مقاله حاضر به بررسی کاربرد فناوری‌های گفتار و پردازش زبان طبیعی در توسعه یک شبیه‌ساز شبه‌خلبان می‌پردازد. این شبیه‌ساز با هدف تسریع و بهینه‌سازی آموزش کنترلرهای ترافیک هوایی (ATCos) طراحی شده است. آموزش کنترلرهای ترافیک هوایی فرایندی زمان‌بر و پرهزینه است که نیازمند تعامل با خلبانان واقعی یا شبیه‌سازی‌شده است. این مقاله رویکردی نوآورانه را برای جایگزینی خلبانان واقعی با یک سیستم خودکار ارائه می‌دهد که قادر به درک و پاسخگویی به دستورات کنترلر ترافیک هوایی به صورت خودکار است.

این مقاله توسط Amrutha Prasad، Juan Zuluaga-Gomez، Petr Motlicek، Saeed Sarfjoo، Iuliia Nigmatulina و Karel Vesely به رشته تحریر درآمده است. نویسندگان این مقاله متخصصان حوزه‌های محاسبات و زبان، هوش مصنوعی، یادگیری ماشین و پردازش صدا و گفتار هستند. زمینه تحقیقاتی این مقاله در تقاطع این حوزه‌ها قرار دارد و هدف آن استفاده از آخرین دستاوردهای هوش مصنوعی برای حل مشکلات عملی در صنعت هوانوردی است.

چکیده این مقاله بر ارائه یک سیستم ماژولار و مبتنی بر تکرار تاکید دارد که به منظور تسریع در آموزش کنترلرهای ترافیک هوایی (ATCos) طراحی شده است. در حال حاضر، در شبیه‌سازهایی مانند ESCAPE lite EUROCONTROL، حضور یک خلبان انسانی در طول آموزش ATCo ضروری است. این مقاله پیشنهاد می‌کند که این نیاز می‌تواند با یک سیستم خودکار جایگزین شود که به عنوان خلبان عمل کند. هدف اصلی این تحقیق، توسعه و یکپارچه‌سازی یک عامل شبه‌خلبان در فرآیند آموزش ATCo با ترکیب ماژول‌های مختلف مبتنی بر هوش مصنوعی است.

این سیستم قادر است ارتباطات صوتی صادر شده توسط ATCo را درک کرده و در عوض، یک پاسخ گفتاری ایجاد کند که از عبارات خلبانی مشابه با ارتباط اولیه پیروی کند. سیستم عمدتاً بر ابزارهای هوش مصنوعی متن‌باز و پایگاه‌های داده کنترل ترافیک هوایی (ATC) تکیه دارد که سادگی و سهولت تکثیر آن را نشان می‌دهد.

به طور کلی، این خط لوله از مراحل زیر تشکیل شده است:

• یک زیرماژول که جریان ورودی صوتی خام را دریافت و پیش‌پردازش می‌کند.
• یک سیستم تشخیص گفتار خودکار (ASR) که صوت را به دنباله‌ای از کلمات تبدیل می‌کند.
• یک تحلیلگر سطح بالا مرتبط با ATC که اطلاعات مرتبط را از ارتباط استخراج می‌کند، به عنوان مثال، علائم تماس و دستورات.
• یک زیرماژول سنتز گفتار که پاسخ‌ها را بر اساس موجودیت‌های ATC سطح بالا که قبلاً استخراج شده‌اند، تولید می‌کند.

در نهایت، این مقاله نشان می‌دهد که این سیستم می‌تواند راه را برای توسعه یک سیستم شبه‌خلبان واقعی هموار کند، که باعث تسریع در آموزش ATCos و کاهش چشمگیر هزینه‌های کلی آن می‌شود.

به بیان ساده‌تر، این مقاله یک راهکار برای خودکارسازی نقش خلبان در شبیه‌سازهای آموزش کنترل ترافیک هوایی ارائه می‌دهد. این راهکار با استفاده از ترکیب فناوری‌های تشخیص گفتار، پردازش زبان طبیعی و تولید گفتار، یک سیستم هوشمند ایجاد می‌کند که قادر است به دستورات کنترلر ترافیک هوایی پاسخ داده و تعاملات یک خلبان واقعی را شبیه‌سازی کند.

روش‌شناسی تحقیق در این مقاله مبتنی بر توسعه یک سیستم ماژولار است که از چندین زیرسیستم تشکیل شده است. هر زیرسیستم وظیفه خاصی را بر عهده دارد و با سایر زیرسیستم‌ها به صورت یکپارچه کار می‌کند. مراحل اصلی روش‌شناسی تحقیق عبارتند از:

1. جمع‌آوری داده‌ها: جمع‌آوری داده‌های صوتی مربوط به ارتباطات بین کنترلرهای ترافیک هوایی و خلبانان. این داده‌ها برای آموزش سیستم تشخیص گفتار و پردازش زبان طبیعی استفاده می‌شوند.
2. توسعه سیستم تشخیص گفتار (ASR): استفاده از یک سیستم ASR متن‌باز برای تبدیل صوت به متن. در این مرحله، دقت و سرعت سیستم ASR بسیار مهم است.
3. توسعه تحلیلگر ATC: طراحی و پیاده‌سازی یک تحلیلگر زبان طبیعی که قادر به استخراج اطلاعات کلیدی از متن است. این اطلاعات شامل علائم تماس، دستورات و سایر اطلاعات مرتبط با کنترل ترافیک هوایی است.
4. توسعه سیستم تولید گفتار: استفاده از یک سیستم تولید گفتار (TTS) برای تولید پاسخ‌های مناسب به دستورات کنترلر ترافیک هوایی. در این مرحله، لحن و تلفظ صحیح کلمات بسیار مهم است.
5. یکپارچه‌سازی و آزمایش سیستم: یکپارچه‌سازی تمام زیرسیستم‌ها و انجام آزمایش‌های مختلف برای ارزیابی عملکرد سیستم. در این مرحله، دقت، سرعت و قابلیت اطمینان سیستم مورد ارزیابی قرار می‌گیرد.

نویسندگان این مقاله تاکید دارند که از ابزارهای متن‌باز و پایگاه‌های داده ATC استفاده کرده‌اند که این امر باعث سادگی و قابلیت تکرار سیستم می‌شود. به عنوان مثال، می‌توان از پلتفرم‌های متن‌باز مانند Kaldi برای توسعه سیستم تشخیص گفتار و از پایگاه‌های داده موجود در حوزه هوانوردی برای آموزش سیستم استفاده کرد.

یافته‌های کلیدی این تحقیق نشان می‌دهد که سیستم توسعه‌یافته قادر است با دقت قابل قبولی دستورات کنترلر ترافیک هوایی را درک کرده و پاسخ‌های مناسبی تولید کند. اگرچه سیستم هنوز در مراحل اولیه توسعه است، اما نتایج اولیه نشان می‌دهد که این سیستم می‌تواند به طور موثری جایگزین خلبانان واقعی در شبیه‌سازهای آموزش کنترل ترافیک هوایی شود.

به طور خاص، نویسندگان به این موارد اشاره می‌کنند:

• سیستم تشخیص گفتار با دقت بالایی قادر به تشخیص کلمات و عبارات مرتبط با کنترل ترافیک هوایی است.
• تحلیلگر ATC قادر است اطلاعات کلیدی را از متن استخراج کرده و پاسخ‌های مناسبی را تولید کند.
• سیستم تولید گفتار قادر است پاسخ‌هایی با لحن و تلفظ مناسب تولید کند.
• یکپارچه‌سازی زیرسیستم‌ها به خوبی انجام شده است و سیستم به صورت یکپارچه کار می‌کند.

کاربردهای اصلی این تحقیق در حوزه آموزش کنترلرهای ترافیک هوایی است. با استفاده از این سیستم، می‌توان آموزش کنترلرها را تسریع کرده و هزینه‌های آن را کاهش داد. علاوه بر این، این سیستم می‌تواند در سایر حوزه‌های مرتبط با هوانوردی نیز مورد استفاده قرار گیرد، مانند شبیه‌سازی پرواز، آموزش خلبانان و سیستم‌های کمک‌خلبان.

دستاوردهای اصلی این تحقیق عبارتند از:

• ارائه یک راهکار نوآورانه برای خودکارسازی نقش خلبان در شبیه‌سازهای آموزش کنترل ترافیک هوایی.
• توسعه یک سیستم ماژولار و مبتنی بر ابزارهای متن‌باز که به راحتی قابل تکرار است.
• ارائه نتایج اولیه امیدوارکننده که نشان می‌دهد این سیستم می‌تواند به طور موثری جایگزین خلبانان واقعی شود.
• هموار کردن راه برای توسعه سیستم‌های پیشرفته‌تر در آینده.

به عنوان مثال، فرض کنید یک کنترلر ترافیک هوایی به خلبان دستور می‌دهد: “IranAir 123, turn left heading 270”. سیستم شبه‌خلبان باید بتواند این دستور را درک کرده، علامت تماس (IranAir 123) و دستور (turn left heading 270) را استخراج کند و سپس پاسخ مناسبی مانند “Turning left heading 270, IranAir 123” تولید کند.

در مجموع، این مقاله یک راهکار امیدوارکننده برای خودکارسازی نقش خلبان در شبیه‌سازهای آموزش کنترل ترافیک هوایی ارائه می‌دهد. سیستم توسعه‌یافته با استفاده از ترکیب فناوری‌های گفتار و پردازش زبان طبیعی، قادر است با دقت قابل قبولی دستورات کنترلر ترافیک هوایی را درک کرده و پاسخ‌های مناسبی تولید کند. این تحقیق می‌تواند به تسریع و بهینه‌سازی آموزش کنترلرهای ترافیک هوایی کمک کرده و هزینه‌های آن را کاهش دهد.

با توجه به اینکه این سیستم مبتنی بر ابزارهای متن‌باز و پایگاه‌های داده ATC است، امکان توسعه و بهبود آن در آینده وجود دارد. محققان می‌توانند با استفاده از روش‌های یادگیری عمیق و داده‌های بیشتر، دقت و قابلیت اطمینان سیستم را افزایش دهند. همچنین، می‌توان با افزودن قابلیت‌های جدید مانند تشخیص احساسات و پاسخگویی به شرایط اضطراری، سیستم را به یک عامل هوشمند و کارآمد تبدیل کرد.