AI Agents赋能空管系统，基于真实飞行数据的概率化数字孪生系统|数字孪生系统|数据流|概率化|空管系统|轨迹|预测器

随着航空旅行需求的不断增长以及新空域用户（如无人机、eVTOL）的引入，空中交通管理（ATM）系统面临着巨大的容量与安全压力。为了在维持严格安全标准的同时提高效率，引入AI Agents辅助决策甚至实现更高水平的自动化控制已成为行业共识。然而，现有的仿真环境往往是确定性的，无法捕捉真实世界中固有的不确定性（如天气变化、飞行员反应延迟等），导致训练出的AI Agents难以迁移到实际运行中。

针对这一痛点，来自阿兰·图灵研究所、埃克塞特大学与英国国家空中交通服务局（NATS）的研究团队联合提出了一个针对伦敦区域控制中心的概率数字孪生系统。该系统创新性地引入了物理启发的机器学习（Physics-Informed Machine Learning，PIML）框架，将传统的航空器性能模型与基于历史运行数据学习的生成式模型进行深度融合。在严格遵循物理约束的前提下，实现了飞行轨迹的概率化建模，从而能够真实刻画由航空器质量差异、气象条件变化等因素引入的不确定性。

论文标题： A Probabilistic Digital Twin of UK En Route Airspace for Training and Evaluating AI Agents for Air Traffic Control 论文链接： https://arxiv.org/abs/2601.03113

一、引言

传统的空中交通管理方案，如美国的NextGen和欧洲的SESAR，主要关注工作负载预测、轨迹预测精度和路线优化，但随着航路需求不断增长，现有技术以已不足以应对这些挑战。在此背景下，AI Agents被认为是一种有前景的解决方案。然而，空中交通管理是安全要求非常高的任务，要求管制员在高度紧张的环境中平衡效率、有序性和其他因素。因此，AI Agents在部署到实际系统前需要经过广泛而严格的验证。现有的模拟器和开源系统，如BlueSky、FACET等，虽然提供了一些功能，但仍存在以下问题：

（1）无法反映空管运行中的不确定性，如航班延误、天气变化、飞行员意图差异等，导致在此类模拟中训练的AI Agents难以泛化到真实世界。

（2）无法同时提供概率化飞机性能建模、与运行数据流的集成以及专为AI Agents控制设计的接口。特别是对于强化学习等需要海量试错训练的方法，现有的实时模拟器效率过低，无法满足数千小时的仿真需求。

（3）对于这种集成了机器学习模型、能够影响AI Agents决策的数字孪生系统，目前缺乏成熟的监管框架和保证其准确性的系统化方法。

二、方法介绍

下图展示了本文方法的整体框架，可以看出，它并非单一模型，而是一个集成了多种数据、模型与评估框架的综合性平台。

与传统确定性仿真不同，本文所提数字孪生的核心创新在于将多源运行数据与一个概率化的机器学习模型相结合，来生成一个可以反映真实不确定性的交通场景。

2.1.1 数据来源

该系统深度融合了英国国家空中交通服务公司提供的多维度运行数据流，涵盖了雷达及ADS-B监视数据、飞行计划与管制放行指令、动态空域配置，以及英国气象局预报的天气信息。通过对这些异构数据源的整合，平台构建了自2016年起覆盖超过2000万架次航班的时空连续的真实历史数据集，并具备实时的数据接入能力。

2.1.2 概率化轨迹预测模型

为了能够精确模拟空管运行中固有的随机不确定性，本文摒弃了传统确定性模型的固定参数范式，创新性地提出了一种概率化扩展方法。该方法采用主成分分析与高斯混合模型对大规模历史轨迹数据进行联合训练，构建了一个能够学习飞机性能参数的生成模型。该模型的核心在于替代了传统模型中作为飞行过程中的校准空速、推力及阻力参数，使其转变为可从数据中学习的随机变量。此外，该模型并非完全依赖数据驱动，而是将上述学习到的概率化参数作为输入，使用能量平衡方程进行运动求解。详细的实现流程为：

（1）从历史数据中辨识出关键性能参数的概率分布。

（2）在生成轨迹时，从这些分布中采样参数。

（3）将采样参数代入物理约束方程，迭代计算出符合动力学规律的位置、高度等运动状态。

2.2 空管AI Agents评估框架

在构建好概率化空域数字孪生之后，本文进一步构建了一个统一的评估框架（下图展示了该评估框架的整体结构），旨在支持空管AI Agents从原型设计到系统性验证的全生命周期开发。

为满足依赖大量试错的机器学习方法（如强化学习）的训练需求，框架提供了可扩展的高速仿真环境。系统支持最高达200倍实时速度的快速时间执行模式。在保持操作逻辑与物理保真度的前提下，极大加速了强化学习方法的训练过程。

2.2.2. 标准化与模块化的交互接口

借鉴当前流行的 “gym” 范式[1]，本文提供了一个基于Python的标准化API（类似OpenAI Gym），抽象了模拟器的内部状态，定义了Agents可执行的动作空间，动作空间的类型如下表所示，并设计了一组通用的奖励信号与运行时性能指标。这显著降低了不同技术路线Agents的开发门槛，支持快速原型设计和基准测试。

为了对Agents的表现进行自动化、客观的度量，系统在运行时会计算一系列定量指标。这些指标全面覆盖了空管重要关切的领域，包括安全性、效率（如燃油消耗率）以及程序符合性（如对协调协议的遵守情况、指令发布频次）等。这些指标为优化Agents策略提供了直接的优化目标与反馈信号。

2.2.4. 人机交互（HITL）运行评估

由于量化指标有时难以全面反映空管决策的复杂情境判断与意图合理性。为此，研究团队设计了一种人机交互评估方法（Human-in-the-Loop，HITL）。通过一个高度仿真设计的人机交互界面，具备资质的空中交通管制员可实时介入由AI Agents主导的模拟运行环境。管制员既能观察空域全景与Agent决策，也可通过该界面向Agent提出质询，必要时可接管航空器的控制，并对Agent决策过程与策略的合理性提供定性反馈。通过HITL机制，框架可以将人类专业经验引入AI Agents训练的闭环中。

三、实验结果

本文的实验在超过 2000 万架次航班的真实空管数据上进行。首先，将概率化轨迹生成器与传统模型进行对比，并使用平均绝对误差（MAE）等指标定量评估其在飞机速度与爬升率预测方面的性能。其次，在数字孪生环境中完整复现了空管认证的 31 个标准训练场景，并通过航空器水平与垂直位置误差来衡量整体仿真的运行性能。最后，将多种 AI Agents接入该平台，进行涵盖安全性、运行效率与程序合规性的自动化评估以及HITL评测，对 AI Agents的决策性能进行系统分析。

3.1 定性实验

下图通过对比真实测试数据与概率轨迹预测器生成的结果，直观展示了模型在模拟波音737-800飞机下降阶段行为的准确性与真实性。下图左侧展示了真实世界轨迹样本呈现出符合物理规律与操作惯例的下降路径分布，而右侧是本文的概率化预测器生成的轨迹集合，在整体形态、分散范围与空间分布密度上均与左侧真实数据表现出高度一致性。这表明模型不仅学习了单一的标准下降剖面，更重要的是捕捉到了现实运行中因飞机性能差异、飞行员操作习惯及环境扰动等因素导致的合理轨迹差异。

此外，本文也分析了概率轨迹预测器对AI Agents对航管数据不确定性的建模能力。飞机下降时间通常由飞行管理计算机计算或飞行员操作决定。如下图所示，波音737-800飞机下降至底部的时间分布呈现出具有一定波动范围的统计特性，而非一个固定值。由本文系统生成的轨迹，其对应的时间分布曲线在整体形状、集中趋势（如均值）以及离散范围（如方差）上与真实分布高度吻合。这一结果表明，本文方法不仅能够生成空间上合理的轨迹，在时间维度上也准确复现了真实操作中的节奏变化与不确定性。

下表的实验结果定量对比了本文提出的概率化数字孪生与基线模型（BADA[2]）在预测波音737-800飞机下降阶段关键性能参数时的准确性。在为期一周的真实运行数据测试中，数字孪生模型对校准空速（CAS）预测的平均绝对误差（MAE）为16.77节，相较于BADA模型的22.95节，误差降低27%。在下降速率（ROCD）预测方面，数字孪生模型的MAE为566.05英尺/分钟，远低于BADA模型的1009.22英尺/分钟，误差降幅达44%。

上述结果表明，本文的概率化数字孪生生成的飞机行为在速度与垂直运动动态上更贴近实际运行，因而能为AI Agents的训练与评估提供更专业的物理环境与更贴近真实的冲突场景。

四、总结

本文围绕空中交通管制（Air Traffic Control，ATC）这一典型的安全领域，提出了一套面向实际运行的航路空域概率数字孪生系统，旨在为空管AI Agents的训练、验证与评估提供可信的实验环境。针对传统确定性仿真和历史数据回放难以刻画真实空管运行中不确定性的问题，本文引入了一个物理信息机器学习框架，将航空器性能模型与基于历史数据学习的生成式模型相结合，实现了飞行轨迹的概率化建模，在保持物理一致性的同时有效刻画了由气象、航空器性能差异及操作策略引入的随机性。基于伦敦区域控制中心的真实运行数据，本文系统验证了所构建数字孪生在轨迹准确性、统计分布一致性及运行保真度等方面的有效性。

参考文献

[1] Brockman G, Cheung V, Pettersson L, et al. Openai gym[J]. arXiv preprint arXiv:1606.01540, 2016.

[2] Nuic, A., “User manual for the Base of Aircraft Data (BADA) revision 3.10,” Atmosphere, Vol. 2010, 2010, p. 001. URL http://maartenuijtdehaag.com/bada310-user-manual.pdf.

Illustration generated by AI.

-The End-

扫码观看！

本周上新！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

yimingzhang@thejiangmen.com

或添加工作人员微信（aceyiming）投稿，沟通投稿详情

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。