Rahman, Md Siddiqur (2022) Apprentissage profond pour la résolution des conflits entre aéronefs en route : deux approches complémentaires., Deep Learning for En-Route Aircraft Conflict Resolution : two complementary approaches. École doctorale Mathématiques, Informatique et Télécommunications (Toulouse).

Preview

Text Download (27MB) | Preview

Abstract

Une situation est considérée comme un conflit lorsque deux ou plusieurs aéronefs ne parviennent pas à maintenir une certaine distance entre eux pendant leur trajet. Les modèles antérieurs destinés à aider les contrôleurs aériens à résoudre les conflits étaient basés sur des modèles mathématiques et statistiques. Les récents succès des modèles de réseaux de neurones profonds dans divers domaines ont relancé l’intérêt de la recherche sur la résolution automatique des conflits entre avions. Les conflits sont résolus par les contrôleurs en donnant des ordres aux pilotes pour modifier la trajectoire de l’avion, en fonction des différentes positions et trajectoires de l’avion. Dans cette thèse, nous proposons deux façons différentes d’exploiter ces données, en considérant soit les données de trajectoire, soit les images correspondantes des trajectoires. Le premier modèle, CRMLnet, est un modèle de neural network dont la sortie est une classification multi-label. Ce modèle prend en entrée la trajectoire de positionnement (latitude, longitude, altitude, vitesse, cap, etc.) de tous les avions impliqués dans le conflit et fournit en sortie les changements de cap des avions à différents angles. Comparé à d’autres modèles d’apprentissage automatique qui utilisent plusieurs classificateurs à étiquette unique, tels que SVM, KNC et LR, notre CRMLnet obtient les meilleurs résultats avec une précision de 98,72% et une ROC de 0,999. Ce modèle n’est pas approprié pour traiter un nombre variable d’avions impliqués. Le deuxième modèle ne dépend pas du nombre d’avions concernés. Pour ce modèle, nous avons transformé la scène de conflit en une image. Notre deuxième modèle de résolution de conflit multi-label, ACRnet, est conçu comme un convolutional neural network. Le modèle ACRnet atteint une précision de 99,16% sur les données d’apprentissage et de 98,97% sur l’ensemble des données de test pour deux avions. Pour les deux et trois avions, la précision est de 99,05% (resp. 98,96%) sur l’ensemble de données d’entraînement (resp. de test).

A situation is identified as a conflict when two or more aircraft fail to maintain a certain distance between them on their way. Earlier models to support air traffic controllers in solving conflicts were based on mathematical and statistical models. The recent successes of deep neuron network models in various domains have rekindled the research interest on automatic aircraft conflict resolution. Conflicts are solved by controllers by giving orders to pilots to change the aircraft trajectory, based on the various aircraft positions and trajectories. In this thesis we propose two different ways of exploiting these data, considering either the trajectory data or the corresponding images of the trajectories. The first model, CRMLnet, is a neural network model which output is a multi-label classification. This model takes the positioning trajectory (latitude, longitude, altitude, speed, heading, etc.) of all the aircraft involved in the conflict as input and provides the heading changes for the aircraft at different angles as output. When compared to other machine learning models that use multiple single-label classifiers such as SVM, KNC, and LR, our CRMLnet achieves the best results with an accuracy of 98.72% and ROC of 0.999. This model is not appropriate to handle with a variable number of aircraft involved. The second model does not depend on the number of planes involved. For that model, we transformed the conflict scene into an image. Our second multi-label conflict resolution model, ACRnet 5, is designed as a convolutional neural network. ACRnet model achieves an accuracy of 99.16% on the training data and of 98.97% on the test data set for two aircraft. For both two and three aircraft, the accuracy is 99.05% (resp. 98.96%) on the training (resp. test) data set.