No coração do mundo complexo e em rápida evolução do transporte aéreo, pesquisas pioneiras continuam a iluminar novos caminhos para operações aprimoradas, maior segurança e previsões cada vez mais precisas. A última edição especial da revista especializada Aerospace— intitulado “Avanços no tráfego aéreo e controle e gerenciamento do espaço aéreo” — apresenta vários trabalhos de pesquisa interessantes, cada um abordando uma faceta exclusiva dos desafios mais prementes da indústria da aviação. De uma solução de rastreamento adaptável para manobrar alvos aéreos a um modelo de última geração para reconhecimento de entidades na detecção de ameaças cibernéticas e um método inovador para previsão de chegada de voos em tempo real, esses novos insights resumem o progresso notável que está sendo feito no busca por uma experiência de viagem aérea mais segura, eficiente e resiliente.

Rastreamento de Alvos Aéreos

O trabalho de pesquisa intitulado ” Adaptive IMM-UKF for Airborne Tracking ” apresenta uma nova solução de rastreamento para manobrar alvos aéreos. Os autores apresentam um modelo múltiplo interativo adaptativo (AIMM) que funciona em combinação com filtros de Kalman sem cheiro (UKFs), rotulados como AIMM-UKF. O novo sistema proposto foi projetado para produzir estimativas mais precisas, melhorar a consistência do rastreador e aprimorar a previsão robusta durante os períodos de interrupções do sensor.

A estrutura é construída em torno de dois modos: um modelo de movimento uniforme e um modelo de manobra. Ele alterna rapidamente entre esses dois modelos com base em uma função de distância que ajusta as probabilidades de transição. Para verificar a eficácia da solução proposta, os autores realizaram simulações de Monte Carlo e compararam o AIMM-UKF com o ACAS Xa, a próxima geração de sistemas de prevenção de colisões aerotransportadas, usando o teste de hipótese de erros quadráticos médios, erro de estimativa normalizado ao quadrado (NEES), um novo fator de redução de ruído proposto e um erro máximo estimado do rastreador durante quedas do sensor.

Os resultados experimentais mostraram o desempenho superior do AIMM-UKF em termos de precisão de rastreamento, consistência e erro máximo esperado, principalmente em situações envolvendo manobras repentinas e abruptas e durante interrupções do sensor. Para movimento linear uniforme, o desempenho foi consistente com o ACAS Xa. No entanto, para trajetórias curvilíneas, o AIMM-UKF teve melhor desempenho.

Os autores sugerem que as descobertas de suas pesquisas beneficiarão o projeto de sistemas de rastreamento de alvos, particularmente nas áreas de tecnologias anti-UAV e aplicações militares. O trabalho futuro inclui a criação de um conjunto de dados de encontros no espaço aéreo com dados de verdade terrestre e dados de observação e a exploração da incorporação de métodos modernos de inteligência artificial na estrutura proposta.

Detecção de ameaças cibernéticas

Um artigo intitulado “ TCFLTformer: TextCNN-Flat-Lattice Transformer for Entity Recognition of Air Traffic Management Cyber ​​Threat Knowledge Graphs” apresenta um novo método para reconhecimento de entidade na detecção de ameaças cibernéticas de gerenciamento de tráfego aéreo (ATM) usando um modelo chamado TextCNN-Flat-Lattice Transformer (TCFLTformer). Os pesquisadores desenvolveram esse modelo para melhorar os métodos tradicionais de aprendizado de máquina e as técnicas mais recentes de aprendizado profundo, que careciam de memória e precisão ou tinham dificuldade em capturar recursos globais e locais. O TCFLTformer, com sua arquitetura híbrida CNN-Transformer, primeiro utiliza redes neurais convolucionais (CNN) para extrair recursos locais do texto e, em seguida, usa um transformador de rede plana para aprender características posicionais temporais e relativas do texto para obter os resultados finais da anotação.

O estudo apresenta os conjuntos de dados de reconhecimento de entidades de ameaças cibernéticas ATM (ATMCTERD), contendo 13.570 sentenças, 497.970 palavras e 15.720 entidades de token coletadas de autoridades internacionais de aviação e empresas de segurança cibernética. Em testes usando esses conjuntos de dados, o TCFLTformer alcançou as pontuações mais altas de exatidão e precisão, em 93,31% e 74,29%, respectivamente, em comparação com outros seis modelos de Reconhecimento de Entidade Nomeada (NER). Experimentos adicionais foram conduzidos nos conjuntos de dados MSRA e Boson para uma avaliação mais abrangente da eficácia do modelo.

Os pesquisadores concluem que o TCFLTformer se mostra promissor para o reconhecimento de entidades de ameaças cibernéticas ATM, superando outros métodos populares em termos de precisão e recuperação. No entanto, eles também observam que o tamanho e o escopo limitados dos conjuntos de dados usados ​​neste estudo constituem uma deficiência potencial e sugerem que pesquisas futuras poderiam usar conjuntos de dados maiores e considerar outros modelos de aprendizado profundo em larga escala, como GPT e RWKV, para comparação e análise.

Previsões de chegada de voos em tempo real

Um artigo intitulado “ A Data-Light and Trajectory-Based Machine Learning Approach for the Online Prediction of Flight Time of Arrival ” apresenta um novo método para prever horários de chegada de voos em tempo real enquanto um voo está no ar, especificamente o tempo estimado de chegada em Limite do Espaço Aéreo do Terminal (ETA_TAB) e Tempo de Aterrissagem Estimado (ELDT). O método é leve em termos de dados, o que significa que requer entradas mínimas de dados e é fácil de implementar, e destina-se ao uso por partes interessadas, como companhias aéreas, aeroportos e desenvolvedores de aplicativos de viagens aéreas, que não têm acesso a informações extensas em tempo real.

O método faz uso de técnicas de aprendizado de máquina e usa apenas informações de trajetória de voo, especificamente latitude, longitude e velocidade. O processo inclui quatro etapas: reconstruir a sequência de pontos da trajetória a partir da trajetória voada e identificar a trajetória histórica mais semelhante; prever a trajetória de voo restante com base na trajetória voada e na trajetória histórica correspondente usando uma rede de memória de longo prazo (LSTM); prever a velocidade de solo do voo ao longo de seu caminho projetado usando um modelo Gradient Boosting Machine (GBM); e prever ETA_TAB e ELDT usando as previsões de trajetória e velocidade.

Os modelos LSTM e GBM usados ​​no método podem ser treinados offline, mantendo as necessidades computacionais online no mínimo. A abordagem foi testada com dados de voo dos EUA do mundo real e descobriu-se que funciona melhor do que vários métodos alternativos. A simplicidade e a eficácia do método o tornam atraente para usuários em potencial que precisam de previsão de ETA em tempo real, mas têm acesso limitado aos dados.

Apesar do bom desempenho da abordagem, os pesquisadores reconheceram que modelos mais sofisticados com acesso a dados adicionais, como congestionamento do espaço aéreo e condições climáticas em rota, poderiam melhorar a precisão da previsão. Pesquisas futuras podem incluir mais trajetórias históricas, incorporar dados de altitude na previsão da trajetória e refinar a previsão do tempo de aproximação do terminal de voo.

Calculando Atrasos e Prevendo Interrupções

Em março, cobrimos uma nova tecnologia de inteligência artificial criada como parte de um projeto chamado Artimation na Mälardalens University (MDU) na Suécia. Ele auxilia os controladores de tráfego aéreo calculando comprimentos de atraso e prevendo interrupções. “Os resultados do projeto melhorarão a funcionalidade, a aceitação e a confiabilidade dos sistemas de IA em geral, mas também atenderão aos objetivos globais, como a melhoria da indústria, inovação e infraestrutura na sociedade”, de acordo com Mobyen Uddin Ahmed, professor de Inteligência Artificial da MDU.

Fonte : Jessica Reed / Aviationtoday