人工智能与城市空中交通(UAM)
上世纪五十年代，人工智能正式成为一门学科，经历了几轮大的发展，人工智能的应用已经渗透到生产生活的各个方面，从影音娱乐、人机交互，到自动驾驶，再到医疗卫生、太空探索，都有采用人工智能大幅提高效率的例子，人工智能俨然成为了现代社会的一项基础设施。人工智能已经成为基础设施
人工智能在其发展的大部分时期，与航空产业的关系并不密切，甚至出于安全考虑，在关键环节会反对人工智能的引入。尽管如此，人工智能应用于航空的研究一直在进行，且应用前景越来越明朗，FAA和EASA也对人工智能密切关注。而作为面向未来城市出行的UAM行业，与人工智能技术有着天然的时代联系，很多厂商甚至将人工智能的应用作为产品亮点。
本文将对人工智能在航空产业的应用做介绍，并总结笔者对UAM产业运用人工智能方面的潜在限制，以期为行业发展提供参考。
人工智能和航空产业
人工智能发展的早期，尽管人们做了大量的努力，其在对安全性可靠性要求极高的航空产业中却难以立足。仅在多学科优化设计中有所应用，在这种设计框架下，各专业的设计过程不再是独的，而是在不同阶段建立不同精度的数学模型，并在多学科优化涉及工具内进行迭代，得出优化的设计参数。多学科优化设计本质上是最优化问题，而随着设计变量逐渐增多，模型的不断细化，最优化问题的规模和复杂性也快速增加，非线性规划方法往往无法获得全局最优解。而以遗传算法、蚁群算法为代表的人工智能方法在这种情况下则能够展示出足够的优势，例如：遗传算法不需要计算梯度信息，便于施加约束，再加上可配置的随机性，理论上是可以获得全局最优解的。但即使这样，主流飞机设计过程仍未采用智能算法。
在民航机场的运营中，人工智能已经开始崭露头角，例如利用机器学习方法预测机场、旅客流量分布，可以帮助航空公司更合理地安排运力和调整运营策略。
尽管在传统航空业中，人工智能并未广泛应用，但近年来飞速发展的无人机对其进行了大量运用，包括环境感知、路径规划、飞行控制等，传统航空业的保守和新兴航空业的创新同时存在，即展示了人工智能的巨大能力，同时也暴露了潜在问题。
人工智能的能力和问题
人工智能与航空业难以紧密结合的根本问题在与安全性，在飞机研制过程中，安全性又和飞机功能密切相关，下面会将安全性的考虑贯穿于各项人工智能潜在应用的功能和技术中。
视觉导引：2020年4月，空客ATTOL计划在A350机型上实现了基于视觉导引的自动着陆，该计划采用计算机视觉结合深度学习完成了跑道的识别，并计算出下滑道信息，进而由自动驾驶仪完成自动着陆。在此之前，该项目进行了2000多次起降用于收集图像数据，用于训练深度神经网络。不过项目并未公布计算机视觉和深度学习在识别过程中分别的占比。此外，瑞士初创公司Daedalean也推出了视觉导引产品，并声称可实现DAL-C级认证。
跑道信息增强显示
ATTOL并未公布关于能见度、时间等试验条件信息，但可以肯定的是：要想训练出在大多数气象、时间条件下良好识别跑道的深度神经网络，需要采集的数据量是巨大的，且测试架次数量也是巨大的。而Daedalean的产品敢于声称可实现DAL-C级认证，很大程度上是因为DAL-C级软件不需要为算法精确性设立目标，毕竟深度神经网络的精确性是难以衡量和表征的。
未来UAM的应用中，视觉引导将能够辅助卫星导航、无线电导航完成飞行全过程的定位。起降过程中，依靠垂直起降场的特殊标识，可以辅助起降阶段的定位和引导；而在城市上空巡航过程中，由于城市环境图像特征和纹理非常丰富，视觉导航也是易于实现的。辅助导航系统可以设计为非安全关键设备，因此DAL-C级以下的研制保证等级即可满足要求。
空中格斗：2019年，DARPA举办了AlphaDogfight项目，让人类飞行员和人工智能飞行员在FlightGear仿真环境中进行空中格斗，可喜的是，运用深度学习技术的人工智能飞行员全面胜出。
不过公开消息无法得知仿真环境中是否采用了高可信度的气动和动力学模型，因为如果用低精度模型生成的数据集进行网络训练，模型与真实动力学之间巨大的差异势必导致该网络无法用于实际飞行。但未来只要能够保证在飞行包线内，不同载荷、不同环境条件下的泛化能力足够可信，这项技术将可能用于代替人类飞行员执行危险任务。
飞行控制：鉴于人类飞行员高超的内环控制能力，将人工智能用于内环控制一直是研究人员希望达到的，事实上，1996年开始，NASA智能飞行控制系统项目就在推进此类工作。1999年的初步飞行试验中，研究人员使用风洞数据完成神经网络的离线训练，该网络在飞行过程中根据根据飞行条件调整控制参数，以达到特定的飞行特性；2005年，第二代智能飞行控制系统在模拟机上已经能够根据（正常和故障条件下的）飞行参数进行在线训练，并修正动态逆控制器的建模误差。
但该项目在2005年之后几乎没有新的进展，在笔者看来，根据精确气动数据离线训练的网络，如果经过大量仿真测试，在飞行包线内能够实现较高精度的拟合，则在外环控制器的协助下，能够实现高性能的机动，但后续的在线训练方案，由于系统特性，特别是故障发生后的动力学特性变化迅速，新的数据无论是信息量，还是时间，都不满足在线训练出良好结果的条件。
NASA第二代智能飞行控制系统框图
在可预见的将来，人工智能仍无法应用于UAM飞行器的内环飞行控制。飞行控制系统软件研制保证级别是DAL-A级，但人工智能特别是深度神经网络相关软件，DO-178是无法覆盖完全的，但DO-178又一项非常重要的目标是：算法是精确的，在这一点上，所有类型的神经网络都无法满足。一方面是因为神经网络推理除了自身算法和软件之外，更重要的是节点之间的权重，而完成所有权重在所有软件分支下的MCDC是不可能完成的；另一方面，神经网络在飞行包线内的泛化能力验证也是极其困难的，甚至是难以实现的。
故障预测：在飞行器健康管理的大范畴中，故障预测一直是人们希望引入人工智能的重要方向，传统技术中，部件更换周期通常在设计阶段通过计算和试验综合决定，人们认为传统方法可能偏向保守，如果可以依靠实际情况准确预测故障发生，则能够降低维护成本。而在积累了大量维护数据后，这种方法也逐步可行。美国国防部和空军就在开发这类系统，预期可以根据先验数据和实时测量数据预测故障并告知维修人员和飞行员那些飞机、部件需要维护或更换。飞行器整个生命周期中，维护所占成本超过50%，因此如果新技术能明显降低维护难度和成本，则对降低生命周期成本具有重要意义。
尽管该方向是最有希望实际应用的人工智能技术，但真正的实施仍需大量的设计、维护、试验数据做支持，最终可信度和降低成本的能力仍需验证。
对于UAM飞行器，预计未来运营数量众多，如果在设计和运营初期大量收集故障数据，并训练故障预测网络，这可能在后期的运营中提升自动化水平，降低运营成本。
环境感知：传统飞行器具有“环境感知”功能的系统并不多，主要是气象、火控等雷达，以及大气数据系统等。但当大量UAM飞行器运行在城市低空上空时，对其他飞行器、飞鸟、气球等物体的空中防撞功能对环境感知的需求便显著提升。与自动驾驶车辆的环境感知系统类似，预期中的UAM飞行器环境感知传感器也将以激光雷达、毫米波雷达、摄像头为主，当前飞速发展的深度神经网络技术预期也将用于UAM飞行器。
自动驾驶车辆的典型感知系统布局
但由于深度神经网络“黑箱”的特性，使得对其有效性和正确性的验证十分困难，因此，UAM飞行器环境感知系统分级，以及如何提升深度神经网络的可解释性、可验证性，是需要探索的两个关键问题。
关于EASA AI路线图
在航空相关的人工智能政策研究中，EASA的人工智能路线图十分抢眼，EASA对模型驱动（如决策树）和数据驱动（神经网络）人工智能在航空中的应用做了深入研究、制定了人工智能进展时间框架，并对提升深度学习可信度提供的思路。
EASA人工智能路线图
EASA报告将人工智能分为三级：辅助人类飞行员（一级）、与人类飞行员联合（二级），以及自主智能（三级）。对于商业运营类飞行器，EASA预计2025年实现一级智能，2030年实现二级智能，而2035之后实现三级智能。
在现有的设计保证（design assurance）体系之外，EASA提出了学习保证（learn assruance）体系，该体系包括几方面内容：
系统开发保证：将人工智能、机器学习如何纳入系统安全评估过程的指南、在设计层级使用人工智能、机器学习的功能说明书、人工智能、机器学习用于系统设计影响的考虑。
数据保证过程：定义数据生命周期管理的端到端过程、数据质量考虑。
训练、验证数据集的选择和验证：数据集完整性和正确性的V字流程功能说明书、识别和消除数据集偏差、测试数据集和训练数据集分布的一致性、训练数据集和验证数据集的独立性。
学习模型选择和整定：模型架构和算法、超参数整定。
学习模型评估：精度和错误率表达指南、人工智能、机器学习性能和限制以及安全性分析、偏差和方差降低指南。
验证视角：学习阶段验证指南、推理过程验证指南、验证方法使用的考虑、工具质量评价考虑。
混合性视角：学习连续运行过程时的复杂性。
学习模型的变更：训练数据集变更、完整学习过程的重用、转换。
事故调查：人工智能可解释性、增强数据记录仪。
基于上述研究，EASA未来人工智能研究工作的目标主要有：
开发一种以人为中心的人工智能可信性框架；
让EASA成为领先的人工智能审定权威；
支持欧洲航空业在人工智能方面的领导地位；
为高效的欧洲人工智能研究日程做贡献；
为欧盟人工智能战略贡献活动。
后记
人工智能的发展史和当前的飞速提升使得人们对UAM行业应用人工智能的看法差异较大：从人工智能的可信性、可解释性等方面看，当前的人工智能技术根本无法通过适航审定；而从人工智能在各行业中的应用来看，UAM应用人工智能是大势所趋。
而基于这两种经验所做的判断都是有偏见的，靠谱的思路还是需要从问题的根本出发：人工智能的出发点在于无需极其复杂的关系模型，更多地从数据中得到输入输出关系，这与人类神经系统的部分特性是一致的（事实上，人类神经系统还有更重要的知识特性，这是当前人工智能技术难以模拟的）；适航审定的出发点和实施方法都是为了保证足够的安全性。因此忽略安全性和忽略高效方法的做法都是不可取的。
靠谱的方法还是类似于EASA在人工智能方面所作的研究，研究方法背后的本质、探索提升可信度、可解释性的实施方法。
FAA STRATEGIC PLAN. FY 2019-2022
ArtificialIntelligence Roadmap. EASA
小编组建了一个eVTOL行业促进群，欢迎对该行业有兴趣者加入交流。
入群方式：请加小编微信，做个自我介绍，小编会邀请入群。
页:
[1]