我校计算机学院在Nature Communications发表题为“Integrating spoken instructions into flight trajectory prediction to optimize automation in air traffic control”的学术成果，该论文是林毅副研究员团队继WTFTP之后再次登上Nature子刊的空管研究成果。该工作依托四川大学智能空管工科特色团队和“创新2035”先导计划，由四川大学计算机学院独立完成，计算机学院林毅副研究员为唯一通讯作者、专职博士后郭东岳为第一作者，其他作者包括硕士研究生张政、杨波研究员、张建伟研究员和杨红雨教授，得到了国家自然科学基金（62401380、62371323、U2333209、U20A20161）等项目支持。

随着飞行流量增加、低空飞行加入国家空域系统，复杂运行场景对空管指挥提出了更高的要求。在此背景下，受生理和心理限制，管制员“错忘漏”等“人的因素”导致的不安全事故征候频发。防范这一风险的有效手段是通过语音获取管制员指令意图，并预测管制行为作用于航班飞行态势演化情况，进而检测管制行为是否安全。然而，由于技术的限制，现有系统无法感知管制员行为意图，导致飞机机动阶段的预测响应滞后，不利于航空交通安全高效运行。

依托团队在空管语音指令理解（IEEE TNNLS 2022, IEEE TASLP 2023）、航班轨迹预测（IEEE TITS 2023, AAAI 2024）和多模态空管数据（ACM MM 2023）方面的研究基础，以真实运行场景下的需求为牵引（CHINESE J AERONAUT 2023），在国际上首次提出了指令驱动的航班轨迹预测研究方向，旨在将管制指令纳入空管信息自动化处理的闭环，提升轨迹预测性能及其在机动阶段的响应能力，拓展航班轨迹预测研究内涵及其在智能化空管领域的应用前景。

该研究提出了非自回归轨迹预测框架、多分类意图嵌入表示及多模态特征融合方法，并设计了三阶段的渐进式多模态学习训练策略，以有效建模指令与轨迹“异构同语义”数据在高阶特征空间的共有模式。大量真实数据实验表明，提出方法能够以指令参数为牵引驱动轨迹预测，获得了比SOTA方法更好的预测性能和稳定性，显著降低了多时间步预测误差，实现了“人在环路”态势融合及预测，极大提升了现有空管系统的智能化水平。

论文链接：https://www.nature.com/articles/s41467-024-54069-5