💻 computer science

ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace

تقدم الورقة البحثية نموذج ASCENT، وهو نموذج خفيف الوزن يعتمد على تقنية المحولات (transformer) ويدمج تطبيع الإحداثيات المدرك للمجال والتنبؤات المحددة بالمعلمات لتحقيق تنبؤ دقيق ومنخفض زمن الاستجابة لمسارات الطائرات ثلاثية الأبعاد متعددة الأنماط في المجال الجوي النهائي غير الخاضع للسيطرة من برج المراقبة، متفوقاً بذلك على النماذج المرجعية الحالية في مجموعتي بيانات TrajAir وTartanAviation.

المؤلفون الأصليون: Alexander Prutsch, David Schinagl, Horst Possegger

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alexander Prutsch, David Schinagl, Horst Possegger

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل تقاطعًا مزدحمًا وغير خاضع للسيطرة في السماء. على عكس المطارات الكبرى التي تمتلك برج مراقبة ومراقبين لحركة الجو يخبرون كل طائرة بالضبط أين تذهب، هذا هو المجال الجوي "غير المراقب". هنا، يطير الطيارون وفقًا للقواعد وتقديرهم الخاص، تمامًا مثل السيارات عند تقاطع رباعي الاتجاهات. وبينما ينجح هذا الأمر معظم الوقت، إلا أنه ينطوي على مخاطر. ففي الطيران العام (الطائرات الخاصة الصغيرة، طائرات الأعمال، طائرات رش المحاصيل)، تكون معدلات الحوادث أعلى بكثير من شركات الطيران التجارية، ويرجع ذلك أساسًا إلى عدم وجود "شرطي مرور" لمنع الاصطدامات.

قام مؤلفو هذه الورقة البحثية، ألكسندر بروتش وفريقه، ببناء "بلورة سحرية" رقمية تسمى ASCENT للمساعدة في حل هذه المشكلة. وهو نظام ذكاء اصطناعي مصمم للتنبؤ بدقة بمكان ذهاب الطائرة تاليًا، مما يعطي الطيارين وأنظمة السلامة تنبيهًا مسبقًا قبل وقوع أي تصادم محتمل.

إليك كيف يعمل ASCENT، مشروحًا عبر تشبيهات بسيطة:

1. المشكلة: قراءة الطريق مقابل قراءة السماء

في عالم السيارات ذاتية القيادة، يكون التنبؤ بمكان ذهاب المركبة أسهل لأن السيارات تلتزم بمسارات محددة. لا يمكنها ببساطة القيادة فوق رصيف أو الانعطاف بزاوية 90 درجة في منتصف الشارع؛ فهي تتبع خريطة صارمة.

أما الطائرات، فهي تشبه الطيور؛ تطير في فضاء ثلاثي الأبعاد. يمكنها الصعود، الهبوط، الدوران يسارًا، الدوران يمينًا، أو الدوران حول نفسها. ليس لديها مسارات مرسومة في السماء. علاوة على ذلك، بينما قد تحتاج السيارة فقط للتنبؤ بمكان السيارة الأخرى خلال 3 ثوانٍ، تحتاج الطائرة إلى معرفة مكانها في الـ دقيقتين القادمتين.

حاولت نماذج الذكاء الاصطناعي السابقة تخمين هذه المسارات باستخدام طرق "توليدية" (مثل رمي النرد لرؤية ما سيحدث). أدرك المؤلفون أن هذا يشبه محاولة تخمين مسار الطائرة عن طريق رمي السهام عشوائيًا. وبدلاً من ذلك، نظروا إلى كيفية حل السيارات ذاتية القيادة لمشكلات مماثلة وقاموا بتكييف تلك التقنيات لتناسب السماء.

2. الحل: ASCENT (الملاح الذكي)

بُني ASCENT على نموذج Transformer، وهو نوع من الذكاء الاصطناعي الشهير بقدرته على فهم اللغة (مثل التقنية الكامنة وراء روبوتات الدردشة). ولكن بدلًا من قراءة الكلمات، يقرأ ASCENT "مسارات الطيران".

إليك المكونات الثلاثة السرية التي تجعله مميزًا:

أ. "رؤية من الأعلى" (تنسيق الإحداثيات)

تخيل أنك تقود سيارة. إذا نظرت إلى خريطة، سترى سيارتك كنقطة تتحرك عبر شبكة ضخمة. ولكن إذا كنت داخل السيارة، فأنت لا تهتم بالخريطة؛ بل تهتم بـ "الانعطاف يسارًا عند الإشارة التالية" أو "السير في خط مستقيم".

النماذج القديمة كانت تنظر إلى الخريطة (الإحداثيات العالمية). أما ASCENT فيضع الذكاء الاصطناعي في مقعد الطيار. يأخذ مسار الطائرة التاريخي ويقوم بتدوير العالم بحيث تواجه الطائرة دائمًا اتجاه "الأمام" و"الأعلى". يساعد هذا الذكاء الاصطناعي على التعرف على الأنماط، مثل "انعطاف يسار" أو "صعود"، بغضًا عن الاتجاه الذي تطير فيه الطائرة فعليًا فوق الأرض.

ب. "دفتر ملاحظات المحقق" (المُشفّر - Encoder)

بمجرد تدوير البيانات لتصبح في رؤية الطيار، يستخدم ASCENT مُشفّر Transformer لقراءة التاريخ. فكر في هذا كأن محققًا يقرأ السلوك السابق لمشتبه به.

"هل زادت سرعتهم؟"
"هل بدأوا في الميل نحو اليسار؟"
"هل يقتربون من المدرج؟"

هو لا ينظر فقط إلى الثانية الأخيرة؛ بل ينظر إلى القصة بأكملها لفهم الهدف من الرحلة.

ج. "البلورة السحرية" مع الخيارات (المُفكك القائم على الاستعلام - Query-Based Decoder)

هذا هو الجزء الأكثر إبداعًا. في الماضي، كانت نماذج الذكاء الاصطناعي تحاول تخمين مسار واحد أو توليد سحابة فوضوية من الاحتمالات.

يستخدم ASCENT ما يسمى بـ "استعلامات الوضع القابلة للتعلم" (Learnable Mode Queries). تخيل مدرب طيران يسأل الذكاء الاصطناعي:

"حسنًا، ماذا لو هبطت الطائرة؟"
"ماذا لو انعطفت الطائرة يمينًا؟"
"ماذا لو دارت الطائرة حول نفسها؟"

يمتلك الذكاء الاصطناعي خمس "فتحات ذهنية" (استعلامات) جاهزة للإجابة على هذه الأسئلة المحددة. بدلاً من التخمين العشوائي، يقوم بتوليد خمسة سيناريوهات متميزة وعالية الجودة بشكل نشط (مثل: "هبوط"، "محاولة هبوط فاشلة/التفاف"، "انعطاف يسار"، "انعطاف يمين"، "سير مستقيم"). ثم يخبرك باحتمالية حدوث كل سيناريو.

3. لماذا يعد هذا أمرًا بالغ الأهمية؟

اختبر المؤلفون ASCENT على بيانات طيران حقيقية من مطارات في بيتسبرغ ووجدوا أنه أفضل بكثير من جميع الطرق السابقة.

الدقة: لقد توقع مكان الطائات بدقة أقرب بكثير إلى الواقع مقارنة بالنماذج القديمة.
السرعة: إنه سريع للغاية. بينما تستغرق النماذج الأخرى وقتًا طويلًا للحساب (مثل كمبيوتر بطيء)، فإن ASCENT خفيف الوزن للغاية لدرجة أنه يمكن تشغيله على جهاز صغير في الطائرة أو على جهاز لوحي للطيار في الوقت الفعلي.
السلامة: من خلال التنبؤ باحتمالات متعددة (وليس واحدًا فقط)، فإنه يوفر شبكة أمان أفضل بكثير. إذا رأى الذكاء الاصطناعي أن الطائرة قد تنعطف يسارًا أو يمينًا، فيمكنه تحذير الطيار الآخر ليكون مستعدًا لأي منهما.

الخلاية

فكر في ASCENT كأنه مساعد طيار فائق الذكاء لا يتعب أبدًا. يراقب السماء، ويفهم "لغة" مناورات الطيران، ويهمس للطيار فورًا: "مهلًا، تلك الطائرة التي أمامك تبدو وكأنها قد تنعطف يسارًا خلال 30 ثانية. كن مستعدًا."

من خلال استعارة أفكار من السيارات ذاتية القيادة وتطبيقها على عالم الطيران الفريد ثلاثي الأبعاد، ابتكر المؤلفون أداة يمكن أن تجعل الطيران في المجال الجوي غير المراقب أكثر أمانًا للجميع.

إليك ملخص تقني مفصل لورقة البحث بعنوان "ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace" (أسننت: التنبؤ بمسار الطائرات القائم على المحولات في المجال الجوي النهائي غير الخاضع للبرج).

1. بيان المشكلة

تعالج الورقة تحديًا أمنيًا حرجًا في الطيران العام (GA) ضمن المجال الجوي النهائي غير الخاضع للبرج. بخلاف الطيران التجاري، الذي يعمل تحت إشراف صارم من مراقبة الحركة الجوية (ATC) في مجال جوي محكوم، تعتمد رحلات الطيران العام (الترفيهية، والأعمال، والمهام الجوية) على تقدير الطيار وأنماط الحركة القياسية. وتصل معدلات الحوادث في هذه البيئة إلى حوالي 30 ضعف معدلات الطيران التجاري، حيث تقع معظم الحوادث بالقرب من المطارات.

المشكلة التقنية الجوهرية هي التنبؤ متعدد الأنماط بمسار الطائرة ثلاثي الأبعاد (multi-modal 3D aircraft trajectory prediction). يجب على النظام التنبؤ بالمواقع المستقبلية ثلاثية الأبعاد ( $T_f$ خطوة) بناءً على الحركة التاريخية ( $T_h$ خطوة). وتشمل التحديات الرئيسية ما يلي:

الديناميكيات ثلاثية الأبعاد: تتحرك الطائرات في ثلاثة أبعاد (الارتفاع، والانحراف، والميل) على عكس المركبات الأرضية ثنائية الأبعاد.
غياب المسارات المحددة: على عكس القيادة الذاتية حيث تتبع المركبات طوبولوجيا المسارات، تتبع الطائرات أنماط حركة انسيابية ولكن منظمة (مثل أنماط الحركة القياسية، أو مسارات الإقلاع/الهبوط).
الآفاق الزمنية الطويلة: يتطلب التنبؤ بالطيران التنبؤ عبر دقائق (على سبيل المثال، 120 ثانية)، بينما يغطي التنبؤ في السيارات عادةً بضع ثوانٍ فقط.
تعدد الأنماط: يمكن لمسار تاريخي واحد أن يؤدي إلى عدة مناورات مستقبلية صالحة (مثل الهبوط، أو الدوران، أو إلغاء الهبوط والعودة للطيران).

2. المنهجية: بنية ASCENT

يقترح المؤلفون نموذج ASCENT (Aircraft Sequence Encoding Transformer)، وهو نموذج خفيف الوزن يعتمد على المحولات (Transformer)، صُمم لسد الفجوة بين التنبؤ بالحركة في القيادة الذاتية والتنبؤ بمسار الطيران.

أ. نمذجة الإحداثيات والتقييس (Normalization)

لتعلم أنماط الحركة المحلية بفعالية مع الاحتفاظ بالسياق العالمي، يستخدم ASCENT استراتيجية تقييس مبتكرة:

التقييس المتمحور حول الوكيل (Agent-Centic Normalization): يتم إزاحة وتدوير المسارات التاريخية بالنسبة لوضعية الطائرة الحالية. يتضمن ذلك حساب زاوية الانحراف ( $\gamma$ ) وزاوية الميل ( $\theta$ ) باستخدام آخر خطوتين للموقع.
تضمينات الموضع ثلاثية الأبعاد (3D Positional Embeddings): لمنع فقدان السياق العالمي (مثل المسافة إلى المدرج) بعد عملية التقييس، يقوم النموذج بحقن تضمينات موضع عالمية. تقوم هذه التضمينات بترميز الموقع والاتجاه ثلاثي الأبعاد المطلق $(x, y, z)$ وزوايا الاتجاه $(\gamma, \theta)$ باستخدام تغليف الجيب والجيب تمام (sine/cosine wrapping).

ب. ترميز الحركة (المُشفّر - Encoder)

المدخلات: يتم إسقاط التاريخ المحلي المقيّس $H_{local}$ في فضاء الميزات وتعزيزه بتضمينات زمنية.
البنية: يقوم مُشفّر حركة يعتمد على المحولات (Transformer-based motion encoder) باستخدام كتل الانتباه الذاتي بمعالجة التسلسل.
دمج الميزات: يتم دمج ميزات الحركة المرمزة مع تضمينات الموضع العالمية (التي تتم معالجتها عبر MLP) لإنشاء متجه ميزة الوكيل الشامل $A$ .

ج. فك التشفير باستخدام استعلامات الأنماط القابلة للتعلم (Learnable Mode Queries)

خلافًا لنماذج الطيران السابقة التي تستخدم المشفرات التلقائية المتغيرة (VAE) أو نماذج الانتشار (Diffusion)، يتبنى ASCENT فك تشفير يعتمد على الاستعلامات (query-based decoder) مستوحى من أحدث أساليب القيادة الذاتية (مثل AgentFormer و SceneTransformer).

استعلامات الأنماط (Mode Queries): يستخدم النموذج $k$ من "استعلامات الأنماط" القابلة للتعلم ( $Q \in \mathbb{R}^{k \times D}$ ) لتمثيل المناورات المستقبلية المتميزة (مثل الهبوط، أو الدوران يسارًا، أو الدوران يمينًا).
التنبؤ المعلمي (Parameterized Prediction): بدلاً من التنبؤ مباشرة بالإحداثيات ثلاثية الأبعاد، يتنبأ فك التشفير بمعلمات الطيران:
- السرعة: يتم التنبؤ بها عبر مخرج خطي.
- الزوايا: يتم التنبؤ بالانحراف والميل كأزواج من الجيب والجيب تمام للتعامل مع دورية الزوايا وضمان استقرار الخسارة، ثم تُحول مرة أخرى إلى زوايا عبر الظل (arctangent).
توليد المسار: يتم دمج المعلمات المتنبأ بها حركيًا لتوليد المواقع ثلاثية الأبعاد المستقبلية، والتي يتم تحويلها بعد ذلك مرة أخرى إلى نظام الإحداثيات العالمي.

3. المساهمات الرئيسية

بنية مبتكرة: تقديم ASCENT، وهو أول نموذج يعتمد على المحولات تم تكييفه خصيصًا للتنبؤ بمسار الطائرة ثلاثي الأبعاد في المجال الجوي غير الخاضع للبرج، محققًا نتائج جديدة هي الأفضل في فئتها (SOTA).
النقل عبر المجالات (Cross-Domain Transfer): نجح في تكييف فك التشفير القائم على استعلامات الأنماط من القيادة الذاتية إلى الطيران، مما أثبت تفوقه على النماذج العشوائية التوليدية (VAE/Diffusion) فيما يتعلق بأنماط حركة الطيران المنظمة.
تقييم شامل:
- حقق SOTA على مجموعة بيانات TrajAir عبر آفاق مدخلات متعددة (11 ثانية، 16 ثانية، 40 ثانية) وأنماط مخرجات مختلفة.
- هو الأول الذي يسجل نتائج على مجموعة بيانات TartanAviation، بما في ذلك التقييمات المتقاطعة بين TrajAir و TartanAviation.
الكفاءة: أظهر زمن انتقال (latency) أقل بكثير مقارنة بالنماذج المرجعية، مما يجعله مناسبًا للنشر الفوري (real-time) على الحواف (edge).

4. النتائج التجريبية

تم تقييم النموذج باستخدام مجموعتي بيانات TrajAir و TartanAviation باستخدام المقاييس القياسية: minADE (متوسط خطأ الإزاحة) و minFDE (خطأ الإزاحة النهائي) عبر $k$ من المرشحين.

الأداء على TrajAir:
- مدخلات 11 ثانية: حقق ASCENT قيمة minADE5 تبلغ 0.35 كم و minFDE5 تبلغ 0.58 كم، متفوقًا بشكل كبير على المستوى السابق (TrajAirNet: 0.78/1.55).
- مدخلات 16 ثانية: حقق minADE5 تبلغ 0.33 كم و minFDE5 تبلغ 0.59 كم، متفوقًا على المنافسين مثل ATP و GooDFlight.
- مدخلات 40 ثانية (20 نمطًا): حقق minADE20 تبلغ 0.19 كم و minFDE20 تبلغ 0.26 كم، متجاوزًا GooDFlight (0.29/0.39).
الأداء على TartanAviation:
- أظهر قدرة قوية على التعميم في كل من المطار غير الخاضع للبرج (KBTP) والمطار الخاضع للبرج (KAGC)، بقيم minADE5 تتراوح بين 0.32–0.50 كم.
دراسات الاستئصال (Ablation Studies):
- فك التشفير (Decoder): تفوقت استعلامات الأنماط على نماذج CVAE، مما أكد التوافق الأفضل مع أنماط الحركة المنظمة.
- الإحداثيات: حقق الجمع بين التقييس المحلي + تضمينات الموضع العالمية أفضل النتائج، متفوقًا على أنظمة الإحداثيات العالمية الصرفة أو المحلية الصرفة.
- تنسيق التنبؤ: أدى التنبؤ المعلمي (السرعة/الزوايا) إلى مسارات أكثر استقرارًا في الآفاق الزمنية الطويلة مقارنة بفك التشفير المباشر للموقع ثلاثي الأبعاد.
زمن الانتقال (Latency): أظهر ASCENT زمن انتقال منخفض للغاية (على سبيل المثال، 11–18 مللي ثانية لما يصل إلى 32 طائرة على وحدة معالجة رسوميات V100)، وهو أسرع بنحو 3–6 مرات من TrajAirNet، بسبب غياب عملية أخذ العينات التكرارية.

5. الأهمية والخاتمة

يمثل ASCENT تقدمًا كبيرًا في أنظمة سلامة الطيران. من خلال الاستفادة من رؤى القيادة الذاتية (المحولات، استعلامات الأنماط) وتكييفها مع الطبيعة الفريدة للطيران ثلاثية الأبعاد وذات الآفاق الزمنية الطويلة، يوفر النموذج:

دقة أعلى: تقليل أخطاء التنبؤ بشكل كبير مقارنة بالطرق الحالية.
القدرة على العمل في الوقت الفعلي: يتيح زمن الانتقال المنخفض إمكانية التكامل في أنظمة الكشف عن التعارض في الوقت الفعلي للطيران العام.
التنوع: القدرة على توليد فرضيات متنوعة ومتعددة الأنماط تساعد الطيارين وأنظمة السلامة على توقع نطاق واسع من إجراءات الطيار المحتملة.

يشير المؤلفون إلى أنه بينما يتعلم النموذج ضمنيًا العلاقات مع المدرج، فإن التعميم على مطارات جديدة تمامًا دون ضبط دقيق (fine-tuning) يظل تحديًا بسبب ندرة البيانات. ومع ذلك، تم تصميم البنية بحيث يسهل دمج سياقات إضافية (مثل الطقس، أو التواصل الصوتي مع ATC) في الإصدارات المستقبلية.