KR20190143832A - 항공 교통 관리 전자 시스템 테스트 방법, 해당 전자 장치 및 플랫폼 - Google Patents
항공 교통 관리 전자 시스템 테스트 방법, 해당 전자 장치 및 플랫폼 Download PDFInfo
- Publication number
- KR20190143832A KR20190143832A KR1020190074160A KR20190074160A KR20190143832A KR 20190143832 A KR20190143832 A KR 20190143832A KR 1020190074160 A KR1020190074160 A KR 1020190074160A KR 20190074160 A KR20190074160 A KR 20190074160A KR 20190143832 A KR20190143832 A KR 20190143832A
- Authority
- KR
- South Korea
- Prior art keywords
- air traffic
- instructions
- function
- information
- electronic
- Prior art date
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010998 test method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 7
- 230000001373 regressive effect Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
- G08G5/0026—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located on the ground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0082—Surveillance aids for monitoring traffic from a ground station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
Abstract
본 발명은 항공 교통 관리 전자 시스템(2)에 관한 것으로서,
- 상기 시스템(2)이 항공 교통의 상태를 나타내는 입력 데이터를 수신하는 단계;
- 상기 시스템(2)이 상기 입력 데이터의 함수로서 항공 교통에 관한 정보를 설정하고, 상기 시스템이 상기 정보를 시스템의 전자 테스트 장치(6)로 전달하는 단계;
- 시스템의 상기 전자 테스트 장치(6)가 전달된 정보의 함수로서 항공 교통 관제 지시를 결정하고, 상기 시스템에 상기 지시를 제공하는 단계;
- 상기 시스템이 상기 지시를 수신하고 처리하는 단계를 포함하며,
상기 전자 장치(6)는 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델(63)을 포함하고, 상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득된다.
- 상기 시스템(2)이 항공 교통의 상태를 나타내는 입력 데이터를 수신하는 단계;
- 상기 시스템(2)이 상기 입력 데이터의 함수로서 항공 교통에 관한 정보를 설정하고, 상기 시스템이 상기 정보를 시스템의 전자 테스트 장치(6)로 전달하는 단계;
- 시스템의 상기 전자 테스트 장치(6)가 전달된 정보의 함수로서 항공 교통 관제 지시를 결정하고, 상기 시스템에 상기 지시를 제공하는 단계;
- 상기 시스템이 상기 지시를 수신하고 처리하는 단계를 포함하며,
상기 전자 장치(6)는 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델(63)을 포함하고, 상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득된다.
Description
본 발명은 전자 항공 교통 관제 시스템, 일반적으로 전자 항공 교통 관리(ATM) 시스템 분야에 관한 것이다. 이러한 시스템은 한편으로는 예컨대 주어진 지리적 섹터를 책임지는 항공 교통 관제사, 다른 한편으로는 지리적 섹터 내에 위치한 항공기나 특히 이웃 지리적 섹터를 책임지는 다른 항공 교통 관제사 간의 인터페이스를 제공한다.
이러한 시스템은 외부 시스템으로부터 데이터(기상 데이터, 항공기 비행 계획, 레이더 감지, 이웃 섹터의 항공 교통 관제사로부터의 메시지 등)를 수신하고, 이 데이터를 처리하고, 선택적으로 조합하고, MMI(man-machine interface)를 통해 이 데이터나 처리 작업으로부터의 결과인 정보를 항공 교통 관제사를 위해 검색한다. 항공 교통 관제사는 이 데이터 및 정보에 기반하여, 항공 교통 관제 지시(항공기를 위한 명령, 이웃 관제사를 위한 정보, 데이터 등을 포함하는 메시지)를 결정하고 MMI를 통해 입력한다. 다음으로 시스템은 이 명령을 처리한다.
이러한 시스템은 정기적으로 검증 및 통합 테스트를 거친다. 알려진 방식으로 이러한 검증 및 통합 테스트는 먼저 시스템의 빌더에서, 그 후 시스템이 운영 사이트에 설치되면 시스템의 적절한 동작을 검증하고, 임의의 버그를 발견하려 한다. 예를 들어 성능, 예컨대 응답 시간 및 견고성을 테스트하기 위해 내부 및 외부 인터페이스와의 교환 측면에서 시스템의 동작의 사양 준수를 검증할 수 있게 한다. 이들 검증 및 통합 테스트는 기정의되거나 되지 않을 수 있는 입력 데이터로 수행된다. 이들 테스트는 새 기능이 항공 교통 관제사의 전자 관제 시스템에 도입되는 동안 또는 기존 기능의 비 회귀성을 테스트하기 위해 수행되어야 한다. 이는 시스템과 상호작용하는 항공 교통 관제사가 전통적인 운용 사용과 동일한 방식으로 며칠 또는 심지어 몇 주 동안 참여할 것을 필요로 하는데, 완전하고 집중적인 테스트의 구현 및 이들 시스템의 기술적 업그레이드의 신속한 배치에 제동을 건다.
예로서, 항공 교통 관제 시스템의 알려진 기능은 충돌 감지인데, 시스템이 만약 다음 n분(예컨대, n-3) 내에 두 항공기 간의 충돌 위험을 감지하면 경고가 생성된다. 이러한 경우, 경고에 의해 통지 받는 동안 항공 교통의 현재 상태 및 항공 교통 환경에 대해 시스템이 제공하는 다른 데이터를 고려하여, 관제사는 상기 항공기에 명령을 내리고 가능하다면 이웃 섹터의 관제사와 각 ATM 시스템을 통해 통신한다.
예를 들어 새로운 충돌 감지 알고리즘을 사용함으로써 충돌 감지 방법이 바뀌면, ATM 시스템에 다음에 처리 및/또는 디스플레이되는 입력 데이터를 공급하는 것, 항공 교통 관제사를 통해 분석하는 것, 후자를 통해 지시를 제공하는 것, 그리고 이들 지시를 ATM 시스템을 통해 처리하는 것, 불일치, 편류, 회귀 등을 검출하기 위해 감독되는 시스템의 동작을 포함하여 테스트가 수행된다.
ATM 시스템의 다른 기능은 예를 들어 항공기간 안전 거리의 감독이다. 이 기능의 검색 양식이 변경되면, 테스트도 수행되어야 한다.
따라서, 항공 교통 관제 전자 제어 시스템의 테스트의 구현을 가능하게 할 필요가 있다.
이를 위해, 제1 태양에 따르면, 본 발명은 항공 교통 관제 전자 제어 시스템용 테스트 방법을 제안하는데, 상기 시스템은 상기 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 작동 단계에서 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하며, 상기 방법은 상기 시스템의 테스트 단계 동안:
- 상기 시스템이 항공 교통의 상태를 나타내는 입력 데이터를 수신하는 단계;
- 상기 시스템이 상기 입력 데이터의 함수로서 항공 교통에 관한 정보를 설정하고, 상기 시스템이 상기 정보를 시스템의 전자 테스트 장치로 전달하는 단계;
- 시스템의 상기 전자 테스트 장치가 전달된 정보의 함수로서 항공 교통 관제 지시를 결정하고, 상기 시스템에 상기 지시를 제공하는 단계;
- 상기 시스템이 상기 지시를 수신하고 처리하는 단계를 포함하는 것을 특징으로 하며,
상기 전자 장치는 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델을 포함하고, 상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득된다.
따라서, 본 발명은 훨씬 더 큰 지속시간 및 밀도를 가진 항공 교통의 전자 제어 테스트를 수행할 수 있도록 하여 새로운 기능들 또는 더 일반적으로 새로운 버전의 이런 시스템들의 동작 커미셔닝(operational commissioning)을 가속화하고 신뢰성 있도록 할 수 있다.
실시예들에서, 본 발명에 따른 테스트 방법은 다음의 하나 이상의 특징들을 더 포함한다:
- 테스트 방법은 테스트 단계 동안 시스템의 행동의 함수로서 시스템의 하나 이상의 부적합을 검출하는 단계를 포함한다.
- 지시를 자동으로 결정하기 위한 알고리즘 모델은, 적어도 하나의 요소에 특화되어 있는 지시를 결정하기 위해, 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들 및 상기 지시들과 관련된 항공 교통 관제에 관한 정보의 학습 동안 동일한 유형의 몇몇 요소들 중에서 한 요소에 의한 결정의 함수로서 학습되며, 동일한 유형의 몇몇 요소들 중에서 상기 요소는 몇몇 지리적 섹터들 중 한 지리적 섹터 및/또는 몇몇 역할들 중 한 항공 교통 관제사 역할 및/또는 상기 시스템의 몇몇 기능들 중에서 항공 교통의 전자 제어 시스템의 한 기능이다.
- 테스트 방법은:
- 항공 교통 관제사의 규칙에 부합하지 않는 지시들을 식별하도록 구성된 알고리즘 제약 모듈을 결정하는 단계;
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 공급한 지시들의 세트에 상기 알고리즘 모듈을 적용하고, 신경망의 학습에 사용되는 세트에서 부합하지 않는 것으로 식별된 상기 지시들을 제거하는 단계;
- 전자 테스트 장치에 의해 결정되고 부합하지 않는 것으로 식별된 지시(들)를 테스트하는 단계에서 고려되지 않은 지시들에 상기 알고리즘 모듈을 적용하는 단계를 포함한다.
- 테스트 방법은 테스트에 대한 예비 단계에서:
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들의 세트 및 상기 지시들과 관련되는 시스템에 의해 전달된 항공 교통 관제사에 관한 정보를 수집하고 저장하는 단계;
- 컴퓨터에 의해 수행되는 신경망의 학습에 의해 항공 교통 관제사에 관한 정보의 함수로서, 상기 저장된 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 상기 저장된 정보의 함수로서, 지시들을 자동으로 결정하기 위한 알고리즘 모델을 결정하는 단계를 포함한다.
제2 태양에 따르면, 본 발명은 항공 교통 관제 전자 제어 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하는, 항공 교통 관제 전자 제어 시스템용 전자 테스트 장치를 제안하는데, 상기 전자 테스트 장치는 시스템에 의해 전달되는 항공 교통에 관한 정보를 수신하도록 구성되고, 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델을 포함하는 것을 특징으로 하며, 상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득된다.
실시예들에서, 본 발명에 따른 테스트 장치는 다음의 하나 이상의 특징들을 더 포함한다:
- 테스트 장치는 시스템의 행동의 함수로서 시스템의 하나 이상의 부적합을 검출하도록 구성된다.
- 지시를 자동으로 결정하기 위한 알고리즘 모델은, 적어도 하나의 요소에 특화되어 있는 지시를 결정하기 위해, 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들 및 상기 지시들과 관련된 항공 교통 관제에 관한 정보의 학습 동안 동일한 유형의 몇몇 요소들 중에서 한 요소에 의한 결정의 함수로서 학습되며, 동일한 유형의 몇몇 요소들 중에서 상기 요소는 몇몇 지리적 섹터들 중 한 지리적 섹터 및/또는 몇몇 역할들 중 한 항공 교통 관제사 역할 및/또는 상기 시스템의 몇몇 기능들 중에서 항공 교통의 전자 제어 시스템의 한 기능이다.
제3 태양에 따르면, 본 발명은 항공 교통 관제 전자 제어 시스템용 테스트 플랫폼을 제안하는데, 상기 시스템은 상기 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 작동 단계에서 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하며,
상기 플랫폼은:
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들의 세트 및 상기 지시들과 관련되는 시스템에 의해 전달된 항공 교통 관제사에 관한 정보를 수집하고 저장하며;
- 컴퓨터에 의해 수행되는 신경망의 학습에 의해 항공 교통 관제사에 관한 정보의 함수로서, 상기 저장된 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 상기 저장된 정보의 함수로서, 지시들을 자동으로 결정하기 위한 알고리즘 모델을 결정하고;
- 지시를 자동으로 결정하기 위한 상기 알고리즘 모델을 포함하는 시스템의 전자 테스트 장치를 획득하며;
- 상기 전자 테스트 장치를 통해 상기 시스템(2)을 테스트하도록 구성된다.
제4 태양에 따르면, 본 발명은:
- 항공 교통 관제 전자 제어 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제로부터의 관제 지시를 수신하고 처리하는, 항공 교통 관제 전자 제어 시스템(2); 및
- 본 발명의 제2 태양에 따른 청구항들 중 하나에 따른 상기 전자 시스템의 전자 테스트 장치를 포함하는, 테스트 플랫폼을 제안한다.
본 발명의 내용 중에 포함되어 있다.
본 발명의 이러한 특징 및 이점은 단지 예시로서 제공되고 첨부도면을 참조하여 이루어지는 다음의 상세한 설명을 통해 나타날 것이다.
도 1은 본 발명의 일실시예의 테스트 플랫폼의 도면이다.
도 2는 본 발명의 일실시예로 구현되는 단계들의 흐름도이다.
도 1은 본 발명의 일실시예의 테스트 플랫폼의 도면이다.
도 2는 본 발명의 일실시예로 구현되는 단계들의 흐름도이다.
도 1은 항공 교통 관제 전자 제어 시스템의 테스트 플랫폼(1)을 도시한다. 고려된 예에서, 테스트 플랫폼(1)은 이하 ATM 시스템(2)이라 지칭하는 항공 교통 관제 전자 제어 시스템(2) 및 전자 테스트 장치(6)를 포함한다.
ATM 시스템(2)은 메모리(20), MMI 유닛(21) 및 프로세서(22)를 포함한다.
예를 들어, MMI 유닛(21)은 예컨대 터치-감응형과 같은 디스플레이 스크린, 스피커 시스템, 키보드, 마이크로폰 등을 포함한다.
또한, ATM 시스템(2)은 외부 시스템(4_1, 4_2, ..., 4_n)의 세트(4)와 원격 통신 링크로 연결된다.
이러한 외부 시스템은 예를 들어 항공기, 레이더, 기상 관측소, 다른 항공 교통 관제사의 원격 통신 장치, 공항 관제실 등을 포함한다.
ATM 시스템(2)은 그 메모리(20)에 입력 데이터(및 이런 데이터의 타임스탬프)를 수신하고 저장하도록 구성된다.
이 입력 데이터는 외부 데이터, 즉 공역(airspace)(또는 공역의 소정의 섹터)의 현재 또는 미래 상태를 나타내는 세트(4)의 외부 시스템(4_1, 4_2, ..., 4_n)에 의해 전달되는 외부 데이터를 포함하며, 예를 들어 불완전하지만 다음을 포함한다:
- 섹터 내 현재 또는 임박한 각각의 항공기에 대하여: 3차원(3D) 좌표, 항공기 유형, 그 방향, 그 속도, 그 비행 계획;
- 현재 및 미래의 기상 정보;
- 항공 교통 밀도 표시기(예컨대, 섹터 내 항공기 수, 난기류), 공역의 현재 및 미래 구조를 정의하는 데이터(예컨대, 군용 비행 금지 구역, 항공 회랑의 존재), 현재 및 미래의 공항 구성(활주로, 풍향, 가용 유도로 등), 감시 데이터(1차 및 2차 레이다, ADS-B, WAM 등으로부터 도출된 데이터);
- 인접 섹터와 관련하여 ATM 시스템에서 작동하는 항공 교통 관제사와의 조정 메시지.
ATM 시스템(2)은 MMI 유닛(21)을 통해 항공 교통 관제사에 대한 이런 데이터를 검색하도록 더 구성된다.
검색하기 전에 외부 데이터는 추가로 처리(예컨대, 평균화, 검증, 결합, 분석 등) 될 수 있다.
입력 데이터는 일반적으로 이렇게 처리된 데이터 및 그 타임스탬프를 포함한다.
ATM 시스템(2)은 그 현재 상태를 나타내는 ATM 시스템(2) 내부의 데이터를 생성하도록 더 구성된다. 이것은 특히 ATM 시스템(2)에 설치된 프로브 또는 기능을 사용하여 생성되며, 예를 들어 불완전하지만: 메시지 큐, 공유 데이터, 로그, 기술적 레이아웃, 비행 태그의 초점 동작, 소정 영역의 확대 또는 축소 요인, 관제사와 항공기 조종사 간의 음성 대화 녹음 등을 포함한다. 내부 데이터는 MMI(21)를 통해 ATM 시스템(2)을 조작하는 항공 교통 관제사가 액세스할 수 있다. 일실시예에서, 메모리(20)에 저장된 입력 데이터는 또한 상기 데이터에 대응하는 타임스탬프를 가진 이런 내부 데이터를 포함한다.
일실시예에서, ATM 시스템(2)은 외부 데이터를 사용하여 업그레이드된 기능을 구현하고 내부 데이터를 생성하도록 구성된다. 이러한 기능은 예를 들어 메모리(20)에 저장되고 프로세서(22)상에서 실행되는 기능을 구현하는 컴퓨터 프로그램을 사용하여 수행된다. 이러한 기능들은 예를 들어 충돌을 감지하기, 항공기와 다른 항공기 사이의 충돌 위험 또는 영역 내 그라운딩 기간(grounding period) 중 영역을 들어가는 항공기의 위험 등을 식별하기, 또는 충돌의 해소를 가능하게 만드는 해결책을 결정하기를 포함한다. 이러한 기능의 결과는 항공 교통 관제사를 위해 MMI(21)을 통해 검색된다.
따라서, 공지된 방식으로, ATM 시스템(2)을 작동시키는 항공 교통 관제사는 각각의 순간에 MMI(21)를 통해 현재 또는 미래의 항공 교통 상황을 업그레이드된 기능의 결과를 포함하는 외부 데이터의 함수 및/또는 내부 데이터의 함수로서 알 수 있다. 이런 데이터 및 결과는 MMI 21을 통해 관제사에게 제공된다. 이러한 요소들에 기초하여, 항공 교통 관제사는 MMI(21)를 통해 ATM 시스템(2)으로 제공하라는 결정을 (텍스트로 또는 시각적이거나 음성의 형태로) 한다.
이러한 결정은 인접 섹터의 관제사들의 항공기 및/또는 ATM 시스템을 위한 지시를 포함한다. 따라서, 이것은 목표 비행 고도 명령, 목표 속도 명령(수평, 수직), 목표 방향 명령, 목표 요구 또는 하강 기울기 명령 등을 포함할 수 있다.
전자 테스트 장치(6)는 메모리(61) 및 프로세서(62)를 포함한다. 메모리(61)에는 특히 인공 신경망(63)이 저장되어 있다.
도 2는 본 발명의 일실시예에서 구현되는 단계들의 흐름도이다.
신경망(63)은 프로그래밍된 네트워크를 얻기 위한 예비 단계(101_0)에서 ATM 시스템의 외부 데이터 및 실시예들에서 ATM 시스템의 내부 데이터 및/또는 기능의 결과를 포함하는 입력 요소들의 이력으로부터 그리고 이런 각각의 입력 요소들의 관점에서 항공 교통 관제사가 행한 결정을 포함하는 출력 요소들의 이력으로부터 항공 교통 관제사(들)의 행동의 학습을 수행하도록 구성된다.
예를 들어, 이런 모든 요소들 및 그 저장에 관한 이런 이력은 수개월 동안의 수집으로부터, ATM 시스템(2) 또는 ATM 시스템(2)과 유사한 또 다른 ATM 시스템 또는 여러 운영 ATM 시스템으로부터 행해진다. 일실시예에서, 상기 저장은 메모리(20)에서 행해진다.
본 실시예들에 따른 신경망(63)의 학습을 위한 이런 예비 단계(101_0)는:
- 메모리(61) 및 프로세서(62)를 사용하여 전자 테스트 장치(6) 내에서 수행되거나,
- 자체의 메모리 및 컴퓨팅 자원을 갖춘 특정 학습 플랫폼(미도시)에서 수행된다는 점에 주목하자.
일실시예에서, 각각의 테스트 구성에 대해, 예비 단계(101_0)는 의사결정에서 뿐만 아니라 예컨대 최소 수집 기간에서 어느 것이 테스트에 유용한 입력 및 출력 요소(의 추출)인지를 식별하기 위한 입력 및 출력 요소에 대한 준비 단계(101_01)를 포함하다.
공지된 방식으로, 이들 요소의 준비는 수집된 요소의 세분화, 누락된 요소 및 동작의 검출, 요소들의 치수의 감소, 그룹 추출, 원인 및 관계의 식별, 및 입력 훈련 요소와 해당 출력 요소를 포함하는 일련의 훈련 요소의 정의를 마무리하는 것을 포함할 수 있다. 각각의 테스트 구성에 대해, 예비 단계(101_0)는 훈련 요소 세트와 관련된 입력 및 출력 훈련 요소로부터 신경망(63)에 대해 엄격하게 말하는 훈련 단계(101_02)를 포함한다. 따라서, 테스트 구성당 하나의 신경망이 결정된다.
훈련 데이터 세트의 정의, 신경망의 학습 및 사용에 대한 이러한 원리는 잘 알려져 있다(예를 들어 비교하면):
- Tolk, A.(2015, 7월). The next generation of modeling & simulation(차세대 모델링 및 시뮬레이션): integrating big data and deep learning(통합형 빅 데이터 및 딥 러닝). 하계 컴퓨터 시뮬레이션(Summer Computer Simulation) 회의록(pp. 1-8). Society for Computer Simulation International;
- Akerkar, R.(2014). Analytics on Big Aviation Data(빅 항공 데이터 분석): Turning Data into Insights(데이터를 통찰력으로 전환). IJCSA, 11(3), 116-127;
- Boci, E., & Thistlethwaite, S. (2015, 4월). A novel big data architecture in support of ADS-B data analytic(ADS-B 데이터 분석을 지원하는 신규한 빅 데이터 아키텍처). Integrated Communication, Navigation, and Surveillance Conference(ICNS), 2015(pp. C1-1). IEEE;
- Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 1-127.
훈련 단계(101_02)의 결과는 (알고리즘) 모델 항공 교통 관제사라고도 말하는 훈련형 신경망(63)의 전달(101_1)이다. 이 모델은 이후 전자 장치(6)에 기록된 후, ATM 시스템(2)을 테스트하기 위해 테스트 단계(101_2)에서 사용될 수 있다.
실시예들에서, 입력 및 출력 요소는 지리적 항공 섹터에 의해 구조화되고, 신경망의 훈련은 또한 섹터에 의해 구별되며, 단계(101_1)에서 얻어진 항공 교통 관제사 알고리즘 모델(63)의 행동은 각각 섹터에 특화되어 있다.
마찬가지로, 실시예들에서, 훈련 요소 세트는 ATM 시스템의 기술적 기능(예컨대, 충돌 또는 비행 고도 명령의 검출 또는 관제사 간의 조정) 또는 항공 교통 관제사의 특정 역할(예컨대, 명령 역할 또는 계획 역할 및 인접 섹터와의 교환)에 의해 구조화된다. 이런 경우, 얻어진 훈련된 모델은 이후 역할 또는 기능에 특화되어 있다. 섹터 간의 적어도 2개의 측면인 기능 및 역할 측면에 특화되어 혼합형 모드가 더 생성될 수 있다.
임의의 유형의 인공 신경망이 사용될 수 있다. 예를 들어, 딥 러닝 네트워크인 CNN(convolutional neural network)이 사용된다. 입력 노드의 수는 입력 요소의 수와 동일하도록 선택되고, 출력 노드의 수는 각각의 테스트 구성의 출력 요소의 수와 동일하도록 선택된다.
ATM 시스템(2)의 테스트 단계(101_2) 동안, 다음의 단계들이 수행되고 반복된다:
- 항공 교통의 현재 상태를 나타내는 외부 데이터의 ATM 시스템(2)에 의한 수신 단계;
- 가령 ATM 시스템(2)의 기능의 결과와 같이 업데이트된 내부 데이터뿐만 아니라 외부 데이터의 적어도 일부를 포함하는 상기 데이터의 함수로서 항공 교통에 관한 정보의 상기 ATM 시스템(2)에 의한 설정 단계, 및 MMI(21)를 통해 상기 시스템(2)에 의해 정보를 전자 테스트 장치(6)에 전달하는 단계;
- 항공 교통 관제 결정을 포함하는 출력 요소의 전달된 정보의 함수로서 전자 테스트 장치(6)의 신경망(63)에 의한 결정 단계; 이러한 결정은 항공기 및/또는 인접한 섹터의 관제사의 ATM 시스템을 위한 지시를 포함함.
- 테스트 장치(6)에 의해 MMI(21)를 통해 상기 출력 요소의 상기 ATM 시스템(2)으로의 공급 단계;
- 항공기 및/또는 인접한 섹터의 관제사의 ATM 시스템으로의 결정의 전송을 포함하는 상기 시스템(2)에 의한 상기 출력 요소의 수신 및 처리 단계.
시스템의 부적합은 시스템(2)의 행동의 분석을 통해 테스트 단계에서 검출된다. 이런 검출은 예를 들어 테스트 장치(6) 또는 임의의 다른 수단에 의해 수행된다.
별도의 목적을 목표로 하는 몇 가지 유형의 테스트가 기존의 테스트 단계(101_2)로 구현될 수 있다.
한 유형의 테스트는 예를 들어 관제사 모델의 입력 데이터 테스트 세트가 랜덤하게 생성되는(일부는 허용 범위에 있지만, 견고성을 테스트하기 위해 다른 일부는 허용 범위를 벗어남) ATM 시스템(2)의 실제 입력 데이터(즉, 내부 데이터 또는 심지어 추가의 외부 데이터)에 기초한 광범위한 검증 테스트 캠페인이다. 관제사 모델(63)의 결정은 학습된 바와 같은 인간 관제사의 행동과 부합할 것이다.
또 다른 유형의 테스트 단계는 예를 들어 비-회귀성 테스트 캠페인이다: 이런 경우, ATM 시스템(2)의 업그레이드 이전에 생성된 관제사 모델(63)에 기초한 테스트 장치(6)가 사용되며, ATM 시스템(2)은 이런 관제사 모델을 이전에 학습하게 했던 것과 동일한 외부 입력 데이터를 ATM 시스템(2)에 제공함으로써 업그레이드를 참작할 수 있다. 사양의 기능적 편차(소프트웨어 버그, 하드웨어 업데이트와 같은 기술적 변화의 에지 효과 등)가 ATM 시스템(2)에 더해지지 않으면, 테스트 장치(6)는 정확히 동일한 출력을 전달할 것으로 기대된다. 그렇지 않으면, 잠재적으로 ATM 시스템(2)에 회귀가 있으며, 추가 조사가 수행되어야 한다.
또 다른 유형의 테스트 단계는 예를 들어 내구성 테스트 캠페인이다: 이러한 캠페인은 목적이 다르다는 점을 제외하고는 비-회귀성 캠페인과 유사하다. 내구성 테스트 캠페인의 목적은 비-회귀성 테스트의 이전 상태를 활용하여 다음과 같은 서비스 경험을 구축하는 것이다:
- ATM 시스템(2)의 수명주기의 초기 단계에서, 즉 동작 전환 전에 수행됨,
- 유효화될 ATM 시스템(2)의 다수의 인스턴스 및 관제사의 모델과 테스트 입력 데이터 세트의 다수의 인스턴스를 복제함으로써 가속화된 방식으로 수행됨.
정기적으로 진화하는 ATM 시스템(2)은 기능적(새로운 기능 또는 수정된 기능의 도입) 그리고 기술적(하드웨어, 운영 체제의 변경 등) 업데이트가 테스트에서 고려될 수 있다. 이러한 상황에서, 일실시예로, 업데이트 이전의 ATM 시스템(2)에 대응하는 알고리즘 모델(63)은 이러한 업데이트들을 설명하기 위해 완료된다. 따라서, 도 2를 참조하면, 단계(102_0)에서, ATM 시스템의 내부 데이터, ATM 시스템의 외부 데이터를 포함하는 입력 요소 및 이들 각각의 입력 요소를 고려한 항공 교통 관제사의 결정을 포함하는 출력 요소는 업데이트되는 ATM 시스템(2)의 부분에 관한 동작 플랫폼을 나타내는 테스트 플랫폼상의 항공 교통 관제사에 의해 행해진 유효화 세션 중에 기록되고 저장된다. 이후, 이들 입력 요소 및 출력 요소에 기초하여 프로그래밍된 신경망을 얻기 위한 단계(101_0)가 수행되고, 업데이트되는 ATM 시스템(2)의 부분을 목표로 하는 항공 교통 네트워크 관제사 모델의 전달을 유도한다. 단계(101_1)에서, 업데이트 전의 ATM 시스템(2)에 대응하는 알고리즘 모델과 업데이트된 양상을 목표로 하는 ATM 시스템(2)의 알고리즘 모델의 조합이 실시되고(예를 들면, 실시예들에서, 연결에 의해), 따라서 업데이트된 ATM 시스템(2)에 대응하는 완전한 알고리즘 모델을 제공할 수 있다. 더욱이, 일실시예로, 보안 단계(100_0)에서, (예를 들어, 문서 4444에 정의된 바와 같은 ICAO 표준에 상응하는) 그들의 트레이드에 적용함에 있어서 항공 교통 관제사에 의해 구현되는 규칙, 원리, 제약 및 조건은 알고리즘 형태로 공식화된다.
예를 들어, 다음과 같은 규칙이 있다:
- a1 / 항공 교통 관제사는 자신이 책임지는 섹터 외의 항공기에 관한 명령을 제공할 수 없다,
- a2 / 조건 Cond1, Cond2, Cond3에 의해 구체적으로 정의된 예외를 제외한다;
- a3 / 소정의 항공기 속도와 고도에 상응하는 소정의 상황에서, 비행 고도의 지령 변경은 상기 속도와 고도에 따라 소정의 임계 값 이하여야 한다.
그 결과, 보안 알고리즘은 일실시예에서 항공 교통 관제사 모델의 구축 이전에 훈련 요소 세트와 관련된 입력 및 출력 훈련 요소에 대해 단계(100_1)에서 구현되는데, 이는 표준화된 관행에 부합하지 않는 요소들을 검출할 수 있도록 한 후, 이들을 훈련 요소 세트에서 제거하거나, 이들을 "나쁜 관행" 등급으로 지정하여 그 모델이 "좋은 관행"에 따라 관제사의 행동을 더 잘 학습할 수 있게 한다.
일실시예에서, 단계(100_1)에서, 그들의 트레이드에 적용함에 있어서 항공 교통 관제사에 의해 구현되는 규칙, 원리, 제약, 조건 및 금지는 또한 학습 데이터로서 인공 신경망에 제공되고, 학습 단계의 마지막에 이런 규칙들을 포괄하는 모델이 전달되며 이후 보안 모델이라고 한다. 단계(101_3)에서, 테스트 단계(101_2) 동안 관제사 모델(63)에 의해 다음에 행해지는 각각의 결정은 이런 보안 모델로 제공되는데, 좋은 관행에 부합하면 결정을 유효화하거나(특히, 출력 결정에 대한 허용가능한 동적 범위에 있다고 유효화하거나), 테스트의 맥락에서 고려되지 않은 결정을 무효화한 후, 예를 들어 항공 교통 관제사 모델을 보강하는 결과를 가져오는 "나쁜 관행"의 등급을 강화시킨다.
따라서, 본 발명은 신경망에 의해 학습된 항공 교통 관제사 모델(63)에 기초하여 전자 테스트 장치(6)를 얻을 수 있게 한다.
테스트 단계에서, 획득된 항공 교통 관제사 모델(63)은 복제될 수 있고 각각의 복사본은 동일한 전자 장치(6)에 설치되거나 그 장치(6)와 유사한 각각의 테스트 장치에 설치될 수 있다; 이는 ATM 시스템(2)에서 또는 ATM 시스템(2)의 (예를 들어, 클라우드에서) 중복되는 경우에도 병렬적으로 행해지는 테스트의 수 및 도달 범위를 증가시키는 것을 가능하게 한다. 이들 장치를 사용하여 구현되는 테스트 단계의 실시예들에서, 입력 데이터는 서로 다른 모델들 또는 장치들 간에 분배될 수 있고, 각각의 모델은 개별적인 특정 섹터 또는 개별적인 시간주기(피크 시간, 오프-피크 시간, 매주 또는 월간 기간 등)로 할당된다.
또 다른 실시예에서, 신경망 모델(63)은 GPU(그래픽 처리 장치) 또는 다중 GPU와 같은 프로그램 가능형 논리 요소의 형태로 만들어진다.
Claims (10)
- 항공 교통 관제 전자 제어 시스템(2)용 테스트 방법으로서,
상기 시스템은 상기 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 작동 단계에서 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하며,
상기 방법은 상기 시스템의 테스트 단계 동안:
- 상기 시스템(2)이 항공 교통의 상태를 나타내는 입력 데이터를 수신하는 단계;
- 상기 시스템(2)이 상기 입력 데이터의 함수로서 항공 교통에 관한 정보를 설정하고, 상기 시스템이 상기 정보를 시스템의 전자 테스트 장치(6)로 전달하는 단계;
- 시스템의 상기 전자 테스트 장치(6)가 전달된 정보의 함수로서 항공 교통 관제 지시를 결정하고, 상기 시스템에 상기 지시를 제공하는 단계;
- 상기 시스템이 상기 지시를 수신하고 처리하는 단계를 포함하는 것을 특징으로 하며,
상기 전자 장치(6)는 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델(63)을 포함하고,
상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득되는, 항공 교통 관제 전자 제어 시스템(2)용 테스트 방법. - 제 1 항에 있어서,
테스트 단계 동안 시스템의 행동의 함수로서 시스템의 하나 이상의 부적합을 검출하는 단계를 더 포함하는, 항공 교통 관제 전자 제어 시스템(2)용 테스트 방법. - 제 1 항 또는 제 2 항에 있어서,
지시를 자동으로 결정하기 위한 알고리즘 모델(63)은, 적어도 하나의 요소에 특화되어 있는 지시를 결정하기 위해, 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들 및 상기 지시들과 관련된 항공 교통 관제에 관한 정보의 학습 동안 동일한 유형의 몇몇 요소들 중에서 한 요소에 의한 결정의 함수로서 학습되며, 동일한 유형의 몇몇 요소들 중에서 상기 요소는 몇몇 지리적 섹터들 중 한 지리적 섹터 및/또는 몇몇 역할들 중 한 항공 교통 관제사 역할 및/또는 상기 시스템의 몇몇 기능들 중에서 항공 교통의 전자 제어 시스템(2)의 한 기능인, 항공 교통 관제 전자 제어 시스템(2)용 테스트 방법. - 제 1 항 또는 제 2 항에 따른 항공 교통 관리 전자 시스템을 테스트하는 방법으로서,
- 항공 교통 관제사의 규칙에 부합하지 않는 지시들을 식별하도록 구성된 알고리즘 제약 모듈을 결정하는 단계;
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 공급한 지시들의 세트에 상기 알고리즘 모듈을 적용하고, 신경망의 학습에 사용되는 세트에서 부합하지 않는 것으로 식별된 상기 지시들을 제거하는 단계;
- 전자 테스트 장치에 의해 결정되고 부합하지 않는 것으로 식별된 지시(들)를 테스트하는 단계에서 고려되지 않은 지시들에 상기 알고리즘 모듈을 적용하는 단계를 포함하는 항공 교통 관리 전자 시스템을 테스트하는 방법. - 제 1 항 또는 제 2 항에 있어서,
테스트에 대한 예비 단계에서:
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들의 세트 및 상기 지시들과 관련되는 시스템에 의해 전달된 항공 교통 관제사에 관한 정보를 수집하고 저장하는 단계;
- 컴퓨터에 의해 수행되는 신경망(63)의 학습에 의해 항공 교통 관제사에 관한 정보의 함수로서, 상기 저장된 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 상기 저장된 정보의 함수로서, 지시들을 자동으로 결정하기 위한 알고리즘 모델(63)을 결정하는 단계를 포함하는 항공 교통 관제 전자 제어 시스템(2)용 테스트 방법. - 항공 교통 관제 전자 제어 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하는, 항공 교통 관제 전자 제어 시스템(2)용 전자 테스트 장치(6)로서,
상기 전자 테스트 장치(6)는 시스템(2)에 의해 전달되는 항공 교통에 관한 정보를 수신하도록 구성되고, 항공 교통에 관한 정보의 함수로서 지시를 자동으로 결정하기 위한 알고리즘 모델(63)을 포함하는 것을 특징으로 하며,
상기 모델은 적어도 하나의 항공 교통 관제사가 시스템에 이전에 제공한 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 정보의 함수로서 컴퓨터에 의해 수행되는 딥 러닝 신경망의 학습 단계 동안 획득되는, 전자 테스트 장치(6). - 제 6 항에 있어서,
시스템의 행동의 함수로서 시스템의 하나 이상의 부적합을 검출하도록 구성되는, 전자 테스트 장치(6). - 제 6 항 또는 제 7 항에 있어서,
지시를 자동으로 결정하기 위한 알고리즘 모델(63)은, 적어도 하나의 요소에 특화되어 있는 지시를 결정하기 위해, 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들 및 상기 지시들과 관련된 항공 교통 관제에 관한 정보의 학습 동안 동일한 유형의 몇몇 요소들 중에서 한 요소에 의한 결정의 함수로서 학습되며, 동일한 유형의 몇몇 요소들 중에서 상기 요소는 몇몇 지리적 섹터들 중 한 지리적 섹터 및/또는 몇몇 역할들 중 한 항공 교통 관제사 역할 및/또는 상기 시스템의 몇몇 기능들 중에서 항공 교통의 전자 제어 시스템(2)의 한 기능인, 전자 테스트 장치(6). - 항공 교통 관제 전자 제어 시스템(2)용 테스트 플랫폼으로서,
상기 시스템은 상기 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 작동 단계에서 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제 지시를 수신하고 처리하며,
상기 플랫폼은:
- 적어도 하나의 항공 교통 관제사가 시스템으로 이전에 제공한 지시들의 세트 및 상기 지시들과 관련되는 시스템에 의해 전달된 항공 교통 관제사에 관한 정보를 수집하고 저장하며;
- 컴퓨터에 의해 수행되는 신경망(63)의 학습에 의해 항공 교통 관제사에 관한 정보의 함수로서, 상기 저장된 지시들의 세트 및 상기 지시들과 관련된 항공 교통에 관한 상기 저장된 정보의 함수로서, 지시들을 자동으로 결정하기 위한 알고리즘 모델(63)을 결정하고;
- 지시를 자동으로 결정하기 위한 상기 알고리즘 모델(63)을 포함하는 시스템(2)의 전자 테스트 장치(6)를 획득하며;
- 상기 전자 테스트 장치(6)를 통해 상기 시스템(2)을 테스트하도록 구성되는, 테스트 플랫폼. - - 항공 교통 관제 전자 제어 시스템에 의해 수신되는 항공 교통 관제의 상태를 나타내는 입력 데이터의 함수로 설정되는 항공 교통 관제에 관한 정보를 전달하고, 또한 적어도 하나의 항공 교통 관제사에 의해 시스템으로 제공되는 항공 교통 관제로부터의 관제 지시를 수신하고 처리하는, 항공 교통 관제 전자 제어 시스템(2); 및
- 제 6 항 내지 제 8 항 중 어느 한 항에 따른 상기 전자 시스템의 전자 테스트 장치를 포함하는, 테스트 플랫폼(1).
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1800642A FR3082965B1 (fr) | 2018-06-21 | 2018-06-21 | Procede de test d'un systeme electronique de controle du trafic aerien, dispositif electronique et plate-forme associes |
| FR1800642 | 2018-06-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190143832A true KR20190143832A (ko) | 2019-12-31 |
Family
ID=65031126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190074160A KR20190143832A (ko) | 2018-06-21 | 2019-06-21 | 항공 교통 관리 전자 시스템 테스트 방법, 해당 전자 장치 및 플랫폼 |
Country Status (12)
| Country | Link |
|---|---|
| US (1) | US11823040B2 (ko) |
| EP (1) | EP3588387B1 (ko) |
| JP (1) | JP2020024678A (ko) |
| KR (1) | KR20190143832A (ko) |
| CN (1) | CN110634329A (ko) |
| AU (1) | AU2019204291A1 (ko) |
| BR (1) | BR102019012735A2 (ko) |
| CA (1) | CA3047430A1 (ko) |
| FR (1) | FR3082965B1 (ko) |
| RU (1) | RU2019119152A (ko) |
| SG (1) | SG10201905716VA (ko) |
| TW (1) | TW202001559A (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11189177B2 (en) * | 2018-11-06 | 2021-11-30 | Vianair Inc. | Airspace information modeling and design |
| CN111047915B (zh) * | 2019-12-13 | 2020-11-27 | 中国科学院深圳先进技术研究院 | 停机位分配方法、装置及终端设备 |
| CN115660446B (zh) * | 2022-12-13 | 2023-07-18 | 中国民用航空飞行学院 | 一种空中交通管制预案智能生成方法、装置及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10684350B2 (en) * | 2000-06-02 | 2020-06-16 | Tracbeam Llc | Services and applications for a communications network |
| JP4562533B2 (ja) * | 2005-01-20 | 2010-10-13 | 株式会社エヌ・ティ・ティ・データ | 管制指示生成装置及びプログラム |
| KR20140111467A (ko) * | 2013-03-11 | 2014-09-19 | 한국전자통신연구원 | 비행계획 상태관리 시스템의 상태 검사 방법 및 그 장치 |
| US9691286B2 (en) * | 2015-04-22 | 2017-06-27 | The Boeing Company | Data driven airplane intent inferencing |
| CN105225007A (zh) | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 一种基于gabp神经网络的扇区运行性能综合检测方法及系统 |
| CN105894862B (zh) | 2016-05-05 | 2018-05-04 | 中国民用航空华东地区空中交通管理局 | 一种空中交通管制智能化指挥系统 |
| CN107944472B (zh) | 2017-11-03 | 2019-05-28 | 北京航空航天大学 | 一种基于迁移学习的空域运行态势计算方法 |
-
2018
- 2018-06-21 FR FR1800642A patent/FR3082965B1/fr active Active
-
2019
- 2019-06-19 BR BR102019012735A patent/BR102019012735A2/pt unknown
- 2019-06-19 AU AU2019204291A patent/AU2019204291A1/en not_active Abandoned
- 2019-06-19 CA CA3047430A patent/CA3047430A1/fr active Pending
- 2019-06-20 RU RU2019119152A patent/RU2019119152A/ru unknown
- 2019-06-20 EP EP19181533.1A patent/EP3588387B1/fr active Active
- 2019-06-20 TW TW108121470A patent/TW202001559A/zh unknown
- 2019-06-20 US US16/447,612 patent/US11823040B2/en active Active
- 2019-06-20 JP JP2019114553A patent/JP2020024678A/ja active Pending
- 2019-06-20 SG SG10201905716VA patent/SG10201905716VA/en unknown
- 2019-06-21 KR KR1020190074160A patent/KR20190143832A/ko unknown
- 2019-06-21 CN CN201910541681.5A patent/CN110634329A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| SG10201905716VA (en) | 2020-01-30 |
| TW202001559A (zh) | 2020-01-01 |
| AU2019204291A1 (en) | 2020-01-16 |
| RU2019119152A (ru) | 2020-12-21 |
| FR3082965B1 (fr) | 2022-01-28 |
| EP3588387A1 (fr) | 2020-01-01 |
| EP3588387C0 (fr) | 2023-09-06 |
| FR3082965A1 (fr) | 2019-12-27 |
| US20190391909A1 (en) | 2019-12-26 |
| CA3047430A1 (fr) | 2019-12-21 |
| BR102019012735A2 (pt) | 2019-12-24 |
| CN110634329A (zh) | 2019-12-31 |
| US11823040B2 (en) | 2023-11-21 |
| EP3588387B1 (fr) | 2023-09-06 |
| JP2020024678A (ja) | 2020-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2724466C2 (ru) | Системы и способы неразрушающего контроля с участием удаленного специалиста | |
| CN111814308B (zh) | 一种面向自动驾驶系统的加速测试系统 | |
| US11508254B2 (en) | Training and/or assistance platform for air management via air traffic management electronic system, associated method | |
| US11367053B2 (en) | System and method for damage assessment and restoration | |
| KR20190143832A (ko) | 항공 교통 관리 전자 시스템 테스트 방법, 해당 전자 장치 및 플랫폼 | |
| CN116882038B (zh) | 一种基于bim技术的机电施工方法及系统 | |
| CN113470439A (zh) | 基于人工智能的中小机场管制冲突解决方法及系统 | |
| CN111627257A (zh) | 基于航空器运动趋势预判的管制指令安全预演与校验方法 | |
| Shmelova | Integration Deterministic, Stochastic and Non-Stochastic Uncertainty Models in Conflict Situations. | |
| CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
| US11330458B2 (en) | Systems and methods for detecting an unauthorized airborne device | |
| BR102019012774B1 (pt) | Plataforma de treinamento e/ou assistência para gerenciamento aéreo e método de treinamento e/ou assistência para gerenciamento de tráfego aéreo | |
| WO2022218001A1 (zh) | 视频分析方法及相关系统 | |
| US20230077549A1 (en) | Verification of updated analytical procedures in monitoring systems | |
| CN115471347A (zh) | 车险报案风险预测方法、装置、电子设备及存储介质 | |
| Martï et al. | Fusion of sensor data and intelligence in FITS | |
| CN116432392A (zh) | 自动驾驶仿真测试方法及测试装置 | |
| Guan et al. | Intelligent Classification Method of Digital Twin Airport Hazard Based on ID3 Algorithm | |
| CN117453571A (zh) | 自动驾驶测试评价平台搭建方法 | |
| Ryan | Crossing the Chasm: Technology in Aviation | |
| CN114078285A (zh) | 一种利用子区域随机性交叉验证进行课堂出勤考核的方法 | |
| RU113591U1 (ru) | Устройство определения потенциальной опасности воздушного судна с учетом важности объектов - предполагаемых целей террористических атак | |
| CN117475678A (zh) | 一种基于大模型的机场飞行区规则监察方法及系统 | |
| CN117787660A (zh) | 交通应急疏散与资源调度协同方法及系统、设备、介质 | |
| CN116777008A (zh) | 面向无人飞行器逃逸预测建模的数据样本生成方法和系统 |