在真实ATC环境中运营可靠性的关键指标。此外，所提出的

结论

本工作提出了一种新颖的语义感知孪生网络以解决ATC通信中细粒度复诵错误检测任务。与仅执行二元分类的先前方法不同，SASNet被设计为同时检测复诵错误的存在并对其具体类型进行分类，从而提供具有可解释性和可操作性的反馈。该模型集成了包含辅助槽位填充任务的多任务学习框架

作者贡献声明

林逸：撰写-初稿、资源、方法论、调查、资金获取、概念化。王悦：可视化、软件、资源、方法论、形式分析、数据整理。闫震：可视化、验证、软件、资源、数据整理。刘心怡：软件、资源、形式分析、数据整理。张建平：验证、资源、调查、资金获取。

郭东岳：写作（审阅和编辑）、验证、监督、项目

利益冲突声明：作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢：本工作得到以下机构的支持：中国国家自然科学基金（批准号：U2433217、62371323、U2333209、62401380）；四川省自然科学基金（批准号：2025ZNSFSC1476）；四川省科技计划（批准号：2024YFG0010 和 2024ZDZX0046）；四川大学科研基金（批准号：2024SCUQJTX030）；中国民用航空局飞行技术与飞行安全重点实验室开放基金

作者：林怡、王悦、严震、刘欣怡、张建平、郭东岳