💻 computer science

Constrained Scenario Adaptation in Flight Simulator Training using Conceptualized State Spaces

Dieses Paper präsentiert ein deterministisches, konzeptbasiertes Framework für das Flugsimulator-Training, welches subsymbolische Evidenz über eine beschränkte Machine-Learning-Policy auf zulässige Szenario-Adaptionen abbildet, wobei die Vertrauenswürdigkeit durch formale Sicherheitsgarantien gewährleistet wird und die empirische Effektivität in der Approximation einer verifizierten Baseline-Policy demonstriert wird.

Ursprüngliche Autoren: Helge Lilla, Oliver Niggemann, Thomas Netzel

Veröffentlicht 2026-06-30

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Helge Lilla, Oliver Niggemann, Thomas Netzel

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Flugsimulator nicht nur als Videospiel vor, sondern als einen hochriskanten Trainingsplatz, an dem ein Flugschüler lernt, mit Notfällen umzugehen. Das Ziel dieses Papers ist es, einen „intelligenten Coach“ für diesen Simulator zu entwickeln. Es gibt jedoch einen Haken: In der Luftfahrt darf man eine KI nicht einfach raten lassen, was als Nächstes zu tun ist. Wenn die KI einen Fehler macht, könnte das gefährlich werden. Daher mussten die Autoren einen Weg finden, eine KI zu erschaffen, die intelligent genug ist, um das Training anzupassen, aber streng genug, um niemals die Sicherheitsregeln zu verletzen.

Hier ist die Vorgehensweise, aufgeschlüsselt in einfache Konzepte und Analogien.

Das Problem: Die „Black Box“ vs. das „Regelwerk“

Traditionell folgt das Flugtraining einem strengen Regelwerk (wie einem Lehrplan). Ein menschlicher Instruktor entscheidet, wann ein Schüler bereit ist, zum nächsten Schritt überzugehen.

Der alte Weg: Ein Mensch beobachtet die Leistung eines Schülers und sagt: „Du hast das gut gemacht, lass uns ein windigeres Szenario versuchen.“
Das KI-Problem: Wenn man einfach eine Standard-KI in den Simulator einbaut, wird sie zu einer „Black Box“. Sie lernt zwar vielleicht, das Training anzupassen, aber niemand weiß, warum sie eine Entscheidung getroffen hat, und sie könnte versehentlich ein Szenario vorschlagen, das zu gefährlich ist oder einen notwendigen Schritt überspringt. Die Luftfahrtbehörden (wie die EASA) sagen: „Wir brauchen eine KI, die präzise, aber auch erklärbar, rückverfolgbar und strikt durch Sicherheitsregeln begrenzt ist.“

Die Lösung: Der „Konzeptualisierte Zustandsraum“

Die Autoren haben eine Brücke zwischen Rohdaten und intelligenten Entscheidungen geschaffen. Sie nennen dies einen Konzeptualisierten Zustandsraum.

Die Analogie: Eine Symphonie in ein Rezept übersetzen
Stellen Sie sich vor, der Simulator zeichnet eine Symphonie aus Daten auf: die Geschwindigkeit des Flugzeugs, den Anstellwinkel der Flügel, die Reaktionszeit des Piloten und dessen Testergebnisse. Dies ist ein chaotisches Durcheinander von Zahlen (subsymbolische Daten).

Schritt 1: Der Übersetzer (Diskretisierung): Das System wandelt diese Rohzahlen zuerst in einfache, menschenlesbare „Ereignisse“ um. Anstatt „Anstellwinkel änderte sich um 0,4 Grad“ sagt es: „Der Pilot hat das Flugzeug überstürzt (gestallt)“.
Schritt 2: Das Wörterbuch (Semantische Fundierung): Es verknüpft diese Ereignisse dann mit spezifischen Fähigkeiten. „Stall“ (Strömungsabriss) wird mit den Konzepten „Manuelle Kontrolle“ und „Energiemanagement“ verknüpft.
Das Ergebnis: Anstatt der KI eine Million Rohzahlen zuzuführen, füttert das System sie mit einem sauberen, organisierten „Zeugnis“, das aus diesen spezifischen Konzepten besteht. Dies ist der Konzeptualisierte Zustand. Es ist, als würde man eine chaotische Symphonie in ein klares Rezeptbuch übersetzen.

Der „Intelligente Coach“ mit Sicherheitsgeschirr

Sob also das System dieses saubere „Zeugnis“ hat, muss es entscheiden, was als Nächstes zu tun ist. Hier kommt das Constrained Machine Learning (Maschinelles Lernen unter Nebenbedingungen) ins Spiel.

Die Analogie: Der Zug auf Schienen
Betrachten Sie den Trainingsprozess als einen Zug.

Die Schienen (Deterministische Kontrolle): Der Zug kann sich nur auf einer festen Strecke vorwärts bewegen. Er kann nicht von den Schienen springen oder rückwärts fahren. Dies repräsentiert die Instruktionskontrolle. Die KI darf nicht entscheiden, eine Phase zu überspringen oder direkt zur Abschlussprüfung überzugehen; sie muss die genehmigten Trainingsphasen befolgen.
Das Sicherheitsgeschirr (Admissible Action Space / Zulässiger Aktionsraum): Selbst wenn der Zug schnell fahren will, ist er in ein Geschirr gespannt, das seine Geschwindigkeit begrenzt. Die KI darf Änderungen vorschlagen (wie mehr Wind oder das Wiederholen eines Manövers), aber nur innerhalb einer „Sicherheitszone“. Wenn die KI versucht, etwas Unmögliches oder Gefährliches vorzuschlagen, schnappt ein „Projektionsoperator“ (wie eine Sicherheitsklammer) die Vorschläge zurück in die sichere Zone.
Der Fahrer (Die KI): Die KI ist der Fahrer, der versucht, den Zug zu steuern. Sie lernt aus einer „regelbasierten Baseline“ (einem Satz von Expertenregeln). Sie versucht, die Entscheidungen eines Experten nachzuahmen, ist aber durch die Schienen und das Geschirr streng begrenzt.

Die praktische Anwendung (Das Stall-Beispiel)

Die Autoren testeten dies am Beispiel des Stall-Trainings (wenn ein Flugzeug den Auftrieb verliert).

Input: Das System betrachtet die Ergebnisse des Theorie-Tests des Schülers und die Leistung im Simulator.
Übersetzung: Es wandelt dies in einen „Zustand“ um: „Der Schüler beherrscht die Theorie (Wissen), hat aber Schwierigkeiten bei der Höhenkontrolle während der Erholung (Fähigkeit/Skill).“
Entscheidung: Die KI betrachtet diesen Zustand. Sie kennt die Regel: „Wenn die Höhenkontrolle schwach ist, wiederhole das Manöver und verschärfe die Toleranzgrenzen.“
Constraint-Check (Überprüfung der Nebenbedingungen): Die KI schlägt vor: „Wiederhole den Stall und mache den Wind etwas stärker.“
- Check 1: Ist das erlaubt? Ja, es liegt innerhalb der Sicherheitsgrenzen.
- Check 2: Ist es die richtige Phase? Ja, wir befinden uns in der „Übungsphase“, nicht in der „Prüfungsphase“.
Output: Der Simulator aktualisiert das nächste Szenario entsprechend.

Warum das wichtig ist (Die „Vier Superkräfte“)

Das Paper behauptet, dass diese Architektur vier besondere Eigenschaften besitzt, die sie für die Luftfahrt sicher machen:

Determinismus: Wenn man dieselben Daten zweimal ausführt, erhält man exakt dasselbe Ergebnis. Keine Zufälligkeit.
Semantische Fundierung: Jede Entscheidung basiert auf einem klaren Konzept (wie „Höhenkontrolle“), nicht auf einer verborgenen Zahl. Man kann die KI fragen: „Warum hast du das getan?“ und sie kann antworten: „Weil die Punktzahl der Höhenkontrolle des Schülers niedrig war.“
Constraint Compliance (Einhaltung von Nebenbedingungen): Die KI kann physisch nicht ein gefährliches Szenario vorschlagen, da das „Sicherheitsgeschirr“ jede schlechte Idee abklemmt.
Rekonstruierbarkeit: Das System führt ein perfektes „Black Box“ (Flugdatenschreiber) über jede Entscheidung, sodass Auditoren im Nachhinein genau sehen können, wie und warum eine Entscheidung getroffen wurde.

Die Ergebnisse

Die Autoren testeten dies mit 160 Trainingsfällen.

Die KI lernte, die Regeln eines menschlichen Experten sehr gut nachzuahmen.
Sie war wesentlich besser darin, den richtigen Trainingsschwerpunkt vorherzusagen, als nur die häufigste Antwort zu raten (eine „Majority Class“-Baseline).
Vor allem bewies sie, dass man ein maschinelles Lernsystem bauen kann, das intelligent genug ist, um sich anzupassen, aber starr genug, um sicher zu sein.

Was es NICHT ist

Das Paper betont vorsichtig, dass dies ein Proof-of-Concept ist.

Es ist noch kein vollständiger Ersatz für menschliche Instruktoren.
Es wurde noch nicht an tausenden Piloten in verschiedenen Flugzeugtypen getestet.
Es ist speziell für sicherheitskritische Trainings konzipiert, nicht für allgemeine Videospiele oder unkritische Anwendungen.

Kurz gesagt präsentiert das Paper einen neuen Weg, um einen KI-Coach zu bauen, der die Sprache menschlicher Konzepte spricht, einem strengen Regelwerk folgt und ein Sicherheitsgeschirr trägt, um sicherzustellen, dass das angebotene Training sowohl intelligent als auch sicher ist.

Technische Zusammenfassung: Beschränkte Szenario-Adaption in der Flugsimulator-Ausbildung mittels konzeptualisierter Zustandsräume

Problemstellung
Der Luftfahrtsektor, geleitet durch die EASA AI Roadmap 2.0, erfordert Machine-Learning-Systeme (ML), die nicht nur präzise, sondern auch deterministisch, interpretierbar, auf formal definierte Konzepte rückführbar, durch explizite Sicherheitsbeschränkungen begrenzt und post-hoc rekonstruierbar sind. Aktuelle Ansätze zur adaptiven Pilotenausbildung behandeln ML oft als unbeschränkten Prädiktor über latente Merkmalsräume und wenden Beschränkungen erst als Post-hoc-Filter an. Dies schafft eine methodische Lücke: Es gibt keine formal definierte Transformation, die heterogene Trainingsbelege (eine Kombination aus Theorie-basierten Bewertungen und Simulator-Telemetrie) in zulässige Szenario-Adaptionen überführt und gleichzeitig Determinismus, semantische Fundierung, Einhaltung von Beschränkungen und Rekonstruierbarkeit gewährleistet. Bestehende Konzeptualisierungsansätze für Cyber-Physische Systeme (CPS) adressieren nicht explizit, wie solche semantisch fundierten Zustandsräume in sicherheitskritische ML-Architekturen integriert werden können.

Methodik
Das Paper schlägt eine formale Abbildung $\Phi: D_{raw} \rightarrow \Delta_{scenario}$ vor, die den Übergang von Rohdaten zur Szenario-Adaption in vier strukturell verifizierten Teilschritten zerlegt. Die Architektur wird für das Training zur Stall-Erkennung (Stall Recognition) und Erholung innerhalb der Paradigmen des Evidence-Based Training (EBT) und des Competency-Based Training and Assessment (CBTA) instanziiert.

Konzeptualisierung des Zustandsraums (RQ1):
Das System transformiert heterogene Rohmesswerte ( $D_{raw}$ ) mittels eines dreistufigen Prozesses in einen deterministischen, semantisch fundierten Zustandsraum ( $S$ ):

Diskretisierung: Kontinuierliche Telemetrie und Bewertungs-Scores werden über Ereigniserkennung und Schwellenwertbildung in diskrete Diagnosezustände ( $Z$ ) umgewandelt.
Semantische Zuweisung: Diagnosezustände werden einem endlichen Satz von Deep-Linking-Keywords ( $K$ ) zugeordnet, die Wissen, Fertigkeiten und Einstellungen (Knowledge, Skills, Attitudes – KSA) repräsentieren. Dies verknüpft die theoretische Wissensarbeit mit der simulatorbasierten Leistung.
Aggregation: Die Belege werden in einen vereinheitlichten Lernendenzustand ( $s_i$ ) aggregiert, der KSA-Scores, manöverspezifische Trace-Features, den Instruktionsfortschritt und den Kontext enthält. Dieser Zustand dient als Input für die ML-Komponente und stellt sicher, dass keine latenten oder unbeschränkten Repräsentationen verwendet werden.

Beschränkte Adaptionslogik (RQ2):
Die Adaptionslogik wird durch einen deterministischen endlichen Automaten (DFA) gesteuert, der die Instruktionsphasen unabhängig von der ML-Schicht verwaltet. Die Adaptionspolitik operiert innerhalb eines strikt definierten zulässigen Aktionsraums ( $A_{allowed}$ ), der durch folgende Faktoren beschränkt ist:

Phasen-Gating: Eine Adaption ist nur in spezifischen Instruktionsphasen zulässig.
Aktions-Kontrakte: Szenario-Parameter (z. B. Windgeschwindigkeit, Höhe, Wiederholung des Manövers) sind durch regulatorische und sicherheitstechnische Grenzwerte begrenzt.
Regelbasierte Baseline: Eine deterministische regelbasierte Policy ( $\pi_{rule}$ ) dient als Referenz, wählt Fokus-Keywords basierend auf KSA-Profilen aus und wendet schwellenwertbasierte Adaptionsklassen (stark, moderat, stabil) an.

Beschränkte Policy-Approximation (RQ2):
Eine ML-Policy ( $\pi_{ML}$ ) wird trainiert, um die regelbasierte Baseline ( $\pi_{rule}$ ) innerhalb des beschränkten Raums ( $\Pi_c$ ) zu approximieren.

Lernbeschränkungen: Während des Trainings werden Monotonie-Beschränkungen erzwungen (z. B. darf eine steigende Fertigkeit nicht die Wahrscheinlichkeit einer kompensatorischen Remedial-Adaption erhöhen).
Inferenz-Beschränkungen: Ein deterministischer Projektionsoperator ( $P$ ) begrenzt die Modellausgaben auf den zulässigen Aktionsraum und erzwingt das Phasen-Gating. Dies stellt sicher, dass selbst wenn das ML-Modell eine unzulässige Aktion vorhersagt, die ausgeführte Policy ( $\pi_{exec}$ ) konstruktionsbedingt konform bleibt.

Rekonstruierbarkeit (RQ3):
Jede Entscheidung wird in einem persistenten Trace ( $\tau$ ) protokolliert, der Rohinputs, Zwischenzustände, Modellausgaben und Projektionsergebnisse enthält, was eine vollständige Post-hoc-Auditierbarkeit ermöglicht.

Kernbeiträge

Definition der formalen Abbildung: Das Paper definiert den Übergang von heterogenen Trainingsbelegen zu zulässiger Szenario-Adaption als eine deterministische Abbildung $\Phi$ mit vier strukturellen Eigenschaften: Determinismus, semantische Fundierung, Einhaltung von Beschränkungen und Rekonstruierbarkeit.
Deterministische Zustandskonstruktion: Es erweitert CPS-Konzeptualisierungsansätze durch die Formalisierung einer dreistufigen Zustandsraum-Konstruktion (Diskretisierung, semantische Zuweisung, Aggregation), die die heuristische Keyword-Aggregation in eine formale symbolische Repräsentation überführt, die für Diagnose und Audit geeignet ist.
Architektonisch beschränktes ML: ML wird als beschränkte Approximation einer regelbasierten Policy eingebettet. Die Zulässigkeit wird durch Konstruktion durch Monotonie-Beschränkungen, deterministische Instruktionssteuerung und einen Projektionsoperator garantiert, statt sich auf Post-hoc-Filterung zu verlassen.
Integrierte Interpretierbarkeit: Interpretierbarkeit und Auditierbarkeit werden als architektonische Eigenschaften behandelt, die aus der Struktur des Zustandsraums und den persistenten Entscheidungs-Traces resultieren, und nicht als Post-hoc-Ergänzungen.

Ergebnisse
Das Framework wurde als Proof-of-Concept mittels $N=160$ Policy-Fällen aus Stall-Trainingsszenarien empirisch validiert, wobei eine gruppenweise $k=5$ Cross-Validation angewendet wurde, um Data Leakage zu verhindern.

Performance: Die beschränkte ML-Policy approximierte die deterministische Baseline mit einem Profil-Mean-Absolute-Error (MAE) von $0,126 \pm 0,024$ .
Klassifikation: Das Modell erreichte eine Fokus-Klassifikationsgenauigkeit von $0,631 \pm 0,080$ , was eine Steigerung von $+0,344$ gegenüber der Mehrheitsklasse ( $0,288 \pm 0,042$ ) darstellt.
Semantische Analyse: Die SHAP-Analyse zeigte, dass bestimmte Keywords (z. B. „energy-management“) zwar selten als explizite Fokus-Ziele ausgewählt wurden, aber als signifikante policy-gestaltende Variablen fungierten, was darauf hindeutet, dass das Modell komplexe semantische Interaktionen erfasst, statt nur einfache Regeln zu replizieren.
Verifizierung: Die analytische Verifizierung bestätigte, dass das System die vier strukturellen Eigenschaften (P1–P4) durch Konstruktion erfüllt, unabhängig von der Datensatzgröße.

Bedeutung und Ansprüche
Das Paper behauptet zu demonstrieren, dass ML-basierte Adaption strukturell kompatibel mit sicherheitskritischen Cyber-Physischen Trainingssystemen sein kann, ohne Determinismus oder Auditierbarkeit zu opfern. Die Bedeutung liegt nicht in unbeschränkter Adaptivität, sondern in der Definition formal spezifizierter Bedingungen, unter denen ML innerhalb eines sicherheitskritischen Rahmens operieren kann. Die Autoren stellen explizit klar, dass die empirischen Ergebnisse ein Proof-of-Concept sind; der Stichprobenumfang ( $N=160$ ) ist ausreichend, um Operationalisierbarkeit und die Einhaltung von Beschränkungen zu demonstrieren, stützt jedoch keine Behauptungen über eine statistische Generalisierung über verschiedene Kohorten oder Manöverkategorien hinweg. Die Arbeit identifiziert die Generalisierung über mehrere Kohorten sowie die formale Charakterisierung von Korrektheitsbedingungen für Adaptionsentscheidungen als notwendige nächste Schritte. Die vorgeschlagene Architektur bietet ein allgemeines methodisches Muster für die Integration von beschränktem ML in sicherheitskritische CPS und adressiert damit spezifisch die EASA-Anforderung nach vertrauenswürdiger, rückverfolgbarer und begrenzter KI in der Luftfahrt.