Ausgangspunkt / Motivation

Die aktuellen Arrival Manager Systeme sollen Anflug-Sequenz, sowie geschätzte Ankunftszeiten und Unterstützung bei der Koordination bereitstellen, jedoch fällt Arrival-/Departure-Planung bei starkem Verkehr und schlechte Sicht oft auf die subjektive Einschätzung der Lotsen zurück. Daher würde eine klarere Einschätzung der Verkehrs- und Wetterkomplexität zu Verbesserungen im Arrival- und Departure Management führen. Dabei wird auf den Erkenntnissen der Projekte WeCap und WeCap DS aufgebaut, die bereits Konzepte für das Departure Management erstellten.

Ziele

• Formulierung einer auf Task-Complexity basierenden Analyse der Komplexität des Gesamtsystems.
• Feststellung der Nützlichkeit einer objektiven Komplexitätsmetrik bei der Beschreibung des Verkehres mit Hilfe von Reinforcement Learning (RL).
• Verbesserte Sicht- und Sektor-Planung, was zu genaueren Flugzeiten führt.

Inhalt

Eine auf Task-Complexity basierende Analyse der Komplexität des Gesamtsystems soll die Arbeitslast der Fluglotsen abschätzen können. Darauf basiert wird im Rahmen dieses Sondierungsprojektes ein Concept-of-Operation entwickelt, in dem die Analyse für das Flow-Managements sowie der Sektor- und Staff-Planung verwendet wird.

Für die Bestimmung der Komplexität des Systems soll Reinforcement Learning verwendet werden, denn RL erlaubt die gleichzeitige Modellierung mehrerer Akteure in einem Umgebungsmodell mit verschiedenen Strategien zur lokalen bzw. globalen Optimierung, und ermöglicht andererseits eine dynamische, anpassungsfähige und robuste Herangehensweise an die sich laufend verändernden Bedingungen des Arrival Managements.

Methodik / Vorgehensweisen

In aussagekräftigen Fallstudien werden die Eigenschaften des Systems anhand von unterschiedlichem Demand und Wetterbedingungen untersucht. Allen Fallstudien wird immer eine reale Verkehrs- und Wettersituation zugrunde gelegt, dadurch werden Performance-Vergleiche mit der Realität möglich.

Je nach Vorlaufzeit werden entweder direkt Flugpläne oder bereits mit Positionsreports modifizierte Trajektorien als Input verwendet. Der Einfluss des Wetters wird exemplarisch anhand von Starkwind, Low Visibility Procedures (LVP) und Gewittern untersucht.

Ergebnisse

Die Sondierung zeigte, dass Reinforcement Learning (RL) in der Lage ist, realistische Anflugtrajektorien für den Wiener Anflugbereich zu generieren – basierend auf den tatsächlich verwendeten Regeln und Verfahren von Approach Wien.

In rund 3.500 Trainingsläufen (mit Game-Engine und RL-Bibliotheken) wurden RL-Modelle ab den STAR-Endpunkten berechnet und mit realen Anflugdaten verglichen. Die Modelle erfüllten die definierten Ziele – pünktliche Landungen, Sicherheitsabstände, effiziente Steuerung – erfolgreich.

Zusätzlich wurde eine Task-Complexity-Metrik entwickelt, die die kognitive Belastung von Fluglotsen objektiv abschätzen soll und als Grundlage für Flow-Management und Personalplanung dienen kann. Ein F&E-Folgeprojekt ist geplant.

Projektkoordination

Robimo GmbH

Projektpartner:innen

Austro Control Österreichische Gesellschaft für Zivilluftfahrt mit beschränkter Haftung

Robimo GmbH
Roßauer Lände 25/28
A-1090 Wien
E-Mail: office@robimo.at
Web: www.robimo.at