Алгоритмы искусственного интеллекта в улучшении коммуникации пилота и диспетчера

Авторы: Князева А.А.
Опубликовано в выпуске: #2(91)/2024
DOI:
Раздел: Информатика, вычислительная техника и управление | Рубрика: Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
Ключевые слова: коммуникация, авиация, авиадиспетчер, радиоэфир, искусственный интеллект, машинное обучение, обработка естественного языка, распознавание речи
Опубликовано: 02.05.2024

Актуальность статьи обусловлена неотъемлемой ролью эффективной коммуникации между пилотами и авиадиспетчерами в обеспечении безопасности полетов. Проанализированы основные проблемы, возникающие в коммуникации, и рассмотрены алгоритмы искусственного интеллекта для их выявления и оптимизации. Рассмотренные алгоритмы включают метод обработки естественного языка (NLP) и автоматическое распознавание речи (ASR). В заключении подчеркивается, что системы искусственного интеллекта в реальном времени могут играть критическую роль в оперативном выявлении и реагировании на изменения в коммуникации. Однако вопросы интеграции технологий искусственного интеллекта в реальном времени в прямой радиоэфир требуют дополнительных исследований.

Литература

[1] Алексеева Т.Г., Аммятов И.Р. Межличностные отношения и безопасность в сфере гражданской авиации. Проблемы современной науки и образования, 2023, № 1 (179), с. 95–101.

[2] Williams E. Experimental comparisons of face-to-face and mediated communication: A review. Psychological bulletin, 1977, vol. 84, no. 5, pp. 963–976. https://doi.org/10.1037/0033-2909.84.5.963

[3] Morrow D., Rodvold M. Analysis of problems in routine controller-pilot communication. The International Journal of Aviation Psychology, 1993, no. 4, pp. 285–302. https://doi.org/10.1207/s15327108ijap0304_3

[4] Morrow D., Rodvold M. The influence of ATC message length and timing on pilot communication. California, NASA, 1993, с. 1–26.

[5] Flight Operations Briefing Notes. Human Performance. Effective Pilot. Controller Communications. AIRBUS, 2004, 17 p.

[6] Щетинина Н.А. Типичные ошибки пилотов при восприятии сообщений радиообмена гражданской авиации. Молодой ученый, 2012, № 2, с. 192–195.

[7] Клесова Ю.В. Состояние вопроса по речевой коммуникации в авиационных системах связи. Фундаментальные проблемы радиоэлектронного приборостроения, 2014, т. 14, № 5, с. 202–205.

[8] Андриянов Н.А. Распознавание речевых сообщений радиообмена в авиации на базе корреляционного анализа. Известия Самарского научного центра Российской академии наук, 2021, т. 23, № 1 (99), с. 91–96. https://doi.org/10.37313/1990-5378-2021-23-1-91-96

[9] Han L., Du X., Yan L. et al. An Effective Artificial Intelligence-Enabled Error Detection and Accuracy Estimation Technique for English Speech Recognition System. Wireless Communications and Mobile Computing, 2022, pp. 1–11. https://doi.org/10.1155/2022/8279856

[10] Mehrish A., Majumder N., Bhardwaj R. et al. A review of deep learning techniques for speech processing. Information Fusion, 2023, 111 p. URL: https://arxiv.org/pdf/2305.00359.pdf (accessed November 15, 2023).

[11] Chen D., Manning C.D. A fast and accurate dependency parser using neural networks. Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), Doha, Qatar, 2014, pp. 740–750.

[12] Juan Z.G., Motlicek P., Qingran Zhan et al. Automatic speech recognition benchmark for air-traffic communications. Proceedings of Interspeech, 2020, pp. 2297–2301. https://doi.org/10.21437/Interspeech.2020-2173

[13] Nigmatulina I., Zuluaga-Gomez J., Prasad A. et al. A two-step approach to leverage contextual data: speech recognition in air-traffic communications. ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2022, pp. 6282–6286. URL: https://arxiv.org/pdf/2202.03725.pdf (accessed November 15, 2023).