A popularidade do transporte aéreo continua a crescer, colocando uma carga de trabalho ainda maior nos controladores de tráfego aéreo (ATCOs). Sua situação pode ser melhorada por meio de um sistema de reconhecimento automático de voz intimamente integrado a um gerenciador de chegadas desenvolvido por pesquisadores financiados pela UE e pelo SESAR.

Um dos maiores obstáculos para a introdução de níveis mais altos de automação no gerenciamento de tráfego aéreo (ATM) é o uso intensivo de comunicação de rádio de voz para transmitir instruções de controle de tráfego aéreo (ATC) aos pilotos. Reconhecimento automático de voz, que converte a fala humana em textos, pode fornecer uma solução para reduzir significativamente as cargas de trabalho de ATCOs e aumentar a eficiência do ATM.

O projeto MALORCA, financiado pelo Horizonte 2020, teve como objetivo reduzir os custos de desenvolvimento e manutenção do reconhecimento de voz por assistente (ABSR) usando aprendizado de máquina em vez de programação manual de software. Esta iniciativa foi financiada no âmbito da Empresa Comum SESAR, uma parceria público-privada criada para modernizar o sistema ATM da Europa.

Adaptação às condições locais

Os sistemas ATC modernos devem ser seguros e eficientes, ao mesmo tempo que estão atualizados. Eles, portanto, exigem uma entrada significativa de ATCOs, que atualmente é capturado por meio de dispositivos de teclado e mouse. Tecnologias modernas, como link de dados ar-solo, que em alguns casos pode substituir a comunicação de voz, exigirá ainda mais entradas de ATCOs.

A imensa carga de trabalho do ATCO pode ser reduzida pelo ABSR. "Felizmente, o reconhecimento automático de voz atingiu um nível de confiabilidade suficiente para implementação em um sistema ATM, "diz o coordenador do projeto Hartmut Helmke." No entanto, precisamos reduzir os custos de transferência dos sistemas de reconhecimento de voz de uma área de abordagem para outra ".

Atualmente, vários módulos de reconhecimento de voz requerem uma adaptação manual às necessidades locais causadas por variabilidades acústicas e de linguagem, como sotaques regionais, desvios de fraseologia e restrições locais. MALORCA propôs um general, solução barata e eficaz para automatizar esse reaprendizado, processo de adaptação e customização. Isso envolve o aprendizado automático do reconhecimento de fala local e modelos ATCO a partir de gravações de dados de radar e de fala.

A MALORCA desenvolveu novas ferramentas de aprendizado de máquina para aprender automaticamente o comportamento do ATCO e adaptar modelos de reconhecimento de voz a partir de dados gravados pelos provedores de serviços de navegação aérea. O aprendizado de máquina emprega técnicas estatísticas que permitem que os sistemas de computador "aprendam" e melhorem seu desempenho em tarefas específicas ao longo do tempo, explorando esses dados, sem ser explicitamente programado. Isso substituirá grande parte do esforço manual anteriormente necessário e reduzirá os custos, pois o aprendizado de máquina dos modelos ABSR torna a adaptação a diferentes aeroportos e a manutenção mais barata e rápida.

O primeiro passo

Os parceiros do projeto usaram a saída de um chamado 'Gerente de Chegada' para os aeroportos de Praga e Viena para dividir automaticamente os dados de treinamento não transcritos em blocos positivos e negativos por meio de métricas de confiança específicas. Essa métrica foi então usada nos algoritmos de aprendizado de máquina desenvolvidos para reforçar o aprendizado a partir dos dados de adaptação.

No contexto do ABSR, o Gerenciador de Chegada suporta a previsão dos comandos ATC que são relevantes para a situação atual. Os comandos previstos são comparados com a saída do reconhecedor de voz. Se um comando não for previsto, presume-se que o sistema de reconhecimento de voz emitiu um comando errado.

O projeto, portanto, fornece à indústria da aviação uma abordagem prática para desenvolver e implantar um sistema de reconhecimento de voz de última geração e integrá-lo aos atuais sistemas de comunicação de voz para provedores de serviços de navegação aérea.

O uso de aprendizado de máquina para reconhecimento de fala é apenas o primeiro caso de teste para sua aplicação mais ampla em ATM. A sua aplicação em ATM também pode ajudar a reduzir a adaptação e manutenção de outras ferramentas ATM. A adaptação, por exemplo, de um gerenciador de chegadas genérico para aeroportos específicos pode ser o próximo passo.