WO2021249821A1 - Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs - Google Patents

Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs Download PDF

Info

Publication number
WO2021249821A1
WO2021249821A1 PCT/EP2021/064635 EP2021064635W WO2021249821A1 WO 2021249821 A1 WO2021249821 A1 WO 2021249821A1 EP 2021064635 W EP2021064635 W EP 2021064635W WO 2021249821 A1 WO2021249821 A1 WO 2021249821A1
Authority
WO
WIPO (PCT)
Prior art keywords
aircraft
trajectory
parameter
input parameters
input
Prior art date
Application number
PCT/EP2021/064635
Other languages
English (en)
Inventor
Paul LALISSE-BAUVIN
Béatrice PESQUET-POPESCU
Andrei PURICA
David LAVILLE
Original Assignee
Thales
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales filed Critical Thales
Priority to AU2021286810A priority Critical patent/AU2021286810A1/en
Priority to US18/008,436 priority patent/US20230230490A1/en
Priority to EP21728091.6A priority patent/EP4165619A1/fr
Publication of WO2021249821A1 publication Critical patent/WO2021249821A1/fr

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/06—Traffic control systems for aircraft, e.g. air-traffic control [ATC] for control when on the ground
    • G08G5/065—Navigation or guidance aids, e.g. for taxiing or rolling
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G08G5/0034—Assembly of a flight plan
    • 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

Definitions

  • the present invention relates to the determination of parameters of aircraft trajectories, for example taxiing times, or flight times.
  • the present invention also relates to the use of these parameters of aircraft trajectories by operators such as air traffic controllers to regulate air traffic.
  • air traffic control systems The purpose of air traffic control systems is to make the execution of flights safer, faster and more efficient. They make it possible to prevent collisions between aircraft, or dangerous situations between an aircraft and its environment (weather, terrain, etc.). They thus make it possible, by synchronizing as finely as possible the movement of aircraft, to ensure safe air traffic, but also allow aircraft to respect the scheduled flight times, and to adopt trajectories as economical as possible. possible in fuel.
  • air traffic controllers receive a set of information relating to the airspace: position and predicted trajectories of aircraft, weather forecast, etc.
  • the controllers can also communicate, via written messages or oral communications, with the pilots of the aircraft in order to retrieve additional information, if necessary, and give them instructions adapted to the situation, to guarantee the safety of air traffic, while by ensuring the best possible quality of service to air transport users.
  • air traffic controllers can communicate to pilots the opportune moment to land or take off from an airport, or conversely instruct them to defer their approach if an airstrip is used by aircraft on time initially. planned.
  • the instructions provided to the aircraft are based on predictions of the presence of aircraft in different places.
  • air traffic controllers can predict in advance how long a given aircraft will be taxiing before take-off, how long take-off, cruise time, etc. This makes it possible to evaluate, for each aircraft, its time of presence in a given location, and conversely the traffic density in a given location and at a given time. This allows air traffic controllers to provide aircraft with the appropriate instructions, to ensure safety but also to optimize air traffic
  • the ability of air traffic controllers to predict in advance the location of aircraft, and the duration of the various traffic phases is therefore essential, to guarantee both the safety and the efficiency of air traffic, and to manage the arrival and departure flows of aircraft from airports.
  • Controllers today rely on flow management tools allowing a controller to benefit from a prediction of aircraft trajectory parameters.
  • These flow management tools are today based on information resulting from a large quantity of parameters defined offline, which are tedious to introduce into the system and / or resulting from analytical calculations based on modeling which may prove to be approximate.
  • Current tools would therefore require, in order to provide efficient prediction of aircraft flight parameters, to manually enter prediction results corresponding to virtually all possible situations. As this is not feasible in practice, current tools provide imprecise predictions, thus preventing air traffic controllers from benefiting from adequate support for flow management.
  • the invention relates to a method implemented by a computer receiving as input a set of descriptions of aircraft trajectories, each associated with a set of input parameters, comprising, for each trajectory d an aircraft: at least one parameter of the aircraft; at least environmental parameter of the trajectory of the aircraft; said method comprising, for each trajectory: a step of forming a vector of input parameters comprising said input parameters; a step of extracting at least one parameter of the trajectory; said method comprising a step training of a supervised machine learning engine taking as input associations, for each trajectory respectively, between its vector of input parameters and less than one parameter of the trajectory.
  • the supervised machine learning engine is a completely connected layer neural network.
  • the at least one trajectory parameter is an exit taxiing time
  • the set of entry parameters comprises at least one parameter chosen from a group comprising: a parking door identifier; a take-off runway identifier, and / or alignment point; weather information; a type of aircraft; an airline identifier; a level of ground traffic; taxiway accessibility; one hour of the day.
  • the at least one trajectory parameter is an occupancy time of a landing runway
  • the set of input parameters comprises at least one parameter chosen from a group comprising: an identifier of landing runway ; a parking door identifier; weather information; a type of aircraft; an airline identifier; a type of approach.
  • the at least one trajectory parameter is an input taxiing time
  • the set of input parameters comprises at least one parameter chosen from a group comprising: a landing runway identifier; a parking door identifier; weather information; a type of aircraft; an airline identifier; a level of ground traffic; an indication of closed taxiways; one hour of the day.
  • the at least one trajectory parameter is a landing runway occupancy time
  • the set of input parameters comprises at least one parameter chosen from a group comprising: a runway identifier d landing; a parking door identifier; weather information; a type of aircraft; an airline identifier; a level of ground traffic; an indication of closed taxiways; one hour of the day.
  • the at least one trajectory parameter is a description of an approach trajectory
  • the set of input parameters comprises at least one parameter chosen from a group comprising: an aircraft speed; a type of aircraft; an altitude at the so-called assembly point; weather information; an airline identifier; a procedure and / or type of approach; one hour of the day; a level of air traffic; flight plan data; flight data from an air traffic control system.
  • the at least one trajectory parameter is an en route flight time
  • the set of input parameters comprises at least one parameter chosen from a group comprising: an aircraft type, or a class aircraft speed; a flight altitude, meteorological information; an ATC sector description; a description of air restriction zones; an airline identifier of the flight plan data; flight data from an air traffic control system.
  • the at least one trajectory parameter is a prediction of the trajectory of the aircraft over a time horizon
  • the set of input parameters comprises at least one parameter chosen from a group comprising: a 3D position of the aircraft; an aircraft heading; information sent from the aircraft to air traffic control; flight plan data; flight data from an air traffic control system; a type of approach.
  • the at least one trajectory parameter is a possibility for the aircraft to overtake a second aircraft
  • the set of input parameters comprises at least one parameter chosen from a group comprising: a corridor identifier air, in which the aircraft are located; a type of the aircraft; a type of the second aircraft; an altitude of the aircraft; an altitude of the second aircraft; an aircraft speed; a speed of the second aircraft; an aircraft flight plan; a flight plan of the second aircraft.
  • the subject of the invention is also a system comprising: at least one calculation unit capable of driving a supervised machine learning engine; access to at least one information storage medium storing, for each trajectory of an aircraft among a set of aircraft trajectories: a description of the trajectory; a set of input parameters associated with the trajectory comprising: at least one parameter of the aircraft; at least environmental parameter of the trajectory of the aircraft; the at least one calculation unit being configured, for each trajectory, to: form a vector of input parameters comprising the input parameters associated with the trajectory; extract at least one parameter from the trajectory; the at least one calculation unit being configured to drive a supervised machine learning engine taking as input associations, for each trajectory respectively, between its vector of input parameters and less than one parameter of the trajectory.
  • the subject of the invention is also a computer program comprising program code instructions for the execution of the steps of the method according to the invention when said program is executed on a computer.
  • the subject of the invention is also a method implemented by a computer receiving as input, for an aircraft trajectory, a set of input parameters comprising: at least one parameter of the aircraft; at least one environmental parameter of the trajectory of the aircraft; said method comprising: a step of forming, for the trajectory, a vector of input parameters comprising said input parameters; a step of executing a supervised learning engine to calculate, from the input vector, at least one parameter of the trajectory, said engine having been driven by a method according to the invention.
  • the subject of the invention is also a computer program comprising program code instructions for the execution of the steps of the method according to the invention when said program is executed on a computer.
  • a subject of the invention is also a system comprising: at least one calculation unit capable of executing a supervised machine learning engine; at least one computing unit capable of executing a supervised machine learning engine; at least one input port capable of receiving, for a trajectory of an aircraft, a set of input parameters comprising: at least one parameter of the aircraft; at least one environmental parameter of the trajectory of the aircraft; the at least one calculation unit being configured to: form, for the trajectory, a vector of input parameters comprising said input parameters; execute said supervised learning engine to calculate, from the input vector, the minus one parameter of the trajectory, said motor having been driven by a method of the invention.
  • At least one calculation unit is configured to use at least one parameter of the trajectory within the framework of an air flow management application.
  • FIG. 3 a calculation system allowing the training of a supervised machine learning engine for predicting at least one aircraft trajectory parameter, in a set of embodiments of the invention
  • FIG. 4 a method of training a supervised machine learning engine for predicting at least one parameter of an aircraft trajectory, in a set of embodiments of the invention
  • FIG. 5 a system for calculating at least one aircraft trajectory parameter using a supervised machine learning engine, in a set of embodiments of the invention
  • FIG. 6 a computer-implemented method of calculating at least one parameter of an aircraft trajectory using a supervised automatic learning engine, in a set of embodiments of the invention.
  • FIG. 1 represents an example of an air traffic control system, in which the invention can be implemented.
  • the air traffic control system shown in FIG. 1 comprises a control tower 110, equipped with a radar 111 making it possible to locate the aircraft 120, 121 flying in a given sector.
  • the control tower 110 can communicate with the aircraft, for example via a radio link, in order to give information and instructions to the aircraft, but also to receive information and requests from the aircraft.
  • the control tower can receive data from external providers, such as a weather server 130.
  • an air traffic controller can provide indications and instructions to the pilots of the aircraft from there. a set of data comprising the planned trajectories of aircraft in its sector, interactions with the pilots, and environmental data such as weather forecasts.
  • FIG. 1 The system of Figure 1 is given by way of non-limiting example only, and the invention can be implemented in many systems for air traffic control, such as ATC or ATFM systems.
  • FIG. 2 represents a set of flight phases on which the invention is able to predict trajectory parameters.
  • the invention can be applied to many phases of flight.
  • FIG. 2 represents an example of an aircraft trajectory 200 comprising the following phases:
  • a cruise phase (in English cruise) itself composed of route phases 240, 260, and oceanic overflight 250;
  • Each of these phases can be associated, in the flight plan of the aircraft, with a nominal duration. However, each of them may also experience delays, for reasons that may be related to the aircraft or to its environment.
  • the taxiing phase 210 could be lengthened if the take-off runway is congested and does not allow take-off at the initially scheduled time. These various delays can also have repercussions on the later phases of the trajectory.
  • the trajectory shown in FIG. 2 is provided by way of example only, and the invention could be applied to numerous other trajectories, characterized by different phases of flight.
  • the invention makes it possible to predict, from a set of parameters linked to the aircraft and / or its environment, parameters of the trajectory of the aircraft, and in particular the duration of the various phases of a trajectory, in flight or ground.
  • FIG. 3 represents a calculation system allowing the training of a supervised automatic learning engine for predicting at least one aircraft trajectory parameter, in a set of modes of implementation of the invention.
  • System 300 is a calculation system. According to a set of embodiments of the invention, the system 300 may be a single computing device such as a computer, a server, or any other system capable of performing computer calculations. System 300 can also include a plurality of computing devices. For example, system 300 can be a server farm with multiple compute servers.
  • the system 300 thus comprises at least one computing unit 310 capable of driving a supervised machine learning engine 320.
  • the at least one computing unit 310 can be any type of computing unit suitable for performing computer calculations.
  • the computing unit may be a processor configured with machine instructions, a microprocessor, an integrated circuit, a microcontroller, a programmable logic circuit, or any other computing unit capable of being programmed to perform computing operations.
  • the supervised machine learning engine 320 can be any type of supervised machine learning engine.
  • it could be a forest of decision trees (in English random forest), a network of artificial neurons, a vector-supported machine, or a deep learning engine, such as a deep neural network, a fully connected layer neural network (FCN) , or a convolutional neural network.
  • FCN fully connected layer neural network
  • a convolutional neural network such as a convolutional neural network.
  • a supervised learning engine based on a neural network is particularly advantageous, since it allows, once the learning has been carried out, to be executed in a limited time. Running an artificial neural network, once trained, also requires a limited amount of computational resources.
  • FCN completely completely connected layers
  • the system 300 includes access to at least one information storage medium 330.
  • the at least one information storage medium 330 can be of any type of storage suitable for storing information: hard disk, CD , DVD, magnetic tape, memory card, USB key, Flash memory, RAM.
  • the information storage medium may be integrated with the system 300.
  • the system 300 is a computing device such as a server
  • the information storage medium may be a hard drive of the device.
  • the at least one storage medium can be a set of memories distributed among the different computing devices.
  • System 300 may also have access to at least one information storage medium 330 via a connection.
  • the at least one information storage medium can consist of at least one hard disk accessed remotely, for example via at least one NAS server, or via a cloud computing system (from English cloud computing).
  • the at least one information storage medium 330 stores a set of descriptions of aircraft trajectories 340, and, for each aircraft trajectory, a set of associated input parameters comprising: - parameters of the aircraft 341;
  • trajectories of aircraft 340 can be described in different ways.
  • trajectories can be expressed as 4D trajectories, with waypoints defined by latitude, longitude, and FL and time of way.
  • the trajectories can also include, for each waypoint, an associated heading.
  • a trajectory can also be associated with an aircraft type and / or a callsign (name of a given aircraft).
  • the trajectories can include not only en-route parts, but also parts on the ground, including in particular the trajectory and the taxiing times of the aircraft.
  • the parameters of the aircraft 341 can include various parameters such as the type of aircraft or the airline to which the aircraft belongs. These parameters can also include parameters related to the past trajectory or to the flight plan of the aircraft, such as:
  • these parameters can include any type of parameter linked to the aircraft itself or to its planned trajectory.
  • the environment parameters 342 can include many types of parameters related to the environment of the trajectory of the aircraft. These parameters may for example include parameters relating to air traffic, to the departure airport, to the arrival airport, to meteorological conditions, to a sector crossed by the aircraft. According to different embodiments of the invention, the environmental parameters 342 can for example comprise: an identifier of an aircraft parking lot; - an aircraft take-off or landing runway;
  • any parameter relating to the environment of the aircraft can be used according to different embodiments of the invention.
  • the concept of the aircraft environment can refer to both the physical environment, with meteorological parameters, and to parameters related to air traffic and air traffic. The present description will describe in more detail some particularly relevant parameter associations.
  • the parameters can be expressed in any suitable way depending on the parameter considered.
  • meteorological parameters can in particular include at least one of the following information: quantified information (temperatures, winds, pressures, etc.), for example by means of a GRIB file, descriptive text of the weather (for example example, presence of a storm, thunderstorm, etc.), SIGMET messages. More generally, any type of data providing information on the weather in the sector can be used.
  • Parameters related to air traffic, or to taxiing traffic can be expressed, for example, in the form of an aircraft density.
  • This density can be expressed in different ways, such as a number of aircraft in a given area, or a number of aircraft in a given volume.
  • these parameters correspond to records of real situations that have occurred for the trajectories considered. They thus define, for each trajectory, the input parameters having an influence on the trajectory, and making it possible to predict certain characteristics thereof. As indicated above, these parameters include at least one parameter of the aircraft, of its past trajectory or of its flight plan, and at least one parameter of the environment of the aircraft.
  • the parameters can include, according to different embodiments of the invention, any type of parameter that may have an impact on the trajectory, taxiing or flight, of the aircraft.
  • the aircraft trajectories 340, aircraft parameters 341, and stored environmental parameters 342 can be obtained from different sources: sensor measurements, data collected by air traffic control services, by weather services, flight data .
  • sensor measurements data collected by air traffic control services
  • weather services by weather services
  • flight data flight data
  • One of the objectives of the invention is to enhance this data, using it as training data, in order to have more reliable predictors of trajectory parameters than the predictors of the state of the art.
  • the at least one computing unit 310 is configured to cause the machine learning engine to calculate, for a given trajectory, at least one parameter of the trajectory, from the corresponding input parameters.
  • the learning method implemented by at least one computing unit 310 is described in more detail with reference to Figure 4 below.
  • FIG. 4 represents a method of driving a supervised automatic learning engine for predicting at least one parameter of an aircraft trajectory, in a set of embodiments of the invention .
  • the method 400 takes as input a set of descriptions of aircraft trajectories such as the trajectories 340, as well as, for each trajectory, a set of input parameters comprising at least one parameter of the aircraft 341, and at least one environmental parameter 342 of the trajectory of the aircraft. These parameters can for example correspond to the parameters discussed with reference to FIG. 3, and other concrete examples of parameters according to different embodiments of the invention will be provided below.
  • the method 400 comprises a subset of steps intended to associate, with each trajectory, an input parameter vector and at least one parameter of the trajectory. The steps of method 400 can be performed on all or part of the trajectories.
  • the method 400 comprises a step 410 of forming a vector of input parameters comprising the input parameters associated with a given trajectory. This step makes it possible to formalize, for each trajectory, the relevant input parameters in the form of a vector that can be used as input to a machine learning engine.
  • the method comprises a step 420 of extracting at least one parameter of the trajectory.
  • This step consists in extracting, from a given trajectory, the parameters for which a prediction is desired.
  • These parameters can for example comprise one or more parameters chosen from:
  • ROT runway occupancy time
  • trajectory parameters can be predicted.
  • the invention is more particularly suited to the prediction of trajectory parameters having an impact on the management of air flows by air traffic controllers.
  • each of the above trajectory parameters impacts the air flow management, for example by impacting the periods of availability of an airport's runways, or the ability of aircraft to overtake other slower aircraft.
  • each of the parameters can be carried out in different ways depending on the parameter extracted. For example, certain parameters (go-around, possibility of an aircraft overtaking, etc.) can be recorded as events in the trajectory. They can also be deduced from recorded data, such as messages exchanged between the aircraft and the ATC service. Still others can be calculated, such as exit taxi times, by calculating the difference between take-off time and hangar exit time. Those skilled in the art will easily be able to define the most appropriate way to extract a given parameter, based on all of the available data. In general, all these data are stored in the ATM System and are easily accessible.
  • the times (flight, cruising flight, taxiing %) can be obtained in the form of a duration, expressed for example in minutes, seconds ...; some parameters, such as the use of a go-around procedure, the performance of a standby procedure or the achievement of an overrun, can be obtained in binary form, indicating whether the event has taken place or not .
  • Those skilled in the art will be able to easily identify the most relevant shape for each of the parameters.
  • Steps 410 and 420 are repeated for each trajectory.
  • the method 400 comprises a step 430 of training a supervised machine learning engine such as the motor 320, said motor taking as input the associations, for each trajectory respectively, between the vector of input parameters and at least one parameter of the trajectory corresponding to each trajectory.
  • a supervised machine learning engine such as the motor 320
  • the vector of input parameters serves as the vector of characteristics, and the at least one parameter of the label trajectory.
  • the machine learning engine 320 can thus be trained to predict the au minus one parameter, for each trajectory, from the vector of input parameters.
  • the machine learning engine 320 is able to predict, for a new path, at least one parameter thereof based on the associated input parameter vector.
  • Such an engine has the advantage of requiring limited resources to predict at least one parameter of a given trajectory.
  • Machine learning engines can thus predict the desired parameters of the trajectories in a limited time. This therefore makes it possible to ensure that it is possible to determine the desired parameters of the trajectories practically in real time, thus allowing use of the parameters in a real time air flow management application.
  • the learning engine 320 is capable of calculating at least one parameter of a new trajectory, from a data vector of the same type as those with which it was trained, comprising in particular at least one parameter of the aircraft, and at least one environmental parameter of the trajectory of the aircraft.
  • steps 410, 420 then 430 are presented in the following order: steps 410, 420 then 430.
  • this order is given by way of indication, and, according to certain embodiments of the invention , some steps may be performed in different orders. For example, it is possible to perform steps 410 and 420 in the reverse order to that shown, or to perform them in parallel.
  • Example 1 Drive of a motor for the calculation of path parameters linked to a departure manager (DMAN).
  • DMAN departure manager
  • the motor 320 can be trained to calculate parameters that can be used in a DMAN module.
  • One of The main objectives of a DMAN module are to build a sequence of pre-departures of aircraft, that is to say to determine the order in which the aircraft will leave an airport.
  • An essential parameter to do this is the so-called “tax-out” time, or taxiing time when exiting an aircraft, that is to say the time that the aircraft must taxi in the airport between the exit. from the hangar and take off. In practice, this time depends on a number of very different factors.
  • the weather has an impact on this weather: an aircraft pilot will drive more slowly in fog or snow than in clear weather; the traffic density on the ground will also have an impact; the aircraft model may also have an impact, since aircraft do not have the same performance; the airline may also come into play, as pilots from different companies may have different practices and training.
  • the engine 320 is thus capable, by comparing, within historical situations, the values of these input parameters with the output running times actually observed, of training to provide a reliable prediction of running time in output, taking into account not only the input parameters taken individually, but also the interactions between them.
  • the application of the invention to the calculation of exit taxiing time is not restricted to this list of parameters: according to various embodiments of the invention, only a part of them is used. On the contrary, other parameters can be used in addition. The choice of parameters may depend on the parameters influencing the exit run time, but also on the availability of measurements for the various parameters.
  • the information having an impact on visibility is particularly relevant.
  • the engine 320 can be driven, either generically with data from several airports, or specifically for a given airport.
  • Example 2 Drive of a motor for the calculation of trajectory parameters linked to an arrivals manager (AMAN).
  • the engine 320 can be trained to calculate parameters usable in an AMAN module.
  • One of the main objectives of an AMAN module is to optimize the choice of arrival runways and gates allocated to aircraft arriving at an airport, as well as to indicate arrival times at nearby airports.
  • a first essential parameter for this is the ROT (Time occupied by an aircraft of a landing strip).
  • a type of approach (which can for example be chosen from a visual approach, an ILS approach, etc.).
  • the engine 320 is capable, by comparing, within historical situations, the values of these input parameters with the ROTs actually observed, of training to provide a reliable prediction of the ROTs, taking into account no only the input parameters taken individually, but also the interactions between them.
  • a second essential parameter for optimizing the operation of an AMAN is the taxi-in time.
  • the engine 320 is capable, by comparing, within historical situations, the values of these input parameters with the input run times actually observed, of training to provide a reliable prediction of the running times.
  • input taxiing taking into account not only the input parameters taken individually, but also the interactions between them.
  • the information having an impact on visibility is particularly relevant.
  • the engine 320 can be driven, either generically with data from several airports, or specifically for a given airport.
  • the drive of the engine 320 to efficiently calculate the input taxiing time and / or the ROT makes it possible to considerably improve the management of air flows within an AMAN type module.
  • Example 3 Drive of a motor for the calculation of trajectories on approach.
  • the engine 320 can be trained to calculate approach trajectories, used in particular in AMAN type modules. Indeed, effective prediction of approach trajectories makes it possible to calibrate the arrival of aircraft at an airport.
  • the approach trajectories actually applied depend on a large number of factors. For example, the weather has an impact on these trajectories: an aircraft pilot will not use the same trajectory depending on the weather, whether it is because of different visibility, or differences in the behavior of the aircraft. aircraft; the aircraft model may also have an impact, since aircraft do not perform the same; the airline may also come into play, as pilots from different companies may have different practices and training.
  • the engine 320 is thus capable, by comparing, within historical situations, the values of these input parameters with the approach trajectories actually observed, of training to provide a reliable prediction of the trajectory of 'approach, taking into account not only the input parameters taken individually, but also the interactions between them.
  • the approach path can be represented in different ways. For example, it can be represented as an approach time. This can for example be represented as an approach duration, or a distribution of approach time probabilities.
  • the approach trajectory can also be represented in the form of a 4D trajectory, that is to say of a series of 3D points associated with passage times, which can be supplied to an avionics calculation engine in order to build an avionics trajectory.
  • the approach path can also include an indication of a specific approach situation, such as an indication that the aircraft is performing an approach procedure (in English holding pattern), a go-around procedure (in English misse approach / go around), or another special situation (temporary exclusion zone, closed airstrip, etc.).
  • the learning engine 320 will thus be able to efficiently predict the occurrence of particular situations, which also allows it to better predict the approach trajectory, whatever the form used (approach time, 3D trajectory, etc. .).
  • the application of the invention to the determination of approach paths is not restricted to this list of parameters: according to various embodiments of the invention, only a part of them is used. On the contrary, other parameters can be used in addition. The choice of parameters may depend on the parameters influencing the approach path, but also on the availability of measurements for the various parameters.
  • the engine 320 can be driven, either generically with data from several airports, or specifically for a given airport.
  • Example 4 Driving an engine for calculating flight time en route.
  • the engine 320 can be trained to calculate flight times en route, used in particular in AMAN type modules. Indeed, an efficient prediction of the time spent by aircraft en route for different trajectories makes it possible to better understand their time of arrival at an airport. However, en-route flight times depend on a number of factors.
  • the engine 320 is thus capable, by comparing, within historical situations, the values of these input parameters with the en-route flight times actually observed, of training to provide a reliable prediction of the time. flight en route, taking into account not only the individual input parameters, but also the interactions between them.
  • weather information having an impact on the ability of an aircraft to fly over an area, or affecting the speed and / or the manner of flying over the area (wind, storms, thunderstorms %) are particularly relevant.
  • the application of the invention to determining flight time en route is not restricted to this list of parameters: according to various embodiments of the invention, only a part of them is used. On the contrary, other parameters can be used in addition. The choice of parameters may depend on the parameters influencing the flight time en route, but also on the availability of measurements for the various parameters.
  • the drive of the engine 320 to efficiently calculate en-route flight times makes it possible to considerably improve the management of air flows within an AMAN type module, by allowing better knowledge of the arrival times of the aircraft. .
  • Example 5 Prediction of a most probable trajectory.
  • the engine 320 can be trained to calculate a most probable trajectory of an aircraft. In fact, aircraft do not always exactly follow their flight plans, but it is very difficult to determine a priori what their exact trajectory will be. This prediction makes it possible in particular to adapt to the actual flow of aircraft.
  • the invention makes it possible to drive the motor 320 to predict the most probable trajectories, taking as input parameters at least one parameter chosen from:
  • the most probable trajectory can be represented in various forms, for example a series of 4D positions (3D positions associated with a passage time).
  • the most probable trajectory will consist of a trajectory prediction over a defined time horizon, corresponding to the continuation of the trajectory of the aircraft over a given duration.
  • the engine 320 is thus capable, by comparing, within historical situations, the values of these input parameters with the 3D trajectories actually followed, of training to provide a reliable prediction of the trajectory of the aircraft, taking into account not only the input parameters taken individually, but also the interactions between them.
  • the engine thus trained will therefore be able to predict, in a given situation, the trajectory actually followed by the aircraft over a given time horizon, much more precisely than the methods of the state of the art.
  • the application of the invention to the trajectory prediction over a time horizon is not restricted to this list of parameters: according to various embodiments of the invention, only a part of them is used. On the contrary, other parameters can be used in addition. The choice of parameters may depend on the parameters influencing the trajectory actually followed, but also on the availability of measurements for the various parameters.
  • the drive of the motor 320 to efficiently calculate a trajectory over a time horizon makes it possible to considerably improve the management of air flows both within an AMAN type module and a DMAN module, in allowing a better knowledge of the trajectories actually followed by the aircraft.
  • Example 6 Prediction of a possibility of overtaking.
  • the engine 320 can be trained to calculate a possibility of overtaking, that is to say the ability of an aircraft to overtake an aircraft situated in front of it and flying at lower speed.
  • the possibility of overtaking changes the time at which an aircraft arrives at an airport, but depends on a number of factors, such as the flight path followed, or the respective aircraft speeds. This prediction makes it possible in particular to adapt to the actual flow of aircraft.
  • the invention makes it possible to train the engine 320 to predict the ability of an aircraft to overtake a second aircraft, taking as input parameters at least one parameter chosen from:
  • overshoot can be represented in different ways, for example in the form of a binary value (overshoot allowed or not).
  • the engine 320 is thus capable, by comparing, within historical situations, the values of these input parameters with an effective validation of the possibility of overtaking the second aircraft, of training itself to provide a reliable prediction of the possibility of overtaking a second aircraft, taking into account not only the input parameters taken individually, but also the interactions between them.
  • the engine thus driven will therefore be able to predict, in a given situation, whether an aircraft is capable of overtaking a second aircraft, much more precisely than the methods of the state of the art.
  • the drive of the engine 320 to efficiently calculate an overrun capacity makes it possible to considerably improve the management of air flows, in particular within an AMAN type module, by allowing better knowledge of the arrival times of the aircraft. .
  • FIG. 5 represents a system for calculating at least one parameter of aircraft trajectories using a supervised machine learning engine, in a set of embodiments of the invention.
  • the system 500 may for example be an ATM, ATC or ATFM system, using an air flow management application, allowing air traffic controllers to manage the flow of aircraft in a given area, for example within applications.
  • AMAN AMAN, DMAN or XMAN.
  • the system 500 is a calculation system. According to a set of embodiments of the invention, the system 500 may be a single computing device such as a computer, a server, or any other system capable of performing computer calculations. System 500 may also include a plurality of computing devices. For example, system 500 can be a server farm with multiple compute servers.
  • the system 500 thus comprises at least one calculation unit 510 capable of executing a supervised automatic learning engine 320, similar to the supervised learning engine presented in FIG. 3.
  • the supervised machine learning engine 320 was trained by a method such as method 400, and / or a system such as system 300.
  • the at least one computing unit 510 can be any type of computing unit capable of performing computer calculations.
  • the computing unit may be a processor configured with machine instructions, a microprocessor, an integrated circuit, a microcontroller, a programmable logic circuit, or any other computing unit capable of being programmed to perform computing operations.
  • the system 500 comprises at least one input port 530 capable of receiving, for an aircraft trajectory, input parameters.
  • Input parameters 541, 542 are of the same type as input parameters 341, 342.
  • System 500 can therefore receive:
  • the input parameters can be received in different ways. For example, flight plans and instantaneous parameters of aircraft or their trajectories can be received by radio communication with aircraft, through radar measurements, etc.
  • the aircraft's environmental information can be received for example by means of measurements (radar, weather radar, etc.), by subscription to an external service (weather service, etc.), or by ATC services.
  • At least one port 530 can be of different types: internet connection, radio link, etc.
  • the invention is not restricted to one type of input port, and those skilled in the art will be able to adapt the reception of the input parameters to the available input channels.
  • the different input parameters can be received on a single port, or several ports, of the same type or of different types.
  • the at least one parameter of the aircraft 541 can be received by radio link, and the at least one environmental parameter of the trajectory of the aircraft 542 by an Internet connection.
  • the at least one calculation unit 510 is configured to form, for the trajectory, a vector of input parameters comprising said input parameters.
  • the at least one calculation unit 510 is also configured to calculate, from the input vector, at least one parameter of the trajectory. Many path parameters can be calculated. In particular, all of the embodiments discussed with reference to Figures 3 and 4 can be used here.
  • the system 500 is thus capable of calculating at least one parameter of the trajectory of the aircraft, while benefiting from the advantages of the training of the supervised learning engine.
  • the supervised learning engine 320 makes it possible to calculate the parameters of the trajectory with limited resource requirements, and a deterministic execution time. This allows the parameters to be used reactively, for example within an air flow management application, where it is important to be able to assess the impact of aircraft on each other, in real time.
  • the system 500 can use it in various ways. For example, it can be displayed to at least one operator, such as an air traffic controller, through at least one screen 550. This allows the operator to use this setting for their interaction with aircraft. It can also raise an alert, if the value of the parameter causes difficulty in the management of air traffic.
  • an air traffic controller such as an air traffic controller
  • At least one calculation unit 510 is configured to use the at least one calculated parameter of the trajectory within the framework of an air flow management application. .
  • FIG. 5 represents a single supervised learning engine 320, according to different embodiments of the invention, several different engines can be used.
  • a first motor can be used to calculate trajectory parameters for an application of the “DMAN” type (exit taxiing time, take-off time, etc.), and a second motor to calculate trajectory parameters for an application.
  • “AMAN” type application time of arrival, time of use of a runway for landing, time of taxiing on arrival, etc.
  • FIG. 6 represents a method implemented by computer for calculating at least one parameter of an aircraft trajectory using a supervised machine learning engine, in a set of modes of implementation of the invention.
  • the method 600 receives as input, for an aircraft trajectory, a set of input parameters comprising:
  • the method comprises a step 610 of forming, for the trajectory, a vector of input parameters comprising said input parameters.
  • the method then comprises a step 620 of executing a supervised learning engine 320 to calculate, from the input vector, at least one parameter of the trajectory, said engine having been driven by the method 400 .

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Radio Relay Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

L'invention porte sur une méthode mise en œuvre par ordinateur d'entrainement d'un moteur d'apprentissage automatique supervisé apte à prédire des caractéristiques de trajectoires d'aéronef à partir de paramètres d'un aéronef, et d'environnement de la trajectoire d'aéronef. L'invention porte également sur un système apte à entraîner ce moteur d'apprentissage automatique supervisé, un système d'utilisation de ce moteur, et une méthode mise en œuvre par ordinateur d'utilisation de ce moteur. L'invention est particulièrement utile pour des applications de gestion de flux aérien.

Description

DESCRIPTION
Titre de l’invention : Système et méthode pour la détermination améliorée de paramètres de trajectoire d’aéronefs
Domaine de l’invention
[0001] La présente invention concerne la détermination paramètres de trajectoires d’aéronef, par exemple des temps de roulage, ou des temps de vol. La présente invention concerne également l’utilisation de ces paramètres de trajectoires d’aéronefs par des opérateurs tels que des contrôleurs aériens pour réguler le trafic aérien.
Etat de l’art précédent
[0002] Les systèmes de contrôle aérien ont pour but de rendre l’exécution des vols plus sûrs, rapides et efficaces. Ils permettent de prévenir les collisions entre aéronefs, ou les situations dangereuses entre un aéronef et son environnement (météo, relief...). Ils permettent ainsi, en synchronisant de manière aussi fine que possible la circulation des aéronefs, de s’assurer d’une circulation aérienne sécurisée, mais permettent également aux aéronefs de respecter les heures de vols prévues, et d’adopter des trajectoires aussi économes que possible en carburant.
[0003] A cet effet, des contrôleurs aériens reçoivent un ensemble d’informations relatives à l’espace aérien : position et trajectoires prédites des aéronefs, météo...
Les contrôleurs peuvent également communiquer, via des messages écrits ou des communications orales, avec les pilotes des aéronefs afin de récupérer les cas échéant des informations complémentaires, et leur donner des instructions adaptées à la situation, pour garantir la sécurité de la circulation aérienne, tout en s’assurant de la meilleure qualité de service possible aux usagers du transport aérien. Par exemple, les contrôleurs aériens peuvent communiquer aux pilotes le moment opportun pour atterrir ou décoller d’un aéroport, ou au contraire leur donner l’instruction de différer leur approche si une piste d’atterrissage est utilisée par des aéronefs à l’heure initialement prévue.
[0004] Dans un contexte de trafic aérien de plus en plus dense, les instructions fournies aux aéronefs se basent sur des prédictions de présence des aéronefs en différents endroits. Par exemple, les contrôleurs aériens peuvent prévoir, à l’avance quel sera la durée de roulage d’un aéronef donné avant décollage, la durée du décollage, la durée de croisière, etc. Ceci permet d’évaluer, pour chaque aéronef, son temps de présence en un endroit donné, et inversement de la densité du trafic en un endroit et à un temps donné. Ceci permet aux contrôleurs aériens de fournir aux aéronefs les instructions adaptées, pour assurer la sécurité mais également l’optimisation du trafic aérien La capacité des contrôleurs aériens à prévoir à l’avance l’emplacement des aéronefs, et la durée des différentes phases de circulation aérienne est donc essentielle, pour garantir tant la sécurité que l’efficacité de la circulation aérienne, et gérer les flux d’arrivée et de départ des aéronefs des aéroports.
[0005] Les contrôleurs s’appuient aujourd’hui sur des outils de gestion de flux permettant à un contrôleur de bénéficier d’une prédiction des paramètres de trajectoires des aéronefs. Ces outils de gestion de flux sont aujourd’hui basés sur des informations issues d’une grande quantité de paramètres définis hors ligne, qui sont fastidieux à introduire dans le système et/ou issues de calculs analytiques basés sur une modélisation qui peut s’avérer approximative. Les outils actuels nécessiteraient donc, pour fournir une prédiction efficace des paramètres de vol des aéronefs, d’introduire manuellement des résultats de prédictions correspondant virtuellement à toutes les situations possibles. Ceci n’étant en pratique pas réalisable, les outils actuels fournissent des prédictions imprécises, ne permettant ainsi pas aux contrôleurs aériens de bénéficier d’un support adéquat pour la gestion de flux.
[0006] Il y a donc besoin d’une méthode de prédiction de paramètres de trajectoires d’aéronefs, pouvant fournir des résultats fiables pour toute situation de gestion de flux aérien, tout nécessitant une quantité de données d’entraînement limités.
Résumé de l’invention
[0007] A cet effet, l’invention a pour objet une méthode mise en oeuvre par ordinateur recevant en entrée un ensemble de descriptions de trajectoires d’aéronefs, associées chacune à un ensemble de paramètres d’entrée, comprenant, pour chaque trajectoire d’un aéronef : au moins un paramètre de l’aéronef ; au moins paramètre d’environnement de la trajectoire de l’aéronef ; ladite méthode comprenant, pour chaque trajectoire : une étape de formation d’un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ; une étape d’extraction d’au moins un paramètre de la trajectoire ; ladite méthode comprenant une étape d’entrainement d’un moteur d’apprentissage automatique supervisé prenant en entrée des associations, pour chaque trajectoire respectivement, entre son vecteur de paramètres d’entrée et moins un paramètre de la trajectoire.
[0008] Avantageusement, le moteur d’apprentissage automatique supervisé est un réseau de neurones à couches complètement connectées.
[0009] Avantageusement, l’au moins un paramètre de trajectoire est un temps de roulage en sortie, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un identifiant de porte de parking ; un identifiant de piste de décollage, et ou de point d’alignement ; des informations météorologiques ; un type d’aéronef ; un identifiant de compagnie aérienne ; un niveau de trafic au sol ; une accessibilité de piste de roulage ; une heure de la journée.
[0010] Avantageusement, l’au moins un paramètre de trajectoire est un temps d’occupation d’une piste d’atterrissage, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un identifiant de piste d’atterrissage ; un identifiant de porte de parking ; des informations météorologiques ; un type d’aéronef ; un identifiant de compagnie aérienne ; un type d’approche.
[0011] Avantageusement, l’au moins un paramètre de trajectoire est un temps de roulage en entrée, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un identifiant de piste d’atterrissage ; un identifiant de porte de parking ; des informations météorologiques ; un type d’aéronef ; un identifiant de compagnie aérienne ; un niveau de trafic au sol ; une indication des pistes de roulage fermées ; une heure de la journée.
[0012] Avantageusement, l’au moins un paramètre de trajectoire est un temps d’occupation de piste d’atterrissage, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un identifiant de piste d’atterrissage ; un identifiant de porte de parking ; des informations météorologiques ; un type d’aéronef ; un identifiant de compagnie aérienne ; un niveau de trafic au sol ; une indication des pistes de roulage fermées ; une heure de la journée. [0013] Avantageusement, l’au moins un paramètre de trajectoire est une description d’une trajectoire d’approche, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : une vitesse d’aéronef ; un type d’aéronef ; une altitude au point dit de rassemblement ; des informations météorologiques ; un identifiant de compagnie aérienne ; une procédure et/ou un type d’approche ; une heure de la journée ; un niveau de trafic aérien ; des données de plan de vol ; des données de vol issues d’un système de contrôle aérien.
[0014] Avantageusement, l’au moins un paramètre de trajectoire est un temps de vol en route, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un type d’aéronef, ou une classe de vitesse de l’aéronef ; une altitude de vol ;des informations météorologiques ; une description de secteur ATC ; une description de zones de restrictions aériennes ; un identifiant de compagnie aérienne des données de plan de vol ; des données de vol issues d’un système de contrôle aérien.
[0015] Avantageusement, l’au moins un paramètre de trajectoire est une prédiction de trajectoire de l’aéronef sur un horizon temporel, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : une position 3D de l’aéronef ; un cap de l’aéronef ; des informations envoyées de l’aéronef au contrôle aérien ; des données de plan de vol ; des données de vol issues d’un système de contrôle aérien ; un type d’approche.
[0016] Avantageusement, l’au moins un paramètre de trajectoire est une possibilité de l’aéronef de dépasser un deuxième aéronef, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : un identifiant de couloir aérien, dans lequel se situent les aéronefs ; un type de l’aéronef ; un type du deuxième aéronef ; une altitude de l’aéronef ; une altitude du deuxième aéronef ; une vitesse de l’aéronef ; une vitesse du deuxième aéronef ; un plan de vol de l’aéronef ; un plan de vol du deuxième aéronef.
[0017] L’invention a également pour objet un système comprenant : au moins une unité de calcul apte à entraîner un moteur d’apprentissage automatique supervisé ; un accès à au moins un support de stockage d’information stockant, pour chaque trajectoire d’un aéronef parmi un ensemble de trajectoires d’aéronefs : une description de la trajectoire ; un ensemble de paramètres d’entrée associés à la trajectoire comprenant : au moins un paramètre de l’aéronef ; au moins paramètre d’environnement de la trajectoire de l’aéronef ; l’au moins une unité de calcul étant configurée, pour chaque trajectoire, pour : former un vecteur de paramètres d’entrée comprenant les paramètres d’entrée associés à la trajectoire ; extraire au moins un paramètre de la trajectoire ; l’au moins une unité de calcul étant configurée pour entraîner un moteur d’apprentissage automatique supervisé prenant en entrée des associations, pour chaque trajectoire respectivement, entre son vecteur de paramètres d’entrée et moins un paramètre de la trajectoire.
[0018] L’invention a également pour objet un programme d’ordinateur comprenant instructions de code de programme pour l’exécution des étapes de la méthode selon l’invention lorsque ledit programme est exécuté sur un ordinateur.
[0019] L’invention a également pour objet une méthode mise en oeuvre par ordinateur recevant en entrée, pour une trajectoire d’un aéronef, un ensemble de paramètres d’entrée comprenant : au moins un paramètre de l’aéronef ; au moins un paramètre d’environnement de la trajectoire de l’aéronef ; ladite méthode comprenant : une étape de formation, pour la trajectoire, d’un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ; une étape d’exécution d’un moteur d’apprentissage supervisé pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire, ledit moteur ayant été entraîné par une méthode selon l’invention.
[0020] L’invention a également pour objet un programme d’ordinateur comprenant instructions de code de programme pour l’exécution des étapes de la méthode selon l’invention lorsque ledit programme est exécuté sur un ordinateur.
[0021] L’invention a également pour objet un système comprenant : au moins une unité de calcul apte à exécuter un moteur d’apprentissage automatique supervisé ; au moins une unité de calcul apte à exécuter un moteur d’apprentissage automatique supervisé ; au moins un port d’entrée apte à recevoir, pour une trajectoire d’un aéronef, un ensemble de paramètres d’entrée comprenant : au moins un paramètre de l’aéronef ; au moins un paramètre d’environnement de la trajectoire de l’aéronef ; l’au moins une unité de calcul étant configurée pour : former, pour la trajectoire, un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ; exécuter ledit moteur d’apprentissage supervisé pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire, ledit moteur ayant été entraîné par une méthode l’invention.
[0022] Avantageusement, l’au moins une unité de calcul est configurée pour utiliser l’au moins un paramètre de la trajectoire dans le cadre d’une application de gestion de flux aérien.
[0023] D’autres caractéristiques, détails et avantages de l’invention ressortiront à la lecture de la description faite en référence aux dessins annexés donnés à titre d’exemple et qui représentent, respectivement :
- la figure 1 , un système de contrôle aérien, dans lequel l’invention peut être implémentée ;
- la figure 2, un ensemble de phases de vols sur lesquelles l’invention est apte à prédire des paramètres de trajectoire ;
- la figure 3, un système de calcul permettant l’entraînement d’un moteur d’apprentissage automatique supervisé de prédiction d’au moins un paramètre de trajectoire d’aéronef, dans un ensemble de modes de mise en oeuvre de l’invention ;
- la figure 4, une méthode d’entraînement d’un moteur d’apprentissage automatique supervisé de prédiction d’au moins un paramètre d’une trajectoire d’aéronef, dans un ensemble de modes de mise en oeuvre de l’invention ;
- la figure 5, un système de calcul d’au moins un paramètre de trajectoire d’aéronef utilisant un moteur d’apprentissage automatique supervisé, dans un ensemble de modes de mise en oeuvre de l’invention ;
- la figure 6, une méthode mise en oeuvre par ordinateur de calcul d’au moins un paramètre d’une trajectoire d’aéronef utilisant un moteur d’apprentissage automatique supervisé, dans un ensemble de modes de mise en oeuvre de l’invention.
Certains acronymes anglo-saxons couramment utilisés dans le domaine technique de la présente demande pourront être employés au cours de la description. Ces acronymes sont listés dans le tableau ci-dessous, avec notamment leur expression anglo-saxonne et leur signification.
Figure imgf000008_0001
Figure imgf000009_0001
Figure imgf000010_0001
[0024] La figure 1 représente un exemple de système de contrôle aérien, dans lequel l’invention peut être implémentée. [0025] Le système de contrôle aérien représenté en figure 1 comprend une tour de contrôle 110, équipée d’un radar 111 permettant de repérer les aéronefs 120, 121 volant dans un secteur donné. La tour de contrôle 110 peut communiquer avec les aéronefs, par exemple via une liaison radio, afin de donner des informations et instructions aux aéronefs, mais aussi de recevoir des informations et requête des aéronefs. Afin de fournir aux aéronefs les indications les plus pertinentes, la tour de contrôle peut recevoir des données de fournisseurs externes, tels qu’un serveur météo 130. Ainsi, un contrôleur aérien peut fournir des indications et instructions aux pilotes des aéronefs à partir d’un ensemble de données comprenant les trajectoires prévues des aéronefs sur son secteur, les interactions avec les pilotes, et des données d’environnement telles que des prévisions météo.
[0026] Le système de la figure 1 est donné à titre d’exemple non limitatif uniquement, et l’invention peut être implémentée dans de nombreux systèmes pour le contrôle aérien, tels que des systèmes ATC ou ATFM.
[0027] La figure 2 représente un ensemble de phases de vols sur lesquelles l’invention est apte à prédire des paramètres de trajectoire.
[0028] L’invention peut être appliquée à de nombreuses phases de vol.
[0029] La figure 2 représente un exemple d’une trajectoire d’aéronef 200 comprenant les phases suivantes :
- une phase de roulage (en anglais taxi) à l’aéroport de départ 210 ;
- une phase de décollage (en anglais take-off) 220 ;
- une phase de montée (en anglais departure) 230 ;
- une phase de croisière (en anglais cruise) composée elle-même de phases de route 240, 260, et de survol océanique 250 ;
- une phase de descente (en anglais descent) 270) ;
- une phase d’atterrissage (en anglais landing) 280 ;
- une phase de roulage à l’aéroport d’arrivée 290.
[0030] Chacune de ces phases peut être associée, dans le plan de vol de l’aéronef, à une durée nominale. Cependant, chacune d’entre elles peut également subir des retards, pour des raisons pouvant être liées à l’aéronef ou à son environnement. Par exemple, la phase de roulage 210 pourra être rallongée si la piste de décollage est encombrée et ne permet pas le décollage à l’heure initialement prévue. Ces différents retards peuvent également se répercuter sur les phases ultérieures de la trajectoire. La trajectoire représentée en figure 2 est fournie à titre d’exemple uniquement, et l’invention pourrait être appliquée à de nombreuses autres trajectoires, caractérisées par des phases de vol différentes.
[0031] Cette incertitude diminue la capacité des contrôleurs aériens à effectuer une gestion des flux efficace. L’invention permet de prévoir, à partir d’un ensemble de paramètres liés à l’aéronef et/ou à son environnement, des paramètres de la trajectoire de l’aéronef, et notamment la durée des différentes phases d’une trajectoire, en vol ou au sol.
[0032] La figure 3 représente un système de calcul permettant l’entraînement d’un moteur d’apprentissage automatique supervisé de prédiction d’au moins un paramètre de trajectoire d’aéronef, dans un ensemble de modes de mise en oeuvre de l’invention.
[0033] Le système 300 est un système de calcul. Selon un ensemble de modes de réalisation de l’invention, le système 300 peut être un dispositif de calcul unique tel qu’un ordinateur, un serveur, ou tout autre système apte à effectuer des calculs informatiques. Le système 300 peut également comporter une pluralité de dispositifs de calcul. Par exemple, le système 300 peut être une ferme de serveurs comportant plusieurs serveurs de calcul.
[0034] Le système 300 comprend ainsi au moins une unité de calcul 310 apte à entraîner un moteur d’apprentissage automatique supervisé (ou en anglais supervised machine learning engine) 320.
[0035] L’au moins une unité de calcul 310 peut être n’importe quel type d’unité de calcul apte à effectuer des calculs informatiques. Par exemple, l’unité de calcul peut être un processeur configuré avec des instructions machines, un microprocesseur, un circuit intégré, un microcontrôleur, un circuit logique programmable, ou tout autre unité de calcul apte à être programmée pour effectuer des opérations de calcul.
[0036] Le moteur d’apprentissage automatique supervisé 320 peut être n’importe quel type de moteur d’apprentissage automatique supervisé. Par exemple, il peut s’agir d’une forêt d’arbres décisionnels (en anglais random forest), d’un réseau de neurones artificiel, d’une machine à support de vecteur, ou d’un moteur d’apprentissage profond (de l’anglais deep learning), tel qu’un réseau de neurones profond, un réseau de neurones à couches entièrement connectées (FCN), ou un réseau neuronal convolutif. Bien que tout type de moteur d’apprentissage supervisé puisse être utilisé dans l’invention, un moteur d’apprentissage supervisé basé sur un réseau de neurones est particulièrement avantageux, car il permet, une fois l’apprentissage effectué, de s’exécuter dans un temps borné. L’exécution d’un réseau de neurone artificiel, une fois entraînée, nécessite également une quantité de ressources de calcul limitée.
[0037] Un réseau de neurones complètement à couches complètement connectées (FCN) est particulièrement avantageux, car il permet un apprentissage utilisant des inférences entre tous les paramètres, et donc très efficace pour prédire des interactions entre des paramètres très différents.
[0038] Le système 300 comprend un accès à au moins un support de stockage d’informations 330. L’au moins un support de stockage d’information 330 peut être de tout type de stockage apte à stoker des informations : disque dur, CD, DVD, bande magnétique, une carte mémoire, une clé USB, une mémoire Flash, une mémoire vive.
[0039] Le support de stockage d’informations peut être intégré au système 300. Par exemple, si le système 300 est un dispositif de calcul tel qu’un serveur, le support de stockage d’information peut être un disque dur du dispositif. Dans le cas où le système 300 est composé d’une pluralité de dispositifs de calcul, l’au moins un support de stockage peut être un ensemble de mémoires réparties sur les différents dispositifs de calcul.
[0040] Le système 300 peut également avoir accès à l’au moins un support de stockage d’information 330 via une connexion. Par exemple, l’au moins un support de stockage d’information peut consister en au moins un disque dur accédé à distance, par exemple via au moins un serveur NAS, ou via un système d’informatique en nuage (de l’anglais cloud computing).
[0041] L’au moins un support de stockage d’information 330 stocke, un ensemble de descriptions de trajectoires d’aéronefs 340, et, pour chaque trajectoire d’aéronef, un ensemble de paramètres d’entrée associés comprenant : - des paramètres de l’aéronef 341 ;
- des paramètres d’environnement 342 de la trajectoire de l’aéronef.
[0042] Les trajectoires d’aéronefs 340 peuvent être décrites de différentes manières. Par exemple, les trajectoires peuvent être exprimées sous la forme de trajectoires 4D, avec des points de passage définis par une latitude, longitude, et un FL et un temps de passage. Les trajectoires peuvent également comprendre, pour chaque point de passage, un cap associé. Une trajectoire peut également être associée à un type d’avion et/ou un callsign (dénomination d’un aéronef donné). Les trajectoires peuvent comprendre non seulement des parties en route, mais également des parties au sol, comprenant notamment la trajectoire et les temps de roulage de l’aéronef.
[0043] Les paramètres de l’aéronef 341 peuvent comprendre différents paramètres tels que le type d’aéronef ou la compagnie aérienne à laquelle appartient l’aéronef. Ces paramètres peuvent également comprendre des paramètres liés à la trajectoire passée ou au plan de vol de l’aéronef, tels que :
- des paramètres du le plan de vol de l’aéronef ;
- un type d’approche ;
- une heure de départ ou d’arrivée prévue ;
- le cap de l’aéronef ;
- l’altitude de vol ;
- la position de l’aéronef ;
- un type d’approche utilisé par l’aéronef.
De manière plus générale, ces paramètres peuvent comprendre tout type de paramètre lié à l’aéronef lui-même ou à sa trajectoire prévue.
[0044] Les paramètres d’environnement 342 peuvent comprendre de nombreux types de paramètres liés à l’environnement de la trajectoire de l’aéronef. Ces paramètres peuvent par exemple comprendre des paramètres relatifs à la circulation aérienne, à l’aéroport de départ, à l’aéroport d’arrivée, aux conditions météorologiques, à un secteur traversé par l’aéronef. Selon différents modes de réalisation de l’invention, les paramètres d’environnement 342 peuvent par exemple comprendre : un identifiant d’un parking de l’aéronef ; - une piste de décollage ou d’atterrissage de l’aéronef ;
- des données météorologiques, mesurées ou prédites : vent, humidité, pluie, neige, visibilité... ;
- le trafic au sol ;
- la disponibilité de pistes de roulage (également appelées pistes de taxi) dans un aéroport de départ ou d’arrivée ;
- la piste de roulage affectée à l’aéronef ;
- l’heure ;
- le trafic en vol.
De manière plus générale, tout paramètre relatif à l’environnement de l’aéronef peut être utilisé selon différents modes de réalisation de l’invention. La notion d’environnement de l’aéronef peut faire référence aussi bien à l’environnement physique, avec des paramètres météorologique, qu’à des paramètres liés à la circulation et au trafic aériens. La présente description décrira plus en détail quelques associations de paramètres particulièrement pertinentes.
[0045] Les paramètres peuvent être exprimés de n’importe quelle manière appropriée en fonction du paramètre considéré.
[0046] Par exemple, des paramètres météorologiques peuvent notamment comprendre au moins une des informations suivantes : informations chiffrées (températures, vents, pressions...), par exemple par le biais d’un fichier GRIB, texte descriptif de la météo (par exemple, présence d’une tempête, orage, etc.), messages SIGMET. De manière plus générale, tout type de données fournissant des indications sur la météo au sein du secteur peut être utilisé.
[0047] Des paramètres liés au trafic aérien, ou au trafic au en roulage ou peuvent être exprimés par exemple sous la forme d’une densité d’aéronefs. Cette densité peut être exprimée de différentes manières, comme un nombre d’aéronefs dans un secteur donné, ou un nombre d’aéronefs dans un volume donné.
[0048] Ces paramètres correspondent à des enregistrements de situations réelles s’étant produites pour les trajectoires considérées. Ils définissent ainsi, pour chaque trajectoire, les paramètres d’entrée ayant une influence sur la trajectoire, et permettant de prédire certaines caractéristiques de celle-ci. Comme indiqué ci- dessus, ces paramètres comprennent au moins un paramètre de l’aéronef, de sa trajectoire passée ou de son plan de vol, et au moins un paramètre de l’environnement de l’aéronef.
[0049] De manière plus générale, les paramètres peuvent comprendre, selon différents modes de réalisation de l’invention, tout type de paramètres pouvant avoir un impact sur la trajectoire, de roulage ou de vol, de l’aéronef.
[0050] Les trajectoires d’aéronefs 340, paramètres des aéronefs 341 , et paramètres d’environnement 342 stockés peuvent être issus de différentes sources : mesures de capteurs, données recueillies par les services de contrôle aérien, par des services météo, données de vol. De manière générale, une grande quantité de données est recueillie et stockée pour chaque vol d’aéronef, issue par exemple de capteurs de l’aéronef que du contrôle aérien. L’un des objectifs de l’invention est de valoriser ces données, en les utilisant comme données d’apprentissage, afin de disposer de prédicteurs de paramètres de trajectoires plus fiables que les prédicteurs de l’état de l’art.
[0051 ] L’au moins une unité de calcul 310 est configurée pour entraîner le moteur d’apprentissage automatique à calculer, pour une trajectoire donnée, au moins un paramètre de la trajectoire, à partir des paramètres d’entrée correspondants. La méthode d’apprentissage mise en oeuvre par l’au moins une unité de calcul 310 est décrite plus en détail en référence à la figure 4 ci-dessous.
[0052] La figure 4 représente une méthode d’entraînement d’un moteur d’apprentissage automatique supervisé de prédiction d’au moins un paramètre d’une trajectoire d’aéronef, dans un ensemble de modes de mise en oeuvre de l’invention.
[0053] La méthode 400 prend en entrée un ensemble de descriptions de trajectoires d’aéronefs telles que les trajectoires 340, ainsi que, pour chaque trajectoire, un ensemble de paramètres d’entrée comprenant au moins un paramètre de l’aéronef 341 , et au moins un paramètre d’environnement 342 de la trajectoire de l’aéronef. Ces paramètres peuvent par exemple correspondre aux paramètres discutés en référence à la figure 3, et d’autres exemples concrets de paramètres selon différents modes de réalisation de l’invention seront fournis ci-dessous. [0054] La méthode 400 comprend un sous-ensemble d’étapes destinées à associer, à chaque trajectoire, un vecteur de paramètre d’entrée et au moins un paramètre de la trajectoire. Les étapes de la méthode 400 peuvent être exécutées sur tout ou partie des trajectoires.
[0055] La méthode 400 comprend une étape 410 de formation, d’un vecteur de paramètres d’entrée comprenant les paramètres d’entrée associés à une trajectoire donnée. Cette étape permet de formaliser, pour chaque trajectoire, les paramètres d’entrée pertinents sous la forme d’un vecteur utilisable en entrée d’un moteur d’apprentissage automatique.
[0056] La méthode comprend une étape 420 d’extraction d’au moins un paramètre de la trajectoire. Cette étape consiste à extraire, à partir d’une trajectoire donnée, les paramètres pour lesquels une prédiction est souhaitée. Ces paramètres peuvent par exemple comprendre un ou plusieurs paramètres choisis parmi :
- un temps de roulage en sortie (en anglais taxi-out time) ;
- un temps de roulage en entrée (en anglais taxi-in time ) ;
- un temps de vol ;
- un temps de vol en route ;
- une trajectoire d’approche ;
- un temps d’occupation d’une piste (en anglais Runway Occupancy Time, ou ROT ;
- la réalisation d’une procédure d’attente (en anglais holding pattern) avant un atterrissage ;
- l’utilisation d’une procédure de remise de gaz (en anglais missed approach / go around) ;
- une trajectoire la plus probable suivie par un aéronef ;
- une possibilité de dépassement d’un aéronef.
[0057] De manière générale, de nombreux paramètres de trajectoires peuvent être prédits. L’invention est plus particulièrement adaptée à la prédiction de paramètres de trajectoire ayant un impact sur la gestion des flux aériens par les contrôleurs aériens. Par exemple, chacun des paramètres de trajectoire ci-dessus impacte la gestion des flux aériens, par exemple en impactant les périodes de disponibilité des pistes d’un aéroport, ou la capacité des aéronefs à dépasser d’autres aéronefs plus lents.
[0058] L’extraction de chacun des paramètres peut s’effectuer de manières différentes selon le paramètre extrait. Par exemple, certains paramètres (remise des gaz, possibilité de dépassement d’un aéronef...) peuvent être enregistrés comme événements dans la trajectoire. Ils peuvent également être déduits de données enregistrées, telles que les messages échangés entre l’aéronef et le service ATC. D’autres encore peuvent être calculés, tels que les temps de roulage en sortie, en calculant la différence entre l’heure de décollage et l’heure de sortie du hangar. L’homme de l’art pourra sans difficulté définir la manière la plus appropriée d’extraire un paramètre donné, en fonction des l’ensemble des données disponibles. De manière générale, toutes ces données sont stockées dans le System ATM ont sont aisément accessibles.
[0059] Chacun des paramètres pourra être obtenu selon la forme la plus adaptée.
Par exemple, les temps (de vol, de vol en croisière, de roulage...) pourront être obtenus sous la forme d’une durée, exprimée par exemple en minutes, secondes... ; certains paramètres, comme l’utilisation d’une procédure de remise de gaz, la réalisation d’une procédure d’attente ou la réalisation d’un dépassement, pourront être obtenus sous forme binaire, indiquant si l’événement a eu lieu ou non. L’homme de l’art pourra sans difficulté identifier la forme la plus pertinente pour chacun des paramètres.
[0060] Les étapes 410 et 420 sont répétées pour chaque trajectoire.
[0061] Lorsqu’un vecteur de paramètres d’entrée, et au moins un paramètre de la trajectoire ont été obtenus pour les trajectoires voulues, la méthode 400 comprend une étape 430 d’entraînement d’un moteur d’apprentissage automatique supervisé tel que le moteur 320, ledit moteur prenant en entrée les associations, pour chaque trajectoire respectivement, entre le vecteur de paramètres d’entrée et l’au moins un paramètre de la trajectoire correspondant à chaque trajectoire.
[0062] Ainsi, pour chaque trajectoire, le vecteur de paramètres d’entrée sert de vecteur de caractéristiques, et l’au moins un paramètre de la trajectoire de label. Le moteur d’apprentissage automatique 320 peut ainsi être entraîné pour prédire l’au moins un paramètre, pour chaque trajectoire, à partir du vecteur de paramètres d’entrée.
[0063] Une fois entraîné, le moteur d’apprentissage automatique 320 est capable de prédire, pour une nouvelle trajectoire, l’au moins un paramètre de celle-ci en fonction du vecteur de paramètres d’entrée associé. Un tel moteur présente l’avantage de nécessiter des ressources limitées pour prédire l’au moins un paramètre d’une trajectoire donnée. Les moteurs d’apprentissage automatique peuvent ainsi prédire les paramètres voulus des trajectoires dans un temps borné. Ceci permet donc de s’assurer qu’il est possible de déterminer les paramètres désirés des trajectoires pratiquement en temps réel, permettant ainsi une utilisation des paramètres dans une application de gestion de flux aériens en temps réel.
[0064] Une fois le moteur d’apprentissage 320 entraîné, il est capable de calculer l’au moins un paramètre d’une nouvelle trajectoire, à partir d’un vecteur de données du même type que ceux avec lesquels il a été entraîné, comprenant notamment au moins un paramètre de l’aéronef, et au moins un paramètre d’environnement de la trajectoire de l’aéronef.
[0065] Ceci permet de prédire, pour de nouveaux aéronefs et de nouvelles trajectoires, les paramètres désirés, ce qui permet une prédiction fiable du ou des paramètres de la trajectoire. Ceci permet notamment leur utilisation dans des applications de gestion de flux aérien.
[0066] Dans la figure 4, les étapes de la méthode 400 sont présentées dans l’ordre suivant : étapes 410, 420 puis 430. Cependant, cet ordre est donné à titre indicatif, et, selon certains modes de réalisation de l’invention, certaines étapes peuvent effectuées dans des ordres différents. Par exemple, il est possible d’effectuer les étapes 410 et 420 dans l’ordre inverse de celui indiqué, ou de les exécuter en parallèle.
[0067] Nous allons maintenant décrire quelques exemples concrets d’application de l’invention.
[0068] Exemple 1 - Entraînement d’un moteur pour le calcul de paramètres de trajectoires liés à un gestionnaire de départs (DMAN).
[0069] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer des paramètres utilisables dans un module DMAN. Un des objectifs principaux d’un module DMAN est de construire une séquence de pré départs d’aéronefs, c’est-à-dire de déterminer l’ordre dans lequel les aéronefs vont quitter un aéroport. Un paramètre essentiel pour ce faire est le temps dit de « taxi- out », ou temps de roulage en sortie d’un aéronef, c’est-à-dire le temps que l’aéronef devra rouler dans l’aéroport entre la sortie du hangar et le décollage. Dans la pratique, ce temps dépend d’un nombre de facteurs très différents. Par exemple, la météo a un impact sur ce temps : un pilote d’aéronef roulera plus lentement en cas de brouillard ou de neige qu’en cas de temps dégagé ; la densité de trafic au sol aura également un impact ; le modèle de l’aéronef pourra également avoir un impact, puisque les aéronefs n’ont pas les mêmes performances ; la compagnie aérienne peut également entrer en ligne de compte, car les pilotes des différentes compagnies peuvent avoir des pratiques et formations différentes.
[0070] Les solutions de l’état de l’art ne permettent pas une prédiction fiable du temps de roulage en sortie. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire le temps de roulage en sortie, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- un identifiant de porte de parking ;
- un identifiant de piste de décollage, et ou de point d’alignement (en anglais line-up point) ;
- des informations météorologiques ;
- un type d’aéronef ;
- un identifiant de compagnie aérienne ;
- un niveau de trafic au sol ;
- une accessibilité de piste de roulage ;
- une heure de la journée.
[0071] Le moteur 320 est ainsi capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux temps de roulage en sortie effectivement constatés, de s’entraîner à fournir une prédiction fiable de temps de roulage en sortie, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux. [0072] Bien entendu, l’application de l’invention au calcul de temps de roulage en sortie n’est pas restreinte à cette liste de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant le temps de roulage en sortie, mais également de la disponibilité de mesures pour les différents paramètres.
[0073] Si des informations météorologiques sont utilisées, les informations ayant un impact sur la visibilité (neige, pluie, brouillard...) sont particulièrement pertinentes.
[0074] Selon différents modes de réalisation, le moteur 320 peut être entraîné, soit de manière générique avec des données issues de plusieurs aéroports, soit de manière spécifique pour un aéroport donné.
[0075] L’entraînement du moteur 320 à calculer efficacement le temps de roulage en sortie permet d’améliorer considérablement la gestion de flux aériens au sein d’un module de type AMAN.
[0076] Exemple 2 - Entraînement d’un moteur pour le calcul de paramètres de trajectoires liés à un gestionnaire d’arrivées (AMAN).
[0077] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer des paramètres utilisables dans un module AMAN. Un des objectifs principaux d’un module AMAN est d’optimiser le choix des pistes d’arrivées et portes allouées aux aéronefs arrivant à un aéroport, ainsi que d’indiquer les temps d’arrivée aux aéroports voisins.
[0078] Un premier paramètre essentiel pour ce faire est le ROT (Temps occupation par un aéronef d’une piste d’atterrissage).
[0079] Les solutions de l’état de l’art ne permettent pas une prédiction fiable du ROT. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire le ROT, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- un identifiant de piste d’atterrissage ;
- un identifiant de porte de parking ;
- des informations météorologiques ;
- un type d’aéronef ; - un identifiant de compagnie aérienne ;
- un type d’approche (pouvant par exemple être choisi parmi une approche visuelle, une approche ILS ...).
[0080] En effet, le moteur 320 est capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux ROT effectivement constatés, de s’entraîner à fournir une prédiction fiable des ROT, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux.
[0081] Un second paramètre essentiel pour optimiser l’opération d’un AMAN est le temps de roulage en entrée (en anglais taxi-in time).
[0082] Les solutions de l’état de l’art ne permettent pas une prédiction fiable du temps de roulage en entrée. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire le temps de roulage en entrée, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- un identifiant de piste d’atterrissage ;
- un identifiant de porte de parking ;
- un type d’aéronef ;
- un identifiant de compagnie aérienne ;
- une heure de la journée ;
- un niveau de trafic au sol ;
- des informations météorologiques ;
- une indication des pistes de roulage fermées.
[0083] En effet, le moteur 320 est capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux temps de roulage en entrée effectivement constatés, de s’entraîner à fournir une prédiction fiable des temps de roulage en entrée, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux.
[0084] Bien entendu, l’application de l’invention au calcul de temps de roulage en entrée et de ROT n’est pas restreinte à ces listes de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant le temps de roulage en entrée et/ou le ROT, mais également de la disponibilité de mesures pour les différents paramètres.
[0085] Si des informations météorologiques sont utilisées, les informations ayant un impact sur la visibilité (neige, pluie, brouillard...) sont particulièrement pertinentes.
[0086] Selon différents modes de réalisation, le moteur 320 peut être entraîné, soit de manière générique avec des données issues de plusieurs aéroports, soit de manière spécifique pour un aéroport donné.
[0087] L’entraînement du moteur 320 à calculer efficacement le temps de roulage en entrée et/ou le ROT permet d’améliorer considérablement la gestion de flux aériens au sein d’un module de type AMAN.
[0088] Exemple 3 - Entraînement d’un moteur pour le calcul de trajectoires en approche.
[0089] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer des trajectoires en approches, utilisées notamment dans des modules de type AMAN. En effet, une prédiction efficace des trajectoires en approche permet de calibrer l’arrivée des aéronefs dans un aéroport. Cependant, les trajectoires en approche effectivement appliquées dépendent d’un grand nombre de facteurs. Par exemple, la météo a un impact sur ces trajectoires : un pilote d’aéronef n’utilisera pas la même trajectoire en fonction de la météo, que ce soit à cause d’une visibilité différente, ou de différences au niveau du comportement de l’aéronef ; le modèle de l’aéronef pourra également avoir un impact, puisque les aéronefs n’ont pas les mêmes performances ; la compagnie aérienne peut également entrer en ligne de compte, car les pilotes des différentes compagnies peuvent avoir des pratiques et formations différentes.
[0090] Les solutions de l’état de l’art ne permettent pas une prédiction fiable des trajectoires en approche. Au contraire, l’invention permet d’entraîner le moteur 320 à prédire une trajectoire en approche, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- une vitesse d’aéronef ; - un type d’aéronef ;
- une altitude au point dit de rassemblement (point vers lequel convergent les trajectoires en entrée de zones de d’aéroport - en anglais feeder -fix) ;
- des informations météorologiques ;
- un identifiant de compagnie aérienne ;
- une procédure et/ou un type d’approche ;
- une heure de la journée ;
- un niveau de trafic aérien ;
- des données de plan de vol ;
- des données de vol issues d’un système de contrôle aérien.
[0091] En effet, le moteur 320 est ainsi capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux trajectoires d’approche effectivement constatées, de s’entraîner à fournir une prédiction fiable de trajectoire d’approche, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux.
[0092] La trajectoire d’approche peut être représentée de différentes manières. Elle peut par exemple être représentée sous la forme d’un temps d’approche. Celui-ci peut par exemple être représenté comme une durée d’approche, ou une distribution de probabilités de temps d’approche. La trajectoire d’approche peut également être représentée sous la forme d’une trajectoire 4D, c’est-à-dire d’une suite de point 3D associés à des temps de passage, pouvant être fournie à un moteur de calcul avionique pour en construire une trajectoire avionique.
[0093] La trajectoire d’approche peut également comprendre une indication de situation d’approche spécifiques, telles qu’une indication que l’aéronef effectue une procédure d’approche (en anglais holding pattern), une procédure de remise de gaz (en anglais misse approach/go around), ou une autre situation particulière (zone d’exclusion temporaire, piste d’atterrissage fermée, etc.). Le moteur d’apprentissage 320 sera ainsi capable de prédire de manière efficiente la survenue de situations particulières, ce qui lui permet également de mieux prédire la trajectoire d’approche, quelle que soit la forme utilisée (temps d’approche, trajectoire 3D, etc.). [0094] Bien entendu, l’application de l’invention à la détermination de trajectoires d’approche n’est pas restreinte à cette liste de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant la trajectoire d’approche, mais également de la disponibilité de mesures pour les différents paramètres.
[0095] Selon différents modes de réalisation, le moteur 320 peut être entraîné, soit de manière générique avec des données issues de plusieurs aéroports, soit de manière spécifique pour un aéroport donné.
[0096] L’entraînement du moteur 320 à calculer efficacement des trajectoires d’approche en sortie permet d’améliorer considérablement la gestion de flux aériens au sein d’un module de type AMAN.
[0097] Exemple 4 - Entraînement d’un moteur pour le calcul de temps de vol en route.
[0098] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer des temps de vol en route, utilisées notamment dans des modules de type AMAN. En effet, une prédiction efficace des temps passés par les aéronefs en route pour différentes trajectoires permet de mieux connaître leur temps d’arrivée dans un aéroport. Cependant, les temps de vol en route dépendent d’un grand nombre de facteurs.
[0099] Les solutions de l’état de l’art ne permettent pas une prédiction fiable des temps de vol en route. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire des temps de vol en route, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- un type d’aéronef, ou une classe de vitesse de l’aéronef ;
- une altitude de vol ;
- des informations météorologiques ;
- une description de secteur ATC ;
- une description de zones de restrictions aériennes (en anglais temporary segregated area) ; - un identifiant de compagnie aérienne
- des données de plan de vol ;
- des données de vol issues d’un système de contrôle aérien.
[0100] En effet, le moteur 320 est ainsi capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux temps de vol en route effectivement constatées, de s’entraîner à fournir une prédiction fiable de temps de vol en route, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux.
[0101] Dans des modes de réalisation dans lesquels des informations météo sont utilisées, des informations météo ayant un impact sur la capacité d’un aéronef à survoler une zone, ou affectant la vitesse et/ou la manière de survoler la zone (vent, tempêtes, orages...) sont particulièrement pertinentes.
[0102] Bien entendu, l’application de l’invention à la détermination temps de vol en route n’est pas restreinte à cette liste de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant le temps de vol en route, mais également de la disponibilité de mesures pour les différents paramètres.
[0103] L’entraînement du moteur 320 à calculer efficacement des temps de vol en route permet d’améliorer considérablement la gestion de flux aériens au sein d’un module de type AMAN, en permettant une meilleure connaissance des heures d’arrivée des aéronefs.
[0104] Exemple 5 - Prédiction d’une trajectoire la plus probable.
[0105] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer une trajectoire la plus probable d’un aéronef. En effet, les aéronefs ne suivent pas toujours exactement leurs plans de vol, mais il est très difficile de déterminer a priori quelle sera leur trajectoire exacte. Cette prédiction permet notamment de s’adapter aux flux réel des aéronefs.
[0106] Les solutions de l’état de l’art ne permettent pas une prédiction fiable des trajectoires les plus probables. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire des trajectoires les plus probables, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- une position 3D de l’aéronef ;
- un cap de l’aéronef ;
- des informations envoyées de l’aéronef au contrôle aérien ;
- des données de plan de vol ;
- des données de vol issues d’un système de contrôle aérien ;
- un type d’approche.
[0107] La trajectoire la plus probable peut être représentée sous diverses formes, par exemple une suite de positions 4D (positions 3D associées à un temps de passage). De manière générale, la trajectoire la plus probable consistera en une prédiction de trajectoire sur un horizon temporel défini, correspondant à la poursuite de la trajectoire de l’aéronef sur une durée donnée.
[0108] Le moteur 320 est ainsi capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée aux trajectoires 3D effectivement suivies, de s’entraîner à fournir une prédiction fiable de la trajectoire de l’aéronef, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux. Le moteur ainsi entraîné sera donc capable de prédire, dans une situation donnée, la trajectoire effectivement suivie par l’aéronef à un horizon temporel donné, de manière beaucoup plus précise que les méthodes de l’état de l’art.
[0109] Bien entendu, l’application de l’invention à la prédiction de trajectoire sur un horizon temporel n’est pas restreinte à cette liste de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant la trajectoire effectivement suives, mais également de la disponibilité de mesures pour les différents paramètres.
[0110] L’entraînement du moteur 320 à calculer efficacement une trajectoire sur un horizon temporel permet d’améliorer considérablement la gestion de flux aériens aussi bien au sein d’un module de type AMAN que d’un module DMAN, en permettant une meilleure connaissance des trajectoires effectivement suivies par les aéronefs.
[0111] Exemple 6 - Prédiction d’une possibilité de dépassement.
[0112] Dans un ensemble de modes de réalisation de l’invention, le moteur 320 peut être entraîné à calculer une possibilité de dépassement, c’est-à-dire la capacité d’un aéronef à dépasser un aéronef situé devant lui et volant à plus basse vitesse. La possibilité de dépassement modifie le temps auquel un aéronef arrive à un aéroport, mais dépend d’un grand nombre de facteurs, tels que le couloir aérien suivi, ou les vitesses respectives des aéronefs. Cette prédiction permet notamment de s’adapter aux flux réel des aéronefs.
[0113] Les solutions de l’état de l’art ne permettent pas une prédiction fiable des possibilités de déplacement. Au contraire, l’invention permet d’entrainer le moteur 320 à prédire la capacité d’un aéronef à dépasser un deuxième aéronef, en prenant comme paramètres d’entrée au moins un paramètre choisi parmi :
- un identifiant de couloir aérien, dans lequel se situent les aéronefs ;
- un type de l’aéronef ;
- un type du deuxième aéronef ;
- une altitude de l’aéronef ;
- une altitude du deuxième aéronef ;
- une vitesse de l’aéronef ;
- une vitesse du deuxième aéronef ;
- un plan de vol de l’aéronef ;
- un plan de vol du deuxième aéronef.
[0114] La possibilité de dépassement peut être représentée de différentes manières, par exemple sous la forme d’une valeur binaire (dépassement autorisé ou non).
[0115] Le moteur 320 est ainsi capable, en comparant, au sein des situations historiques, les valeurs de ces paramètres d’entrée à une validation effective de la possibilité de dépassement du deuxième aéronef, de s’entraîner à fournir une prédiction fiable de la possibilité de dépassement d’un deuxième aéronef, prenant en compte non seulement les paramètres d’entrée pris individuellement, mais également les interactions entre eux. Le moteur ainsi entraîné sera donc capable de prédire, dans une situation donnée, si un aéronef est capable de dépasser un deuxième aéronef, de manière beaucoup plus précise que les méthodes de l’état de l’art.
[0116] Bien entendu, l’application de l’invention à la prédiction de possibilité de dépassement n’est pas restreinte à cette liste de paramètres : selon différents modes de réalisation de l’invention, seule une partie d’entre eux est utilisée. Au contraire, d’autres paramètres peuvent être utilisés en complément. Le choix des paramètres peut dépendre des paramètres influençant la possibilité de dépassement, mais également de la disponibilité de mesures pour les différents paramètres.
[0117] L’entraînement du moteur 320 à calculer efficacement une capacité de dépassement permet d’améliorer considérablement la gestion de flux aériens, notamment au sein d’un module de type AMAN, en permettant une meilleure connaissance des heures d’arrivée des aéronefs.
[0118] La figure 5 représente un système de calcul d’au moins un paramètre de trajectoires d’aéronef utilisant un moteur d’apprentissage automatique supervisé, dans un ensemble de modes de mise en oeuvre de l’invention.
[0119] Le système 500 peut être par exemple un système ATM, ATC ou ATFM, utilisant une application de gestion de flux aérien, permettant aux contrôleurs aériens de gérer le flux d’aéronefs dans une zone donnée, par exemple au sein d’applications AMAN, DMAN ou XMAN.
[0120] Le système 500 est un système de calcul. Selon un ensemble de modes de réalisation de l’invention, le système 500 peut être un dispositif de calcul unique tel qu’un ordinateur, un serveur, ou tout autre système apte à effectuer des calculs informatiques. Le système 500 peut également comporter une pluralité de dispositifs de calcul. Par exemple, le système 500 peut être une ferme de serveurs comportant plusieurs serveurs de calcul.
[0121] Le système 500 comprend ainsi au moins une unité de calcul 510 apte à exécuter un moteur d’apprentissage automatique supervisé 320, similaire au moteur d’apprentissage supervisé présenté en figure 3. Selon un ensemble de modes de réalisation de l’invention, le moteur d’apprentissage automatique supervisé 320 a été entraîné par une méthode telle que la méthode 400, et/ou un système tel que le système 300.
[0122] L’au moins une unité de calcul 510 peut être n’importe quel type d’unité de calcul apte à effectuer des calculs informatiques. Par exemple, l’unité de calcul peut être un processeur configuré avec des instructions machines, un microprocesseur, un circuit intégré, un microcontrôleur, un circuit logique programmable, ou tout autre unité de calcul apte à être programmée pour effectuer des opérations de calcul.
[0123] Le système 500 comprend au moins un port d’entrée 530 apte à recevoir, pour une trajectoire d’un aéronef, des paramètres d’entrée. Les paramètres d’entrée 541 , 542 sont du même type que les paramètres d’entrée 341 , 342. Le système 500 peut donc recevoir :
- au moins un paramètre 541 de l’aéronef ;
- au moins un paramètre 542 d’environnement de la trajectoire d’aéronef.
[0124] Selon divers mode de réalisation, d’autres types de paramètres d’entrée peuvent être reçus. En particulier, tous les modes de réalisation évoqués aux figures 3 et 4 peuvent être appliqués au système 500.
[0125] Les paramètres d’entrée peuvent être reçus de différentes manières. Par exemple, les plans de vol, et paramètres instantanés d’aéronefs ou de leurs trajectoires peuvent être reçus par communication radio avec les aéronefs, par le biais de mesures radars, etc. Les informations d’environnement de l’aéronef peuvent être reçues par exemple par le biais de mesures (radar, radar météo...), par abonnement à un service externe (service météo...), ou par des services ATC.
[0126] A cet effet, l’au moins un port 530 peut être de différents types : connexion internet, liaison radio, etc. L’invention n’est pas restreinte à un type de port d’entrée, et l’homme de l’art pourra adapter la réception des paramètres d’entrée aux canaux d’entrée disponibles. De même, selon différents modes de mise en oeuvre de l’invention, les différents paramètres d’entrée peuvent être reçus sur un port unique, ou plusieurs ports, de même type ou de types différents. Par exemple, l’au moins un paramètre de l’aéronef 541 peut être reçues par liaison radio, et l’au moins un paramètre d’environnement de la trajectoire de l’aéronef 542 par une connexion internet. [0127] L’au moins une unité de calcul 510 est configurée pour former, pour la trajectoire, un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée.
[0128] L’au moins une unité de calcul 510 est également configurée pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire. De nombreux paramètres de trajectoire peuvent être calculés. En particulier, tous les modes de réalisation discutés en référence aux figures 3 et 4 peuvent être utilisés ici.
[0129] Le système 500 est ainsi capable de calculer au moins un paramètre de la trajectoire de l’aéronef, tout en bénéficiant des avantages de l’entraînement du moteur d’apprentissage supervisé.
[0130] En particulier, le moteur d’apprentissage supervisé 320 permet de calculer les paramètres de la trajectoire avec des besoins en ressources limités, et un temps d’exécution déterministe. Ceci permet d’utiliser les paramètres de manière réactive, par exemple au sein d’une application de gestion de flux aérien, dans laquelle il est important de pouvoir évaluer l’impact des aéronefs les uns sur les autres, en temps réel.
[0131] Une fois l’au moins un paramètre de trajectoire calculé, le système 500 peut l’utiliser de différentes manières. Par exemple, il peut l’afficher à au moins un opérateur, par exemple un contrôleur aérien, par le biais d’au moins un écran 550. Ceci permet à l’opérateur d’utiliser ce paramètre pour son interaction avec les aéronefs. Il peut également lever une alerte, si la valeur du paramètre une difficulté dans la gestion du flux aérien.
[0132] Dans un ensemble de modes de réalisation de l’invention, l’au moins une unité de calcul 510 est configurée pour utiliser l’au moins un paramètre calculé de la trajectoire dans le cadre d’une application de gestion de flux aérien.
[0133] Ceci peut par exemple être réalisé en utilisant un temps de roulage calculé par le moteur d’apprentissage automatique supervisé 320 pour déterminer à quel moment une piste de décollage sera disponible pour un nouvel aéronef, en utilisant le calcul d’une capacité de dépassement pour disposer d’une prédiction plus fiable de la position d’un aéronef dans le futur, etc. Ainsi, l’invention permet de disposer d’un calcul fiable et rapide de paramètres de trajectoires des aéronefs, permettant ainsi une gestion de flux à la fois fiable et réactive. [0134] Bien que la figure 5 représente un unique moteur d’apprentissage supervisé 320, selon différents modes de réalisation de l’invention, plusieurs moteurs différents peuvent être utilisés. Par exemple, un premier moteur peut être utilisé pour calculer des paramètres de trajectoires pour une application de type « DMAN » (temps de roulage en sortie, heure du décollage...), et un deuxième moteur pour calculer des paramètres de trajectoires pour une application de type « AMAN » (heure d’arrivée, temps d’utilisation d’une piste pour l’atterrissage, temps de roulage à l’arrivée...). Ceci permet d’optimiser simultanément différents modules d’un système de gestion de flux aérien, et disposer ainsi d’une amélioration conjointe de la gestion du flux.
[0135] La figure 6 représente une méthode mise en oeuvre par ordinateur de calcul d’au moins un paramètre d’une trajectoire d’aéronef utilisant un moteur d’apprentissage automatique supervisé, dans un ensemble de modes de mise en oeuvre de l’invention.
[0136] La méthode 600 reçoit en entrée, pour une trajectoire d’aéronef, un ensemble de paramètres d’entrée comprenant :
- au moins un paramètre 541 de l’aéronef ;
- au moins un paramètre d’environnement 542 de la trajectoire de l’aéronef.
[0137] La méthode comprend une étape 610 de formation, pour la trajectoire, d’un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée.
[0138] La méthode comprend ensuite une étape 620 d’exécution d’un moteur d’apprentissage supervisé 320 pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire, ledit moteur ayant été entraîné par la méthode 400.
[0139] Tous les modes de réalisation discutés en référence aux figures 3 à 5 sont respectivement applicables à la méthode 600.
[0140] Les exemples ci-dessus démontrent la capacité de l’invention calculer des paramètres de trajectoires d’aéronef, et d’utiliser ces paramètres dans des applications de gestion de flux aérien. Ils ne sont cependant donnés qu’à titre d’exemple et ne limitent en aucun cas la portée de l’invention, définie dans les revendications ci-dessous.

Claims

REVENDICATIONS
1. Méthode mise en œuvre par ordinateur (400) recevant en entrée un ensemble de descriptions de trajectoires d’aéronefs (340), associées chacune à un ensemble de paramètres d’entrée, comprenant, pour chaque trajectoire d’un aéronef :
- au moins un paramètre de l’aéronef (341) ;
- au moins paramètre d’environnement (342) de la trajectoire de l’aéronef ; ladite méthode comprenant, pour chaque trajectoire :
- une étape (410) de formation d’un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ;
- une étape (420) d’extraction d’au moins un paramètre de la trajectoire ; ladite méthode comprenant une étape (430) d’entrainement d’un moteur d’apprentissage automatique supervisé (320) prenant en entrée des associations, pour chaque trajectoire respectivement, entre son vecteur de paramètres d’entrée et moins un paramètre de la trajectoire.
2. Méthode selon la revendication 1 , dans laquelle le moteur d’apprentissage automatique supervisé est un réseau de neurones à couches complètement connectées (FCN).
3. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est un temps de roulage en sortie, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un identifiant de porte de parking ; o un identifiant de piste de décollage, et ou de point d’alignement ; o des informations météorologiques ; o un type d’aéronef ; o un identifiant de compagnie aérienne ; o un niveau de trafic au sol ; o une accessibilité de piste de roulage ; o une heure de la journée.
4. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est un temps d’occupation d’une piste d’atterrissage, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un identifiant de piste d’atterrissage ; o un identifiant de porte de parking ; o des informations météorologiques ; o un type d’aéronef ; o un identifiant de compagnie aérienne ; o un type d’approche.
5. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est un temps de roulage en entrée, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un identifiant de piste d’atterrissage ; o un identifiant de porte de parking ; o des informations météorologiques ; o un type d’aéronef ; o un identifiant de compagnie aérienne ; o un niveau de trafic au sol ; o une indication des pistes de roulage fermées ; o une heure de la journée.
6. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est un temps d’occupation de piste d’atterrissage, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un identifiant de piste d’atterrissage ; o un identifiant de porte de parking ; o des informations météorologiques ; o un type d’aéronef ; o un identifiant de compagnie aérienne ; o un niveau de trafic au sol ; o une indication des pistes de roulage fermées ; o une heure de la journée.
7. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est une description d’une trajectoire d’approche, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o une vitesse d’aéronef ; o un type d’aéronef ; o une altitude au point dit de rassemblement ; o des informations météorologiques ; o un identifiant de compagnie aérienne ; o une procédure et/ou un type d’approche ; o une heure de la journée ; o un niveau de trafic aérien ; o des données de plan de vol ; o des données de vol issues d’un système de contrôle aérien.
8. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est un temps de vol en route, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un type d’aéronef, ou une classe de vitesse de l’aéronef ; o une altitude de vol ; o des informations météorologiques ; o une description de secteur ATC ; o une description de zones de restrictions aériennes ; o un identifiant de compagnie aérienne ; o des données de plan de vol ; o des données de vol issues d’un système de contrôle aérien.
9. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est une prédiction de trajectoire de l’aéronef sur un horizon temporel, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o une position 3D de l’aéronef ; o un cap de l’aéronef ; o des informations envoyées de l’aéronef au contrôle aérien ; o des données de plan de vol ; o des données de vol issues d’un système de contrôle aérien ; o un type d’approche.
10. Méthode selon l’une des revendications 1 à 2, dans laquelle l’au moins un paramètre de trajectoire est une possibilité de l’aéronef de dépasser un deuxième aéronef, et l’ensemble de paramètres d’entrée comprend au moins un paramètre choisi dans un groupe comprenant : o un identifiant de couloir aérien, dans lequel se situent les aéronefs ; o un type de l’aéronef ; o un type du deuxième aéronef ; o une altitude de l’aéronef ; o une altitude du deuxième aéronef ; o une vitesse de l’aéronef ; o une vitesse du deuxième aéronef ; o un plan de vol de l’aéronef ; o un plan de vol du deuxième aéronef.
11. Système (300) comprenant :
- au moins une unité de calcul (310) apte à entraîner un moteur d’apprentissage automatique supervisé (320) ;
- un accès à au moins un support de stockage d’information (330) stockant, pour chaque trajectoire d’un aéronef parmi un ensemble de trajectoires d’aéronefs :
- une description de la trajectoire (340) ;
- un ensemble de paramètres d’entrée associés à la trajectoire comprenant :
■ au moins un paramètre de l’aéronef (341) ;
■ au moins paramètre d’environnement (342) de la trajectoire de l’aéronef ; l’au moins une unité de calcul (310) étant configurée, pour chaque trajectoire, pour :
- former (410) un vecteur de paramètres d’entrée comprenant les paramètres d’entrée associés à la trajectoire ;
- extraire (420) au moins un paramètre de la trajectoire ; l’au moins une unité de calcul étant configurée pour entraîner (430) un moteur d’apprentissage automatique supervisé (320) prenant en entrée des associations, pour chaque trajectoire respectivement, entre son vecteur de paramètres d’entrée et moins un paramètre de la trajectoire.
12. Produit programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes de la méthode selon l’une des revendications 1 à 10 lorsque ledit programme est exécuté sur un ordinateur.
13. Méthode mise en œuvre par ordinateur (600) recevant en entrée, pour une trajectoire d’un aéronef, un ensemble de paramètres d’entrée comprenant :
- au moins un paramètre (541) de l’aéronef ;
- au moins un paramètre d’environnement (542) de la trajectoire de l’aéronef ; ladite méthode (600) comprenant :
- une étape (610) de formation, pour la trajectoire, d’un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ;
- une étape (620) d’exécution d’un moteur d’apprentissage supervisé (320) pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire, ledit moteur ayant été entraîné par une méthode selon l’une des revendications 1 à 10.
14. Produit programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes de la méthode selon la revendication 13 lorsque ledit programme est exécuté sur un ordinateur.
15. Système (500) comprenant :
- au moins une unité de calcul (510) apte à exécuter un moteur d’apprentissage automatique supervisé (320) ;
- au moins un port d’entrée (530) apte à recevoir, pour une trajectoire d’un aéronef, un ensemble de paramètres d’entrée comprenant :
- au moins un paramètre (541) de l’aéronef ;
- au moins un paramètre d’environnement (542) de la trajectoire de l’aéronef ; l’au moins une unité de calcul (510) étant configurée pour :
- former (610), pour la trajectoire, un vecteur de paramètres d’entrée comprenant lesdits paramètres d’entrée ;
- exécuter (620) ledit moteur d’apprentissage supervisé (320) pour calculer, à partir du vecteur d’entrée, au moins un paramètre de la trajectoire, ledit moteur ayant été entraîné par une méthode selon l’une des revendications 1 à 10.
16. Le système de la revendication 15, dans lequel l’au moins une unité de calcul (510) est configurée pour utiliser l’au moins un paramètre de la trajectoire dans le cadre d’une application de gestion de flux aérien.
PCT/EP2021/064635 2020-06-12 2021-06-01 Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs WO2021249821A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
AU2021286810A AU2021286810A1 (en) 2020-06-12 2021-06-01 System and method for better determining path parameters of aircrafts
US18/008,436 US20230230490A1 (en) 2020-06-12 2021-06-01 System and method for better determining path parameters of aircrafts
EP21728091.6A EP4165619A1 (fr) 2020-06-12 2021-06-01 Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2006172A FR3111466A1 (fr) 2020-06-12 2020-06-12 Système et méthode pour la détermination améliorée de paramètres de trajectoire d’aéronefs
FR2006172 2020-06-12

Publications (1)

Publication Number Publication Date
WO2021249821A1 true WO2021249821A1 (fr) 2021-12-16

Family

ID=72885658

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/064635 WO2021249821A1 (fr) 2020-06-12 2021-06-01 Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs

Country Status (5)

Country Link
US (1) US20230230490A1 (fr)
EP (1) EP4165619A1 (fr)
AU (1) AU2021286810A1 (fr)
FR (1) FR3111466A1 (fr)
WO (1) WO2021249821A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542851B1 (en) * 2015-11-03 2017-01-10 The Boeing Company Avionics flight management recommender system
US20190005828A1 (en) * 2017-06-29 2019-01-03 The Boeing Company Method and system for autonomously operating an aircraft
US20190130769A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Real-time identification and provision of preferred flight parameters

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542851B1 (en) * 2015-11-03 2017-01-10 The Boeing Company Avionics flight management recommender system
US20190005828A1 (en) * 2017-06-29 2019-01-03 The Boeing Company Method and system for autonomously operating an aircraft
US20190130769A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Real-time identification and provision of preferred flight parameters

Also Published As

Publication number Publication date
US20230230490A1 (en) 2023-07-20
AU2021286810A1 (en) 2023-02-16
EP4165619A1 (fr) 2023-04-19
FR3111466A1 (fr) 2021-12-17

Similar Documents

Publication Publication Date Title
US11237299B2 (en) Self-learning nowcast system for modeling, recording, and predicting convective weather
Olive et al. Detection and identification of significant events in historical aircraft trajectory data
FR3038750A1 (fr) Procede d'integration d'un nouveau service de navigation dans un systeme avionique embarque a architecture ouverte de type client-serveur, en particulier d'un service de manoeuvre fim
FR3061342A1 (fr) Gestion des messages aux navigants aeriens
FR2910124A1 (fr) Procede de creation et de mise a jour d'un plan de vol atc en temps reel pour la prise en compte de consignes de vol et dispositif de mise en oeuvre
FR2898972A1 (fr) Procede et dispositif de surveillance de l'altitude de vol minimum d'un aeronef
FR2906921A1 (fr) Procede de formation d'une trajectoire d'urgence en 3d pour aeronef et dispositif de mise en oeuvre
FR2940426A1 (fr) Dispositif d'assistance au choix d'un aeroport de deroutement
JP2014032187A (ja) 飛行中に気象データを提供するための方法および装置
FR2939558A1 (fr) Procede de modelisation meteorologique pour le calcul d'un plan de vol d'aeronef
US8630790B1 (en) Systems and methods for amalgamating flight information
FR3035534B1 (fr) Procede et systeme de communication et de partage d'informations pour aeronef
FR3023644A1 (fr) Procede d'insertion d'un troncon de plan de vol dans un plan de vol
FR2951005A1 (fr) Procede et dispositif d'aide a la gestion de vol d'un aeronef recevant une clairance de controle
Schultz et al. Analysis of airport ground operations based on ADS-B data
CA3037319A1 (fr) Systeme d'etablissement de plan de vol operationnel d'aeronef et procede associe
FR3038751A1 (fr) Procede d'integration d'une application d'optimisation de route (s) sous contraintes dans un systeme embarque avionique a architecture ouverte de type client serveur
EP3588386A1 (fr) Plate-forme d'entraînement et/ou d'assistance au contrôle aérien via un système électronique de contrôle du trafic aérien, procédé associé
Zhu et al. En route flight time prediction under convective weather events
Murça et al. A data-driven probabilistic trajectory model for predicting and simulating terminal airspace operations
FR2935211A1 (fr) Procede et dispositif d'aide a la preparation et a la gestion de missions dans un aeronef
WO2021249821A1 (fr) Systeme et methode pour la determination amelioree de parametres de trajectoire d'aeronefs
FR3068490B1 (fr) Procede de calcul d'une trajectoire verticale d'un aeronef a partir de sa position courante, produit programme d'ordinateur et systeme de calcul associes
CA3025360A1 (fr) Systeme de calcul de mission d'un aeronef, comportant un moteur de calcul de trajectoire de l'aeronef lors de la mission et procede associe
FR3072816A1 (fr) Procede de determination de point(s) limite (s) de decision relative au declenchement d'une manoeuvre d'evitement par un aeronef, dispositif et programme d'ordinateur associes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21728091

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021728091

Country of ref document: EP

Effective date: 20230112

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021286810

Country of ref document: AU

Date of ref document: 20210601

Kind code of ref document: A