ГосНИИАС
О координаторе проекта
Итоги
Аналитика
Карта проекта
Русская версия
Домашняя страница
English version
Написать письмо
Нейронные сети как основа искусственного интеллекта
и машинного обучения начинают раскрывать
свой потенциал в авиации
Новости/ > 2020/ > Нейронные сети как основа искусственного интеллекта и машинного обучения.../
Нейронные сети как основа искусственного интеллекта и машинного обучения начинают раскрывать свой потенциал в авиации
26 октября 2020 Нейронные сети начинают «видеть» некоторые из наиболее простых форм внедрения проектов и пути развития приложений применительно к электронным системам во многих сегментах аэрокосмической отрасли, причем не только на борту, но и за его приделами. На такие сети опираются сегодня алгоритмы искусственного интеллекта (ИИ) и машинного обучения, которые уже совершают революцию в системах управления воздушным движением (УВД). В настоящее время просматривается большой потенциал для применения всех этих технологий в будущем.

Что такое нейронная сеть?

Нейронные сети являются подклассом систем в обширной области машинного обучения. Специалисты определяют нейронные сети как вычислительную модель, состоящую из алгоритмов обучения, которые функционируют подобно нейронам, общающимся в человеческом мозге через особые образования, именуемые синапсами, чтобы обеспечить нормальное функционирование организма.

Компания Nvidia, известная как поставщик бортовых компьютеров для автономных автомобилей и дронов, определяет этот термин как «биологически вдохновленную вычислительную модель, созданную по образцу сети нейронов, присутствующих в человеческом мозге». Специалисты компании добавляют, что такую модель также можно рассматривать как совокупность алгоритмов обучения, которые описывают взаимосвязь ввода-вывода.

Нейронная сеть может быть обучена понимать непрерывно поступающие в нее данные, которые затем она может обрабатывать и генерировать интеллектуальные решения или ответы на сложные вопросы, поставленные перед этой сетью инженерами с целью получения результата или определенного вывода. При таком проходном методе сеть использует так называемые нейронные слои, имеющие три разных типа.

К ним относятся первоначальный входной слой, с помощью которого данные поступают в нейронную сеть, промежуточные (или скрытые) слои, где непосредственно происходит сам вычислительный процесс, и выходной слой, выдающий информацию в виде практического результата. >>>
>>> Сообщество разработчиков в области искусственного интеллекта и машинного обучения классифицировало две основные формы нейронных сетей. Нейронные сети прямого распространения являются наиболее простым вариантом, где данные после ввода преобразуются нейронными слоями, а затем выводятся в качестве результата в прямом однонаправленном цикле. Другая, более продвинутая форма — это рекуррентная нейронная сеть, в которой используются циклы памяти и обратной связи, функционирующие таким образом, что сеть непрерывно вводит ключевые данные и события, полученные из более динамичного процесса.

Для классификации изображений используются сверточные нейронные сети (Convolutional Neural Network, CNN — прим. ред.), относящиеся к первой из вышеперечисленных категорий. CNN — это нейронная сеть с глубоким обучением, предназначенная для обработки структурированных массивов данных. Сверточные нейронные сети широко используются в системах компьютерного зрения, они обеспечили современный технический уровень многим визуальным приложениям, а также нашли успех в обработке естественного языка для классификации текста.

Ключевым строительным блоком сверточной нейронной сети является сверточный слой. Мы можем его представить как множество небольших квадратных шаблонов, называемых сверточными ядрами, которые скользят по изображению и ищут такие же шаблоны. Если какая-то часть изображения совпадает с шаблоном ядра, то возвращается большое положительное значение, а если нет, то ноль или меньшее значение. CNN очень хорошо улавливают шаблоны на входном изображении, такие как линии, градиенты, круги или даже глаза и лица. Именно это свойство делает сверточные нейронные сети настолько удобными для компьютерного зрения. В отличие от более ранних алгоритмов, эти сети могут оперировать непосредственно с необработанным изображением.

CNN содержат множество сверточных слоев, наложенных друг на друга, каждый из которых способен распознавать все более сложные формы. С помощью трех или четырех сверточных слоев можно распознавать рукописные цифры, а с помощью 25 — различать человеческие лица. Сверточные слои чередуются со слоями активации, добавляющими в сеть нелинейность, и/или слоями объединения, уменьшающими масштаб изображений. >>>
>>> Схемотехнические строительные элементы современных нейронных сетей основаны на передовых графических процессорах и устройствах, разрабатываемых такими компаниями, как Nvidia, Intel и NXP. В мае 2019-го года Intel опубликовала тест, демонстрирующий сравнение скорости работы ResNet-50 (50-слойная «остаточная» сеть, то есть сеть, использующая пропускные соединения или короткие пути для перехода через некоторые слои, чтобы сделать оптимизацию сетей очень большой глубины поддающейся отслеживанию — прим. ред.), функционирующей на базе процессоров Intel Xeon Scalable последнего поколения с аналогичной конфигурацией, основанной на новейших графических ускорителях Tesla V100 от Nvidia. В ходе тестирования была подтверждена способность ResNet-50 использовать программное обеспечение глубокого обучения и достигать производительности 7878 изображений в секунду на процессорах Xeon Platinum 9282.

«Мы достигли скорости обработки 7878 изображений в секунду, одновременно запустив на четырех ядрах 28 экземпляров программного обеспечения с размером пакета 11. Аналогичная производительность Nvidia Tesla V100 составляет 7844 изображения в секунду, а Nvidia Tesla T4 — 4944 изображения в секунду», — написали представители компании Intel в комментариях к тесту.

Поддержка функциональности нейронных сетей была ключевым аспектом во время дебюта прикладного процессора i.MX 8M Plus компании NXP Semiconductors на ежегодной выставке Consumer Electronics 2020 в Лас-Вегасе. Специалисты компании указывают, что это первое семейство i.MX, которое имеет выделенный нейронный процессорный модуль, способный к обучению и построению выводов на основе обработки входных данных практически без вмешательства человека.

Научно-исследовательские и опытно-конструкторские работы в области интеграции нейронных сетей в аэрокосмические системы и сети проводились еще в 1990-х годах. В качестве примера можно привести статью, опубликованную Чарльзом К. Йоргенсеном из Исследовательского центра Эймса (подразделение NASA), где описываются преимущества нейронной сети по части приспосабливаемости к требованиям нелинейного и адаптивного управления, параллельных вычислений и точности функциональных преобразований, которые могут быть полезны при автоматической стыковке космического корабля, динамической балансировке центрифуги космической станции (система для создания искусственной силы тяготения — прим. ред.), онлайн-реконфигурации поврежденного самолета и в вопросах снижения стоимости новых конструкций воздушных и космических аппаратов. >>>
>>> Внедрение нейронных сетей в аэрокосмической отрасли

Разработки последних месяцев некоторых крупнейших компаний аэрокосмической отрасли, а также быстрый расцвет поставщиков услуг искусственного интеллекта и машинного обучения показали, как промышленность примет нейронные сети в ближайшем будущем.

Проект FCAS

Европейский концерн Airbus и его партнер по созданию перспективной авиационной боевой системы (Future Combat Air System, FCAS — прим. ред.) — компания Dassault Aviation — нацелены на использование нейронных сетей как ключевого фактора в программе разработки воздушного боя следующего поколения, реализуемой Францией, Германией и Испанией. Данная программа охватывает полностью автоматизированные удаленные воздушные платформы и пилотируемые истребители шестого поколения.

Airbus и немецкий институт связи, обработки информации и эргономики Фраунгофера (Fraunhofer Institute for Communication, Information Processing and Ergonomics, FKIE — прим. ред.) создали независимую группу специалистов по ответственному использованию новых технологий, чтобы определить и предложить этические, а также международно-правовые «железные ограничители» для этого крупнейшего в Европе оборонного проекта.

14 мая 2020-го года Airbus и FKIE провели совещание рабочей группы в дистанционном формате с участием коллектива независимых экспертов, отвечающих за использование новых технологий в проекте FCAS.

Данная экспертная комиссия была создана в 2019-ом году. Она состоит из представителей Airbus, Министерства обороны Германии, Министерства иностранных дел Германии, фондов, университетов и аналитических центров. Комиссия призвана помочь в разработке этических руководящих принципов использования искусственного интеллекта и его допустимой степени автономии в программе FCAS, которая должна включать пилотируемый истребитель шестого поколения и беспилотные платформы, выполняющие роль удаленных носителей и контролируемые сидящим за штурвалом такого истребителя пилотом-человеком. Эти требования призваны обеспечить осмысленный человеческий контроль над функциями FCAS. >>>
>>> Объединение пилотируемых и беспилотных аппаратов в рамках FCAS будет представлять собой «воздушное боевое облако», которое будет интегрировать данные со всех датчиков. Гражданский сектор также получит свою выгоду от выполнения этой программы. FCAS, над которой на середину 2020-го года работали три европейские страны, должна заменить построенный Dassault истребитель Rafale и созданный содружеством Airbus/BAE Systems/Leonardo истребитель Eurofighter.

«У меня есть четкие требования, в соответствии с которыми необходимо разработать такой продукт [FCAS]. Их соблюдение сделает его использование в воздушном пространстве безопасным. Но у меня есть жесткие ограничения, которые обусловлены нашей согласованной этической позицией, — заявил на совещании Томас Грос, главный конструктор FCAS, работающий в подразделении Defense and Space компании Airbus, — Поэтому я с нетерпением жду возможности скорректировать эти требования вместе с моими коллегами, нашим тематическим интернет-форумом и другими заинтересованными участниками. Полученный результат позволит мне спроектировать систему, соответствующую строгим этическим принципам».

Готовый набор требований создаст основу для такой составляющей FCAS, как нейронные сети. Он позволит людям контролировать функции компьютера, то есть применять так называемый человеческий «выключатель» для предотвращения потенциально фатальных машинных ошибок.

«Я должен сделать систему гибкой с точки зрения архитектуры нейронной сети, потому что мне нужно в каждом случае обучить эту сеть ее конкретному поведению», — сказал Грос, — Однако такое поведение может отличаться для разных пользователей, которые могут использовать приобретенное оборудование исходя из собственных этических представлений. Эта позиция является определяющим требованием к дизайну, то есть я должен сделать реализацию модульной, а модули — загружаемыми, что даст возможность выбора людям с различными этическими установками. Вот на что мне нужно обратить внимание и понять, сможем ли мы найти правильные решения, чтобы воплотить такую конструкцию в жизнь». >>>
>>> В июне 2019-го года компания ANSYS и подразделение Airbus Defence and Space сообщили о факте совместной разработки инструмента проектирования систем, обладающих искусственным интеллектом, с целью создания встроенного программного обеспечения для управления полетом, ориентированного на проект FCAS. Специалисты Airbus также проинформировали, что готовится новая версия ПО ANSYS SCADE, предназначенного для моделирования конфигураций аэрокосмических систем. Обновленная версия данного инструмента будет использовать алгоритмы искусственного интеллекта вместо традиционной разработки на основе моделей, чтобы упростить группирование пилотируемых и беспилотных средств, а также сделать безопасными полеты FCAS-ориентированных удаленных носителей. В ANSYS официально заявили, что наибольшая часть академических и прикладных исследований, касающихся применения ИИ для разработки ПО, включает в себя использование входных и выходных слоев сверточной нейронной сети.

«Что касается «выключателя» для FCAS, то, с человеческой точки зрения, не все, что я технически могу реализовать для полной автоматизации, … должно быть автоматизировано, — подчеркнул Грос, — У меня должны быть решающие точки останова, которые можно было бы активировать в соответствии с этической позицией человека, находящегося внутри этой замкнутой цепи, или, по крайней мере, наблюдающего за такой цепью, чтобы иметь возможность принимать правильные решения. Указанные требования должны быть изложены и включены в каждую функциональную цепочку, ориентированную на потенциальных пользователей, которые в перспективе заинтересуются продуктом».

Ульрике Франке, член экспертной группы по FCAS и научный сотрудник Европейского совета по международным отношениям, заявила, что до сих пор наблюдались явные расхождения во взглядах европейцев на использование ИИ в военной сфере и в автономных системах оружия. Она сказала, что «Франция, кажется, более открыта» для такого применения, в то время как Германия «более осторожна», и что одной из проблем проекта станет «примирение этих разногласий». Возможный выход из ситуации включает в себя учреждение «красных линий» для машинного принятия решений или обеспечение мер, определяющих степень автономности подсистем FCAS. >>>
>>> Со своей стороны, Германия хочет сохранить принятие решений человеком в отношении целеуказания системам FCAS. Бригадный генерал немецких ВВС Геральд Функе, руководитель проекта FCAS со стороны Министерства обороны Германии, сказал, что его страна «не примет никаких технических концепций, которые дадут какой-либо системе возможность санкционировать смерть человека исключительно на основе логики алгоритма».

«Люди останутся единственным определяющим фактором, ответственным за решения и все их последствия!» — написал Функе.

На совещании Функе подчеркнул, что на этапе разработки концепции FCAS еще невозможно прийти к пониманию, будет ли пилотируемый истребитель одноместным или двухместным, чтобы гарантировать достаточный контроль со стороны человека, и что данный вопрос в большей степени прояснится, «когда мы узнаем, каковы роли людей в этом транспортном средстве».

«Пока что, я полагаю, это больше одноместная, чем двухместная машина, — поделился своими соображениями Функе, — Однако пока никто, кроме меня, не высказал здесь своего мнения».

Рюдигер Бон, заместитель уполномоченного федерального правительства по разоружению и контролю над вооружениями в Министерстве иностранных дел Германии, сказал, что совместная инициатива Airbus/FKIE «является прекрасной возможностью для Европы повлиять на глобальные политические дебаты по международным решениям в области контроля над вооружениями путем разработки отраслевых стандартов. например, касающихся использования ИИ в военных целях и определяющих принципы программирования человеческого контроля при разработке новых систем оружия».

Аэропорты и управление воздушным движением

Компания Assaia, поставщик решений из Цюриха в области искусственного интеллекта, использует алгоритмы распознавания изображений, функционирующие на базе графических процессоров Nvidia и применяемые в терминалах аэропортов, а также в зонах, к ним прилегающих. Эти алгоритмы осуществляют видеозахват и последующее, основанное на видеозаписи, обучение нейронной сети оптимизации межполетного обслуживания, чтобы помочь авиакомпаниям и техническим сервисным службам устранить действия, в том числе за пределами терминалов, которые могут приводить к задержкам. >>>
>>> «Мы предоставляем обновляемую в реальном времени информационную панель, которая может помочь авиакомпаниям понять, нужно ли им вмешиваться [в деятельность своих поставщиков] или нет — например, прибыло топливо или нет», — сказал Макс Диз, основатель и генеральный директор Assaia.

Специалисты компании обучили свои нейронные сети, основываясь на отснятом за несколько лет на летных полях и перронах аэропортов всего мира видеоматериале. «Нейронные сети понимают, как разные объекты на аэродроме выглядят, двигаются и взаимодействуют», — сообщил Николай Кобышев, технический директор Assaia.

Такая нейронная сеть генерирует временные метки, связанные с каждым отдельным записанным на видео межполетным циклом, включая движение багажа, уборку салона, загрузку продуктов питания, посадку на борт пассажиров и другие сопутствующие процессы, а также фиксирует координаты, статус, поведение и взаимодействие там объектов или людей. Полученные метки затем используются алгоритмами машинного обучения, объединяясь с другими соответствующими источниками данных, с целью прогнозирования моментов ключевых событий, например, таких, как дозаправка во время межполетной стоянки.

В качестве отправной точки Assaia полагается на видеопотоки с существующих камер видеонаблюдения, которые передаются ИИ-алгоритмам. Это позволяет ее клиентам получать преимущества от разработанного компанией комплекса Apron AI без больших предварительных вложений. Благодаря интеграции с основными системами управления видео, такими как Genetec и Milestone, а также партнерству Assaia с ведущими производителями камер, такими как Axis, заказчик может начать генерировать данные в течение нескольких часов.

Механизм прогнозирования Assaia работает рука об руку с Apron AI. Он принимает видеопоток, только что полученные структурированные данные и большие объемы архивных данных. Обработка информации происходит на месте или в предоставляемом компанией облаке. Основываясь на полученном материале, этот механизм точно прогнозирует события межполетного цикла, например, время начала руления, тогда как обслуживание воздушного судна все еще продолжается. >>>
>>> В мае 2020-го года международный аэропорт Такома в Сиэтле подписал с Assaia соглашение о начале развертывания ее системы на всей территории этой воздушной гавани. Тим Тербер, менеджер Такомы по снабжению и планированию деятельности авиакомпаний, сказал: «Видеоаналитика имеет решающее значение для обеспечения полной прозрачности межполетных операций, а также для повышения безопасности в контролируемой зоне. Возможность круглосуточного автоматического мониторинга и отчетности поможет аэропорту, авиакомпаниям, авиадиспетчерам и наземным службам лучше понять связанные с безопасностью проблемы и, таким образом, сократить количество инцидентов».

Распознавание изображений с использованием нейронной сети также происходит в лондонском международном аэропорту Хитроу, где платформа искусственного интеллекта и машинного обучения Aimee компании Searidge Technologies использует сеть высокоточных видеокамер, контролирующих взлетно-посадочную полосу, для мониторинга заходов на посадку и самих посадок, чтобы предупреждать диспетчеров о свободной ВПП для безопасного прибытия следующего рейса.

«ИИ коренным образом изменил методы построения систем для управления воздушным движением, — сказал Марко Рюкерт, руководитель департамента инноваций компании Searidge Technologies в Оттаве, — Мы не стремимся заменить авиадиспетчера-человека, однако действительно пытаемся расширить его возможности, предоставляя инструменты ситуационной осведомленности и поддержки принятия решений, чтобы человек мог выполнять свою работу более эффективно. Мы отдаем автоматике некоторые рутинные задачи, чтобы он мог сосредоточиться на более ответственных вопросах».

Проблемы при разработке систем искусственного интеллекта для авиации обусловлены критическим характером авиации с точки зрения безопасности. Здесь необходима валидация производительности ИИ, включая понимание режимов отказа, верификация на предмет безопасного использования ИИ и осмысление того, как ИИ принимает решения. С момента начала работы Searidge Technologies над искусственным интеллектом в 2012-ом году в компании поняли, что не все данные для ИИ полезны, и что данные для ИИ должны быть предварительно обработаны и промаркированы, а не сброшены в систему одной кучей в ожидании результата. >>>
>>> Searidge выступила соразработчиком первой в мире цифровой вышки-лаборатории 4K в Хитроу, имея цель вернуть аэропорту 20 процентов пропускной способности по посадочным операциям, потерянных из-за плохой видимости. Девять видеокамер с разрешением 4K (каждая из них выдает картинку, имеющую приблизительно 4000 пикселей по горизонтали — прим. ред.) на северной стороне вышки и такие же девять камер на южной стороне обеспечивают полный контроль взлетно-посадочной полосы. ИИ вступает в игру, когда ненастная погода мешает диспетчерам видеть ВПП с вышки высотой 100 футов (примерно 30 метров — прим. ред.)

Информация с камер в реальном времени передается в Aimee, которая может интерпретировать изображения, отслеживать самолет и сообщать диспетчеру, когда воздушное судно успешно покинуло взлетно-посадочную полосу, чтобы человек принял решение о возможности прибытия следующего рейса. По словам Рюкерта, для создания такого функционала на основе искусственного интеллекта потребовалось сочетание различных наборов данных и использование алгоритмов Aimee, помогающих диспетчерам безошибочно определять разные типы самолетов.

«Дело в том, что радар имеет частоту обновления 1 Гц, а визуальная система — 25 Гц, поэтому иногда случается, что сигнал радара в некоторой степени опаздывает, либо немного неточен в триангуляции (математический метод определения расстояния до объекта — прим. ред.) Поэтому мы используем радар в качестве исходного источника информации, а ИИ — для ее коррекции», — сообщил Рюкерт.

Searidge тестировала свою систему, построенную на основе искусственного интеллекта, в течение трех месяцев, отследив перемещения 50 000 самолетов.

Aimee способна упростить процесс настройки и обучения искусственных нейронных сетей, работающих с большими и сложными наборами данных, которые позволяют использовать ИИ для таких вещей, как отслеживание контура воздушного судна и его пространственного местоположения. >>>
>>> В Хитроу нейронная сеть сегментирования изображений для обучения использует отснятые и заархивированные видеоматериалы, на которых запечатлены реальные самолеты, прибывающие и пересекающие порог ВПП. NATS, английский поставщик аэронавигационных услуг, хочет использовать нейронную сеть, ориентированную на контроль прибытия воздушных судов, для помощи авиадиспетчерам Хитроу в тех случаях, когда обзор из диспетчерской вышки недостаточен по причине облаков или тумана.

«В Хитроу Aimee функционирует на рабочих станциях с графическими процессорами, чтобы ускорить сегментацию изображений в нейронной сети. Выходные данные подсистем Aimee могут отображаться на рабочем месте диспетчера (как в лондонском аэропорту) или же передаваться во внешние системы», — проинформировал Рюкерт.

Аэропорты и системы управления воздушным движением в других странах Европы также готовы к будущему внедрению ИИ-технологий. В 2019-ом году Евроконтроль (европейский регулятор в области безопасности воздушной навигации — прим. ред.) провел свой первый форум по искусственному интеллекту в авиации, по итогам которого в марте 2020-го года был опубликован отчет «ИИ в полете». В нем рассказывается, как поставщики аэронавигационных услуг, авиакомпании, аэропорты и другие заинтересованные стороны экосистемы европейского воздушного сообщения видят потенциальное применение этой технологии для более эффективного использования полетных данных, что приведет к более точным прогнозам и более продвинутым инструментам.

В отчете представлены некоторые экспериментальные УВД-приложения с интегрированной в них ИИ-составляющей. В частности, это касается планирования управления воздушным движением и регулировки транспортных потоков, где испытания Евроконтроля уже показали 30-процентное улучшение прогнозирования траекторий. Евроконтроль также видит возможность использования ИИ при создании технологий наблюдения за коммерческими дронами, находящимися за пределами прямой видимости.

Searidge внедряет ИИ в рабочие процессы не только аэропортов Европы, но и воздушных гаваней других регионов мира. Как и в случае функционала комплекса Apron AI компании Assaia, особое внимание уделяется максимальной эффективности межполетного цикла для авиакомпаний и сотрудников аэропортов. >>>
>>> В международном аэропорту Дубая система Aimee в реальном времени отслеживает и обнаруживает определенный персонал и события, связанные со стандартным межполетным циклом воздушного судна, включая, в частности, мониторинг перемещений телескопического трапа (напрямую соединяющего вход в терминал аэропорта и самолет — прим. ред.), грузовых автомобилей для обслуживания бортовой кухни и служебного транспорта. Затем эта информация сравнивается с архивными данными, чтобы спрогнозировать, соблюдает ли самолет запланированное время вылета.

Рюкерт считает, что в будущем ключевым направлением деятельности Searidge и других разработчиков, интегрирующих больше возможностей ИИ в управление воздушным движением, может стать использование искусственного интеллекта для связи между пилотами и диспетчерами. «Сфера, в которую мы на самом деле сейчас входим — это голос. Основная связь между пилотами и авиадиспетчерами по-прежнему осуществляется по радиоканалу, и нередко речь довольно трудно разобрать. Например, когда мы в Великобритании работаем с NATS, то слышим около 50 различных акцентов в одной только Шотландии, — подчеркнул он, — Не обязательно, чтобы машина на борту самолета разговаривала с машиной службы УВД, однако, вероятно, не через пять лет, но в определенной перспективе мы сможем провести некоторую проверку на наличие ошибок и сообщить, что, например, вы сказали этому самолету двигаться к взлетно-посадочной полосе номер 1, а он, на самом деле, выполняет рулежку по неверному пути. Для такой реализации необходимо добавить еще один уровень безопасности».

Новейший автопилот и продвинутые концепции сертификации

Потенциал использования нейронных сетей в авиационных системах значительно вырос в апреле 2020-го года, когда Европейское агентство авиационной безопасности (European Aviation Safety Agency, EASA — прим. ред.) и компания Daedalean опубликовали совместный доклад о проблемах, связанных с использованием нейронных сетей в отрасли. Daedalean, обосновавшаяся, также как и Assaia, в Цюрихе, имеет в своем штате около 40 инженеров-программистов, специалистов по авионике и пилотов, работающих над первым, по их мнению, в авиационной отрасли автопилотом, который будет обладать глубокой сверточной нейронной сетью прямого распространения. >>>
>>> Доклад, названный «Концепции обеспечения проектирования для нейронных сетей» (в котором отредактирована некоторая конфиденциальная информация), стал результатом новаторского партнерского соглашения между EASA и Daedalean, действовавшего с июня 2019-го по февраль 2020-го года. Его целью стало изучение проблем с прицелом на то, чтобы, в конечном итоге, разрешить применение алгоритмов машинного обучения и других ИИ-форм в критических по безопасности приложениях.

В докладе определены конкретные варианты использования нейронных сетей в ближайшем будущем, архитектуры систем и стандарты обработки аэронавигационных данных, необходимые для прохождения сертификации воздушных судов. На протяжении последнего года Daedalean активно занималась летными испытаниями, тестируя использование нейронной сети для визуального наведения при посадке воздушных такси, беспилотных летательных аппаратов и легкого многоцелевого самолета Cessna 180. В 2019-ом году производящая авионику компания Avidyne из Мельбурна, штат Флорида, также приступила к летным испытаниям нейронных сетей Daedalean, интегрированных в камеры и связанных с автопилотом. В свою очередь Honeywell Aerospace подписала с Daedalean договор о технологическом партнерстве, касающийся разработки систем для автономного взлета и посадки, GPS-независимой навигации и методов предотвращения столкновений.

Хотя многие из ИИ-концепций применимы к алгоритмам машинного обучения в целом, в докладе центральное место уделено нейронным сетям большой глубины для систем машинного зрения — основе автопилота Daedalean.

Распознавание изображений, сегментация и обработка данных для визуальных указаний при посадке — вот наиболее вероятные варианты использования нейронных сетей в ближайшей перспективе, определенные Daedalean и EASA. В частности, в докладе указывается, что фактическая функция нейронной сети заключается в определении формы обнаруженного объекта. Например, изображения, анализируемые сетью, определяются как четыре угла или как контур ВПП, на которую можно безопасно приземлиться.

«Машинное обучение... открывает большие возможности для авиационной отрасли, однако надежность таких систем должна быть гарантирована», — говорится в докладе. В нем также отмечается, что традиционные структуры обеспечения разработки не очень хорошо адаптированы к сложным алгоритмам машинного обучения, которые нельзя прогнозировать или объяснять таким же образом, как обычные программные алгоритмы. >>>
>>> Согласно докладу, совместное начинание EASA и Daedalean позволило добиться прогресса по нескольким важным аспектам гарантии обучения, которая является одним из четырех строительных блоков, обеспечивающих надежность ИИ-структуры в дорожной ИИ-карте EASA. В этой карте, опубликованной в 2020-ом году несколько раньше, гарантия обучения описывается как способ «максимально раскрыть черный ящик ИИ» путем получения уверенности в том, что приложение для машинного обучения поддерживает предполагаемую функциональность.

Примечательно, что проект с Daedalean привел к разработке W-образного жизненного цикла обеспечения обучения, который, по словам EASA, будет служить ключевым инструментом для сертификации и аттестации приложений для машинного обучения в критических по безопасности системах.

Важно также отметить, что доклад предполагает неадаптивную системную архитектуру. Другими словами, она заморожена на определенном этапе разработки и не изменяется в процессе эксплуатации. «Это создает границы, которые делают такую архитектуру легко совместимой с действующей в авиации нормативно-правовой базой», — утверждают авторы доклада.

«Наше сотрудничество с EASA создало прочную основу, которая имеет реальный шанс открыть путь для будущего использования машинного обучения в критически важных по безопасности приложениях как в авиации, так и за ее пределами», — сказал Дэвид Хабер, руководитель сектора машинного обучения в Daedalean. «Мы рассмотрели нетривиальные проблемы, но необходимо еще многое сделать, чтобы довести нейронные сети до полной сертификации», — резюмировал он, — Поэтому мы ждем продолжения нашей работы с Европейским агентством авиационной безопасности».

Согласно EASA, следующим шагом будет обобщение, абстрагирование и дополнение этих первоначальных рекомендаций, чтобы обрисовать в общих чертах первый набор применимых правил для критически важных по безопасности приложений машинного обучения. Daedalean же постарается к 2021-му году обеспечить для своей системы автопилота уровень гарантии проектирования (Design Assurance Level, DAL — прим. ред.) «С», продолжая при этом работу над возможной версией «A». >>>
Поиск по проекту
Искать!
© 2020 Государственный научно-исследовательский институт авиационных систем. Все права защищены. Условия использования информации.