[论文解读] A Future Capabilities Agent for Tactical Air Traffic Control

Paul Kent, George De Ath+4 more|arXiv (Cornell University)|Jan 7, 2026

Air Traffic Management and Optimization被引用 0

一句话总结

该论文提出 Agent Mallard，一种用于系统化空域的战术性 ATC 的前瞻规划、基于规则的 AI 代理，在执行前通过随机数字孪生体对每一个候选机动进行验证，从而确保安全、可解释的冲突解决。

ABSTRACT

Escalating air traffic demand is driving the adoption of automation to support air traffic controllers, but existing approaches face a trade-off between safety assurance and interpretability. Optimisation-based methods such as reinforcement learning offer strong performance but are difficult to verify and explain, while rules-based systems are transparent yet rarely check safety under uncertainty. This paper outlines Agent Mallard, a forward-planning, rules-based agent for tactical control in systemised airspace that embeds a stochastic digital twin directly into its conflict-resolution loop. Mallard operates on predefined GPS-guided routes, reducing continuous 4D vectoring to discrete choices over lanes and levels, and constructs hierarchical plans from an expert-informed library of deconfliction strategies. A depth-limited backtracking search uses causal attribution, topological plan splicing, and monotonic axis constraints to seek a complete safe plan for all aircraft, validating each candidate manoeuvre against uncertain execution scenarios (e.g., wind variation, pilot response, communication loss) before commitment. Preliminary walkthroughs with UK controllers and initial tests in the BluebirdDT airspace digital twin indicate that Mallard's behaviour aligns with expert reasoning and resolves conflicts in simplified scenarios. The architecture is intended to combine model-based safety assessment, interpretable decision logic, and tractable computational performance in future structured en-route environments.

研究动机与目标

• 推动在空中巡航交通管制中的自动化，同时解决安全保障和可解释性不足的问题。
• 提出一个面向系统化空域、具有预定义 GPS 指引航线的前瞻规划、基于规则的代理（Mallard）。
• 将随机前瞻仿真（数字孪生）整合到决策循环中，以在不确定性下验证候选机动。
• 通过利用分道、路由结构化的空域来降低横向控制的复杂性，从而实现可行的实时冲突解决。
• 提供一个可解释的因果追溯框架，使人类操作员能够审计决策。

提出的方法

• 引入 Agent Mallard 架构，包含五个关键组件：系统化空域结构、带不确定性的轨迹仿真、基于状态的条件策略、专家知情的决策与因果可追溯性。
• 在整个扇区的空域计划上应用深度受限的回溯搜索，寻找对所有飞行器无冲突的解决方案。
• 以层级方式表示计划（飞行计划、机动、计划动作、条件和动作），以实现多层次推理和便于修改。
• 使用计划拼接将去冲突机动插入冲突计划片段，同时保留早期和后续计划逻辑。
• 通过三维分类法（相对垂直状态、航向和速度）对冲突进行分类，以选择预先排序的去冲突策略。
• 保持独立控制轴（横向和纵向），简化归因并使轴约束单调，防止振荡。

Figure 1 : Agent Mallard’s operational flowchart. Blue: initialisation (airspace state received, plans generated if needed). Yellow: evaluation (plan simulated on the digital twin). Red: deconfliction (if unsafe, Backtracking search looks for a safe alternative; see Sec. 3.5.4 ). Green: execution (i

实验结果

研究问题

• RQ1 在不牺牲可解释性的前提下，如何在不确定性下验证 ATC 决策的安全性？
• RQ2 通过基于车道的结构，规则驱动的前瞻规划代理是否可以在系统化空域中实现实时性能？
• RQ3 在决策循环中嵌入随机数字孪生体是否能够产生与专家 ATCO 推理一致的鲁棒、可解释的冲突解决？
• RQ4 通过集成回溯搜索并进行局部修复（计划拼接）是否可以实现扇区级冲突解决，而不需要完全重新优化？
• RQ5 哪些验证方法（专家走查、数字孪生测试）显示 Mallard 与在人类操作员简化场景中的对齐？

主要发现

• 初步的专家控制员走查和初步数字孪生测试表明 Mallard 的行为与简化场景中的专家推理一致。
• Mallard 显示出通过迭代模拟和修复计划来解决扇区级冲突的能力，而无需完全重新优化。
• 基于车道的系统化空域设计将决策空间简化为离散的车道/等级选择，使实时评估在安全验证下具有可行性。
• 在不确定性下进行前瞻仿真有利于基于模型的安全评估并通过因果可追溯性提升可解释性。
• 早期结果表明该架构能够在结构化的空中巡航环境中支持安全、可解释的决策制定，且正在进行的代理验证工作中。

Figure 2 : A set of deconflicted lanes for a training sector. The Right and Left lanes for each route are geometrically deconflicted from each other.