🤖 AI

Solution space path planning for supporting en-route air traffic control

本文提出了一种计算高效且具有可解释性的航路空中交通管制解空间路径规划算法，该算法将多种冲突检测方法与以人为本的设计原则相结合，能够在满足运行约束和不断变化的优化目标的同时，在毫秒级时间内生成无冲突路径。

原作者： Yiyuan Zou, Wenying Lyu, Clark Borst

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Yiyuan Zou, Wenying Lyu, Clark Borst

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，欧洲上空的天空就像一条巨大的、繁忙的高速公路，只不过上面跑的不是汽车，而是飞机。负责确保所有人安全且顺畅移动的人被称为空中交通管制员（ATCo）。他们的工作极其艰巨：他们必须确保没有两架飞机相撞，同时还要保持交通流的高效运转。

长期以来，计算机一直试图通过自动绘制飞机在靠得太近时的路径来帮助管制员。但问题在于，这些计算机程序往往表现得像“黑匣子”。它们给出一个解决方案，但管制员并不理解计算机是如何得出这个结果的，或者为什么它选择了这条特定的路线。因为不信任这种“魔法”，管制员往往会忽略计算机的帮助，转而亲自进行操作。

这篇论文介绍了一种旨在帮助管制员的新方法，称为解空间路径规划（Solution Space Path Planning, SSPP）。你可以把它想象成不是一个接管方向盘的机器人，而是一个超级聪明的副驾驶，它能绘制出一张地图，标出当前飞机可以前往的所有安全区域。

核心理念：“安全区”地图

想象你正在一个拥挤的房间里行走。你想走到门口，但周围的人都在移动。

旧方法： 计算机告诉你：“向左转30度，走5步。”你照做了，但你不知道是否有更好的方式，也不知道为什么那是唯一的选择。
SSPP 方法： 计算机在你周围画出一个发光的绿圈，显示出所有你可以在不撞到人的情况下迈出的位置。它将“禁区”（有人经过的地方）标为红色，将“通行区”（可以经过的地方）标为绿色。这样你就可以选择感觉最合适的路径，因为你对自己的所有选择都有清晰的视野。

该研究的目标是让这个“绿圈”即使在有数十架飞机同时移动时也能瞬间出现。

如何实现快速计算（“阴影”技巧）

计算哪里飞行是安全的，就像尝试判断路径是否被墙挡住一样。

慢速方法： 你逐一检查每一个步骤，看是否有墙挡路。这需要耗费大量时间。
SSPP 方法： 研究人员使用了一个巧妙的技巧，叫做阴影投射法（Shadowcasting）。想象你站在一个黑暗的房间里，手里拿着手电筒。光线撞击墙壁，并在家具后面投下阴影。计算机在数字层面也这样做：它计算由其他飞机和障碍物投下的“阴影”。如果一个点处于冲突的“阴影”中，它就是不安全的。如果它处于光亮处，它就是安全的。这使得计算机无需逐个检查每个点，就能瞬间知道哪些区域是可达的。

三种识别危险的方法

为了确定“阴影”（冲突）在哪里，团队测试了三种不同的方法：

尺子法（基于距离）： 测量飞机之间的精确距离。它非常准确，但需要为每一对飞机进行大量的数学计算。
日历法（基于时间间隔）： 检查两架飞机是否会在同一时间出现在同一地点。它适用于繁忙的交通，但可能会过于谨慎，从而不必要地封锁掉安全的路径。
“冲突区”法（基于区域）： 这是本论文的核心创新。它不再进行逐点检查，而是在穿行飞机的周围画出一个“危险区”（就像一个移动的气泡）。如果你的路径进入了这个气泡，你就麻烦了。这种方法是最快的，因为它能让“阴影投射”技巧完美运作，快速识别出安全路径。

两种路径生成器

研究人员构建了两个版本的算法：

SSPPV（短跑选手）： 这个版本观察单个点（就像踏脚石）。它速度极快——在约 3.7 毫秒内计算出新路径（比人类眨眼还快）。它非常适合管制员在繁忙值班期间所需的瞬时决策。
SSPPE（马拉松选手）： 这个版本观察点对点（就像两块石头之间的路径）。它探索更多的可能性，并在复杂情况下找到稍好一些的路径，但计算时间较长。

实验结果

当他们在模拟荷兰繁忙领空（马斯特里赫特上层管制中心）的环境中测试这些工具时：

速度： 使用“冲突区”方法的“短跑选手”（SSPPV）脱颖而出。它能在不到 4 毫秒内找到安全路径，足以满足实时使用的需求。
准确性： 它在几乎所有场景下都成功找到了飞机的安全路径（成功率达 98.5%），即使在飞机和障碍物很多的情况下也是如此。
灵活性： 该系统是可以调节的。如果管制员想要绝对最快的路线，计算机就会找到它；如果管制员希望飞机之间保持更远的距离以确保额外安全，计算机也可以调整，将优先级从速度转向距离。

为什么这很重要

论文指出，对于自动化在天空中的应用，其关键在于透明度。管制员需要看到建议背后的“原因”。通过使用这种“解空间”方法，计算机不仅仅是给出一个答案，它还展示了整个安全选项的景观。

主要的结论是，通过将视觉化思维（解空间）与极速计算方法（阴影投射和冲突区）相结合，我们可以构建出管制员真正信任并愿意使用的工具，从而在不取代人类参与的情况下，让天空变得更安全、更高效。

技术摘要：支持空中交通管制（ATC）的解空间路径规划

问题陈述
尽管空中交通管理（ATM）自动化取得了进展，但在战术空中交通管制（ATC）中，路径规划算法的实际操作采用率仍然有限。一个主要的障碍在于算法设计优先级（通常侧重于纯粹的最优性）与空中交通管制员（ATCo）需求之间的错位，后者要求解决方案具有可解释性、符合操作规范且计算高效。现有的工具，如解空间图（SSD）或旅行空间表示（TSR），虽然提供了高度的可解释性，但往往将解空间限制在简化的表示形式中（例如单个中间航点），这可能导致错过最优路径。相反，先进的路径规划算法（如 A*、SIPP、TO-AA-SIPP）往往缺乏透明度（即“黑箱”性质），或者无法纳入特定的 ATC 约束，如转弯角限制或程序化航路规则。本文旨在解决如何设计一种能够平衡可解释性、计算效率、操作合规性和解的最优性，以实现航路无冲突路径规划的决策支持算法。

方法论
本研究提出了解空间路径规划（SSPP），该算法围绕人类可理解的解空间来构建搜索过程。其核心理念是显式地表示并高效地探索所有可行且无冲突的动作集合。

解空间生成：
在每个搜索步骤中，算法生成一个“解空间”，代表从当前位置可达的所有节点。此过程整合了以下约束：
- 静态障碍物： 可视性通过递归的**阴影投射（shadowcasting）**算法（改编自视野概念）来确定，而非传统的视线检测；这通过避免重复检查障碍物附近的节点，提高了效率。
- 动态障碍物（冲突检测）： 集成了三种不同的基于意图的冲突检测方法来识别可达节点：
  - 基于距离的方法： 使用最近点接近（CPA）指标来检查是否违反了最小间隔（5 海里）。
  - 基于时间间隔的方法： 将飞机轨迹映射到带有时间间隔的网格单元中（类似于安全间隔路径规划，SIPP），以检测时间重叠。
  - 基于区域的方法： 受高度交互式问题求解器（HIPS）启发，该方法根据速度障碍物和飞行时长构建“冲突区”（静态障碍物）。随后利用这些区域结合阴影投射技术，通过单次处理生成动态障碍物的视野。
搜索变体：
根据 A* 搜索框架内如何定义搜索节点，开发了两种 SSPP 变体：
- SSPPV（基于顶点）： 将每个网格顶点视为一个节点。它允许在顶点处进行任意角度转弯，从而生成更直的路径，无需后期平滑处理。
- SSPPE（基于边）： 将每对顶点（一条边）视为一个节点，实际上创建了一个 4D 搜索空间（ $R^2 \times R^2$ ）。该变体通过更严格地考虑进入航向，探索更广阔的状态空间，以期找到更优的解。
目标函数扩展：
虽然基准 SSPP 最小化时间延迟，但本文提出了一个扩展方案，用于处理延迟最小化与飞机间隔之间的权衡。通过加权成本函数，操作员可以平衡这两个目标，从而增强解的鲁棒性。

主要贡献

可解释性与操作合规性： SSPP 框架生成的“白盒”解符合 ATC 的认知过程。它克服了传统 A* 的局限性，能够生成转弯更少、路径更直的路径，并支持多个中间航点，同时遵循转弯角限制（60°）和最小航点距离等约束。
计算效率： 将阴影投射与基于区域的冲突检测相结合，可以快速生成解空间。这使得实时“假设（what-if）”探测成为可能，而这是战术 ATC 的关键要求。
算法变体： 引入 SSPPV 和 SSPPE，提供了速度与搜索深度之间的权衡。结果表明，SSPPV 在保持竞争性解质量的同时，速度显著更快。
冲突检测比较： 本研究在 SSPP 框架内系统地评估了三种冲突检测方法（距离、时间间隔、区域），提供了关于其速度和成功率表现的实证数据。

结果
实验使用基于 Web 的模拟器在马斯特里赫特上空管制中心（MUAC）Delta 区空域进行，场景涵盖 2 到 20 架飞机。

冲突检测性能：
- 基于区域的检测展现出最佳的计算性能。当与 SSPPV 和 5 海里网格结合使用时，平均计算路径耗时仅为 3.69 毫秒。
- 基于距离的检测提供了最高的准确度（在 5 海里网格下成功率为 99.67%），但速度较慢（SSPPV 约为 12.53 毫秒）。
- 基于时间间隔的检测最为保守，导致更高的延迟和较低的成功率（在 20 架飞机和 5 海里网格条件下降至约 79.93%）。
- 研究发现，在标准条件下，基于区域的方法比基于距离的方法快约 3.29 倍，比基于时间间隔的方法快约 2.27 倍。
算法变体（SSPPV vs. SSPPE）：
- SSPPV 的速度约为 SSPPE 的 3.77 倍，同时在最小化延迟和维持间隔方面提供了具有竞争力的有效性。
- SSPPE 在复杂场景下实现了略高的成功率，但付出了极高的计算成本（例如，在某些高密度场景下超过 1,400 毫秒），使其不太适用于对时间要求严苛的战术操作。
- 减小网格尺寸（例如从 5 海里减至 2.5 海里）虽然提高了成功率，但大幅增加了运行时间，凸显了分辨率与速度之间的权衡。
鲁棒性扩展：
平衡延迟与间隔的扩展研究表明，增加间隔权重可以成功提高平均间隔距离，尽管这以增加延迟为代价，并且在高度密集场景下，由于“先到先得”的约束，会导致成功率下降。

意义与主张
本文主张，SSPP 为未来 ATC 决策支持系统的实际集成奠定了坚实基础。其主要贡献在于证明了如何使路径规划算法与人类使用及操作需求相一致。通过将结构化、可解释的解空间表示与符合管制员逻辑的决策相结合，该方法能够实现对丰富解集的快速、针对性探索。作者断言，SSPPV（特别是与基于区域的冲突检测结合时）适用于对时间敏感的战术操作以及交互式实时探测，从而弥合了算法效率与安全关键环境下对透明、以人为中心的自动化需求之间的差距。这项工作并不声称要取代人类管制员，而是旨在提供一种工具，以增强他们管理复杂情况并理解自身行为后果的能力。