Technologia rozpoznawania mowy dla kontrolerów ruchu lotniczego
Jedną z największych przeszkód utrudniających zwiększenie poziomu automatyzacji w zarządzaniu ruchem lotniczym (ATM) jest szerokie wykorzystywanie głosowej łączności radiowej do przekazywania pilotom poleceń kontroli ruchu lotniczego (ATC). Automatyczne rozpoznawanie mowy, które przekształca ludzką mowę w tekst, może stanowić rozwiązanie znacznie zmniejszające obciążenie kontrolerów i zwiększające wydajność ATM. Finansowany ze środków programu „Horyzont 2020” projekt MALORCA(odnośnik otworzy się w nowym oknie) miał na celu obniżenie kosztów opracowania i utrzymania opartego na asystencie systemu rozpoznawania mowy (ABSR) poprzez zastosowanie uczenia maszynowego zamiast ręcznego programowania. Projekt został sfinansowany w ramach Wspólnego Przedsięwzięcia SESAR, partnerstwa publiczno-prywatnego utworzonego w celu modernizacji europejskiego systemu ATM. Adaptacja do warunków lokalnych Współczesne systemy ATC muszą być bezpieczne i wydajne, a jednocześnie aktualne. Wymagają one zatem znacznego wkładu ze strony kontrolerów, którzy obecnie obsługują je przy pomocy klawiatury i myszy. Nowoczesne technologie, takie jak łącze danych ziemia-powietrze, które w niektórych przypadkach może zastąpić komunikację głosową, będą wymagały jeszcze większej ilości danych wejściowych od kontrolerów. ABSR pozwala zmniejszyć ogromne obciążenie kontrolerów. „Na szczęście automatyczne rozpoznawanie mowy osiągnęło poziom niezawodności wystarczający do wdrożenia go w systemie ATM”, mówi koordynator projektu Hartmut Helmke. „Musimy jednak obniżyć koszty przenoszenia systemów rozpoznawania mowy z jednego obszaru systemów zarządzania podejściem do drugiego”. Kilka istniejących modułów rozpoznawania mowy wymaga ręcznego dostosowania do lokalnych potrzeb wynikających z różnic akustycznych i językowych, takich jak regionalne akcenty, warianty frazeologiczne i lokalne ograniczenia. W projekcie MALORCA zaproponowano ogólne, tanie i skuteczne rozwiązanie automatyzujące proces ponownego uczenia się, adaptacji i dostosowywania. Wiąże się to z automatycznym uczeniem się lokalnych modeli rozpoznawania mowy i kontroli ruchu na podstawie danych z radarów i nagrań mowy. Uczestnicy projektu MALORCA opracowali nowe narzędzia uczenia maszynowego, których zadaniem jest automatyczne uczenie się zachowań kontrolerów i adaptacja modeli rozpoznawania mowy na podstawie danych zarejestrowanych przez dostawców usług nawigacji lotniczej. Uczenie maszynowe wykorzystuje techniki statystyczne, które umożliwiają systemom komputerowym „uczenie się” i poprawę skuteczności wykonywania określonych zadań poprzez wykorzystanie tych danych, bez wprowadzania specjalnych instrukcji programistycznych. Pozwoli to wyeliminować znaczną część ręcznego wprowadzania danych i zmniejszyć koszty, ponieważ dzięki uczeniu maszynowemu modeli ABSR dostosowanie się do specyfiki różnych lotnisk oraz konserwacja są tańsze i szybsze. Pierwszy krok Partnerzy projektu wykorzystali dane z tzw. systemu zarządzania przylotami z lotnisk w Pradze i Wiedniu, aby automatycznie podzielić niepoddane transkrypcji dane szkoleniowe na pozytywne i negatywne fragmenty za pomocą określonych wskaźników pewności. Metrykę tę wykorzystano następnie w opracowanych algorytmach uczenia maszynowego, aby wzmocnić uczenie się na podstawie danych adaptacyjnych. W kontekście ABSR system zarządzania przylotami obsługuje przewidywanie poleceń ATC, które są istotne w aktualnej sytuacji. Przewidywane polecenia są porównywane z danymi wyjściowymi z modułu rozpoznawania mowy. Jeżeli dane polecenie nie jest przewidywane, zakłada się, że system rozpoznawania mowy wygenerował błędne polecenie. W ten sposób projekt oferuje branży lotniczej praktyczne podejście do opracowania i wdrożenia najnowocześniejszego systemu rozpoznawania mowy oraz zintegrowania go z dzisiejszymi systemami łączności głosowej, używanymi przez dostawców usług nawigacji lotniczej. Wykorzystanie uczenia maszynowego do rozpoznawania mowy jest tylko pierwszym testem na drodze do szerszego zastosowania w systemach ATM. Jego zastosowanie w ATM może również przyczynić się do ograniczenia wysiłku związanego z adaptacją i utrzymaniem innych narzędzi ATM. Kolejnym krokiem mogłaby być na przykład adaptacja ogólnego systemu zarządzania przylotami do uwarunkowań konkretnych portów lotniczych.
Słowa kluczowe
MALORCA, rozpoznawanie mowy, ruch lotniczy, uczenie maszynowe, rozpoznawanie mowy oparte na asystencie (ABSR)
