Talegenkendelsesteknologi til flyveledere

Lufttransportens popularitet fortsætter med at vokse, lægge en endnu større arbejdsbyrde på flyveledere (ATCO'er). Deres situation kan forbedres gennem et automatisk talegenkendelsessystem tæt integreret med en ankomstmanager udviklet af EU- og SESAR-finansierede forskere.

En af de største forhindringer for at indføre højere automatiseringsniveauer i lufttrafikstyring (ATM) er den intensive brug af stemmestrålekommunikation til at formidle lufttrafikkontrol (ATC) instruktioner til piloter. Automatisk talegenkendelse, som konverterer menneskelig tale til tekster, kan give en løsning til markant at reducere ATCOs arbejdsbelastning og øge ATM-effektiviteten.

Det Horizon 2020-finansierede MALORCA-projekt havde til formål at reducere udviklings- og vedligeholdelsesomkostningerne for assistent-baseret talegenkendelse (ABSR) ved at bruge maskinlæring i stedet for manuel softwareprogrammering. Dette initiativ blev finansieret inden for rammerne af SESAR-fællesforetagendet, et offentlig-privat partnerskab oprettet for at modernisere Europas ATM-system.

Tilpasning til lokale forhold

Moderne ATC-systemer skal være sikre og effektive, samtidig med at de er up-to-date. De kræver derfor betydelig input fra ATCO'er, som i øjeblikket fanges gennem tastatur- og musenheder. Moderne teknologier som Air-Ground datalink, som i nogle tilfælde kan erstatte stemmekommunikation, vil kræve endnu flere input fra ATCO'er.

Den enorme arbejdsbyrde for ATCO kan reduceres af ABSR. "Heldigvis, automatisk talegenkendelse har nået et pålidelighedsniveau, der er tilstrækkeligt til implementering i et ATM-system, " siger projektkoordinator Hartmut Helmke. "Men, vi er nødt til at reducere overførselsomkostningerne for talegenkendelsessystemer fra et tilgangsområde til et andet."

I øjeblikket, adskillige talegenkendelsesmoduler kræver en manuel tilpasning til lokale behov forårsaget af akustiske og sproglige variationer såsom regionale accenter, fraseologiske afvigelser og lokale begrænsninger. MALORCA foreslog en generel, billig og effektiv løsning til at automatisere denne genlæring, tilpasnings- og tilpasningsproces. Dette indebærer automatisk læring af lokal talegenkendelse og ATCO -modeller fra radar- og taledataoptagelser.

MALORCA udviklede nye maskinlæringsværktøjer til automatisk at lære ATCO-adfærd og tilpasse talegenkendelsesmodeller fra data optaget af Air Navigations Service Providers. Maskinlæring anvender statistiske teknikker, der gør det muligt for computersystemer at 'lære' og forbedre deres ydeevne på specifikke opgaver over tid ved at udnytte disse data, uden at være eksplicit programmeret. Dette vil erstatte meget af den manuelle indsats, der tidligere var påkrævet, og reducere omkostningerne, da maskinlæring af ABSR-modeller gør tilpasning til forskellige lufthavne og vedligeholdelse billigere og hurtigere.

Det første skridt

Projektpartnere brugte outputtet fra en såkaldt 'Arrival Manager' for lufthavnene i Prag og Wien til automatisk at opdele de ikke-transskriberede træningsdata i positive og negative bidder gennem specifikke tillidsmålinger. Denne metrik blev derefter brugt i de udviklede maskinlæringsalgoritmer for at styrke læring fra tilpasningsdata.

I forbindelse med ABSR understøtter Arrival Manager forudsigelsen af ​​de ATC-kommandoer, der er relevante for den aktuelle situation. De forudsagte kommandoer sammenlignes med outputtet fra talegenkenderen. Hvis en kommando ikke forudsiges, antages det, at talegenkendelsessystemet har udsendt en forkert kommando.

Projektet giver således luftfartsindustrien en praktisk tilgang til at udvikle og implementere et avanceret talegenkendelsessystem og integrere det i nutidens stemmekommunikationssystemer for luftfartstjenesteudbydere.

Brugen af ​​maskinlæring til talegenkendelse er kun den første testcase for dens bredere anvendelse i ATM. Dens anvendelse i ATM kan også bidrage til at reducere tilpasningen og vedligeholdelsen af ​​andre ATM-værktøjer. Tilpasningen af ​​f.eks. en generisk Arrival Manager til specifikke lufthavne kunne være det næste skridt.