Решение головоломки системы UTM: как ИИ может предотвращать конфликты в воздушном пространстве на малых высотах.

Беспилотник-доставщик летит по обычному маршруту над городом, когда с крыши соседней крыши взлетает инспекционный беспилотник, приоритетный доступ получает миссия по обеспечению общественной безопасности, и впереди появляется временное ограничение воздушного пространства. Ни один из этих полетов сам по себе не является опасным. Проблема в том, что их планы могут пересекаться в пространстве и времени, и ситуация может измениться после взлета.

Это практическая задача управления воздушным движением беспилотных летательных аппаратов (БПЛА): как нескольким операторам совместно использовать низковысотное воздушное пространство, не превращая каждое взаимодействие в проблему координации голосовых команд или маневр уклонения в последнюю секунду? Наиболее убедительный ответ сегодня — не «пусть ИИ управляет всем». Это многоуровневая система, в которой совместимые данные, стратегическое предотвращение конфликтов, мониторинг соответствия, тактические службы и бортовые функции безопасности обрабатывают каждый свою часть риска. Искусственный интеллект может улучшить несколько из этих уровней, но ему все еще необходимы явные ограничения, проверка и резервные варианты поведения.

Это различие важно, поскольку система управления воздушным движением за пределами прямой видимости (UTM) переходит от стадии исследований к практическому применению. Текущая программа UTM Федерального управления гражданской авиации (FAA) описывает распределенную, высокоавтоматизированную экосистему, в которой операторы и поставщики услуг обмениваются данными через API, и агентство заявляет, что начало выдавать письма о принятии предложений на услуги стратегического предотвращения конфликтов, поддерживающие коммерческие полеты за пределами прямой видимости. В то же время, более широкая структура правил США Part 108/Part 146 BVLOS остается проектом правил, а не окончательным вариантом по состоянию на сентябрь 2026 года. Это означает, что оперативные возможности развиваются, но нормативная архитектура все еще находится в стадии формирования.

Почему предотвращение конфликтов на малых высотах сложнее, чем составление отдельных маршрутов

Первая причина — размерность. Конфликт — это не просто пересечение двух линий на карте. Каждая операция занимает четырехмерный объем: широту, долготу, высоту и время, с учетом погрешностей. Маршрут, который выглядит идентично в двух измерениях, может быть свободен от конфликтов, если самолеты используют разные высоты или временные интервалы.

Вторая причина — неопределенность. Ветер, навигационные ошибки, задержки вылета, задержка в управлении, характеристики летательного аппарата, погода, временные ограничения и аварийные ситуации — все это может привести к отклонению самолета от первоначального плана. Поэтому система, которая проверяет маршруты только один раз перед вылетом, может устареть во время полета.

Третья причина — участие. Стратегическая координация работает лучше всего, когда соответствующие операторы разделяют намерения и следуют общим правилам. Исследование, спонсированное FAA и цитируемое в проекте правил BVLOS 2025 года, показало, что моделирование с универсальным стратегическим предотвращением конфликтов привело к примерно 100-кратному снижению числа столкновений БПЛА в воздухе по сравнению с моделированием без него. В том же обсуждении приводится репрезентативный анализ ASTM, демонстрирующий снижение на 97,9%. Это результаты моделирования и анализа безопасности, а не гарантии для каждого реального развертывания, но они показывают, почему совместное участие имеет значение.

Практические действия: прежде чем внедрять сложные системы искусственного интеллекта, убедитесь, что каждая участвующая система может описывать оперативные намерения в единой пространственно-временной системе координат и надежно обмениваться ими с другими поставщиками услуг.

Шаг 1: Решите предсказуемые конфликты до взлета.

Стратегическое предотвращение конфликтов — это самый простой способ разрешения конфликтов, поскольку он происходит, когда еще есть время изменить план. Работа НАСА по стратегическому предотвращению конфликтов в рамках системы управления воздушным движением в неконтролируемых условиях продемонстрировала использование обнаруживаемых четырехмерных операционных объемов, позволяющих операторам выявлять наложения и планировать бесконфликтные операции. В Европе правила EASA по космическим пространствам в неконтролируемых условиях описывают разрешение на полет БПЛА как механизм стратегического предотвращения конфликтов и требуют проверки того, пересекается ли предлагаемый полет с другим уведомленным разрешением в пространстве и времени.

Базовый механизм разрешения конфликтов может быть детерминированным. Он может сравнивать запланированные 4D-объемы, применять правила приоритета, учитывать зоны ограниченного доступа и предлагать альтернативы, такие как другое время отправления, диапазон высот или маршрут. Это важно, потому что «управляемый ИИ» не должен стать синонимом «непрозрачности». Многие критически важные для безопасности конфликты могут быть разрешены с помощью явной геометрии и правил.

Практический шаг: сначала внедрить детерминированное обнаружение конфликтов. Рассматривать машинное обучение как оптимизатор, работающий в рамках четко определенной зоны безопасности, а не как единственный механизм, определяющий совместимость двух операций.

Шаг 2: Следите за тем, остаются ли самолеты в пределах зоны своего захода на посадку.

Бесконфликтный план остается полезным только в том случае, если воздушное судно фактически ему соответствует. Система мониторинга соответствия сравнивает заявленное состояние воздушного судна с разрешенным или заявленным объемом полетов и подает сигнал тревоги, когда транспортное средство приближается к его границам или выходит за их пределы.

Это не просто небольшое дополнение. Предложенная FAA структура полетов за пределами прямой видимости (BVLOS) прямо рассматривает стратегическое предотвращение конфликтов в сочетании с контролем соответствия, а исследование НАСА 2025 года, посвященное риску столкновений, показало в ходе моделирования, что сочетание стратегического предотвращения конфликтов перед вылетом с контролем соответствия может обеспечить более безопасное управление смешанным воздушным движением, чем одно лишь стратегическое предотвращение конфликтов, когда некоторые воздушные суда становятся несоответствующими требованиям или не выполняют условия полета.

В системах с поддержкой ИИ именно здесь может пригодиться прогнозирование. Модель может оценить, насколько вероятно, что отклонение перерастет в конфликт до того, как будет превышен жесткий пороговый уровень. Но прогнозирование должно дополнять, а не заменять детерминированные пределы соответствия.

Практическое действие: отделить «прогнозирование» от «нарушения». Пусть ИИ оценивает будущие риски, а система отслеживаемых правил определяет, когда операция формально не соответствует требованиям.

Шаг 3: Перепланируйте маршрут при изменении воздушного пространства.

После взлета могут возникнуть конфликтные ситуации: смещается атмосферный фронт, появляется приоритетная миссия, беспилотник неожиданно замедляет ход или изменяется ограничение воздушного пространства. В этот момент системе требуется нечто большее, чем просто планирование перед полетом. Необходимо перепланирование с учетом скользящего горизонта: многократная оценка следующего участка каждой траектории и предложение безопасных альтернатив до того, как ситуация станет критической.

Руководство EASA допускает обновление действующего разрешения, если это не создает новых конфликтов, и описывает оповещение или обновление разрешения в случае, когда динамические ограничения или условия движения создают риск для полета. Это полезная архитектурная модель даже за пределами Европы: различать запланированные действия и активные ограничения и делать каждое обновление в середине полета явным и синхронизированным для всех участников.

В данном случае могут помочь методы оптимизации, поскольку существует множество допустимых решений. Один маршрут может минимизировать задержки, другой — энергопотребление, третий — риски на дороге, а четвертый — создавать помехи для более приоритетного трафика. Методы искусственного интеллекта, такие как эвристический поиск, многоагентное планирование или алгоритмы обучения, могут ранжировать эти варианты быстрее, чем диспетчер-человек смог бы оценить их по одному.

Практическое действие: определите целевую функцию до выбора алгоритма. Система предотвращения конфликтов должна знать, оптимизирует ли она запас безопасности, выполнение миссии, задержку, запас заряда батареи, справедливость или какую-либо взвешенную комбинацию. В противном случае «оптимальный маршрут» не имеет практического смысла.

Шаг 4: Обеспечьте четкое разграничение тактического и предотвращенного столкновений.

Распространенное заблуждение заключается в том, что тактическое предотвращение конфликтов и предотвращение столкновений — это одно и то же. Это не так. В руководстве ИКАО по управлению воздушным движением в условиях неопределенности стратегические меры по предотвращению конфликтов, тактическое эшелонирование и предотвращение столкновений рассматриваются как отдельные уровни. Стратегические механизмы снижают вероятность столкновения воздушных судов. Тактическое эшелонирование реагирует на возникающие конфликтные ситуации в полете. Предотвращение столкновений является последним защитным барьером, когда предыдущие уровни защиты оказались неэффективными или возникает неожиданная опасность.

Такое разделение обязанностей имеет важное значение для ИИ. Модель машинного обучения, которая рекомендует изменить маршрут за несколько минут до потенциального конфликта, принципиально отличается от бортовой системы, выполняющей маневр уклонения в последнюю секунду. У них разные требования к задержке, обеспечению надежности, датчикам и сертификации.

Практические действия: документируйте, какой слой отвечает за каждое решение. Не позволяйте наземному оптимизатору маршрутов незаметно превратиться в систему предотвращения столкновений только потому, что он может быстро выдавать рекомендации.

Где ИИ может принести реальную пользу

Искусственный интеллект наиболее полезен там, где пространство поиска становится слишком большим для простых правил, но при этом решение все еще может быть ограничено жесткими требованиями безопасности. Выделяются четыре области.

В этом направлении ведутся активные исследования, но степень их зрелости различна. В техническом меморандуме НАСА от 2025 года по глубокому обучению с подкреплением представлена ​​имитационная модель для обеспечения тактического разделения и сообщается о предварительных улучшениях в обучении в сценариях попарных конфликтов. Это многообещающие исследования, но не доказательство того, что агент, использующий обучение с подкреплением без ограничений, готов управлять потоком беспилотных летательных аппаратов.

Аналогичным образом, автономная служба утверждения планов полетов совместного предприятия SESAR описывается как работающая на основе ИИ, но ее текущий уровень зрелости указан как V1/TRL2 и находится в стадии разработки. В рамках проекта BUBBLES организации SESAR также исследовалось, как ИИ может динамически управлять минимальными интервалами эшелонирования, учитывая риски, вносимые самим ИИ.

Практические действия: классифицировать возможности ИИ по степени зрелости. Разделять исследовательские прототипы, поддержку принятия оперативных решений и функции, обеспечивающие безопасность, вместо того, чтобы представлять их как одну категорию.

Самое сложное — это обеспечение гарантий, а не составление маршрута.

Создание маршрута без конфликтов представляет собой вычислительную задачу. Доказать, что вся система безопасно работает при наличии некорректных данных, сбоев, несогласованных часов, кибер-инцидентов, множества поставщиков услуг и несовместимого трафика, — задача более сложная.

Текущая программа FAA по управлению воздушным движением с использованием универсальных систем (UTM) делает акцент на совместимости поставщиков услуг, обмене данными, управлении и автоматизированном тестировании. Эти системные свойства так же важны, как и сам алгоритм. Если два поставщика услуг получают одно и то же намерение, а один из них обрабатывает его по-разному из-за скрытого поведения модели, операторам необходимо знать причину. Если модель зависит от устаревших метеорологических данных, система должна иметь ограниченный ответ. Если сетевое соединение ухудшается, необходим заранее согласованный резервный вариант, а не импровизация.

В проекте NASA «Инструментарий планирования на случай непредвиденных обстоятельств» , обновленном в январе 2026 года, поднимается аналогичный вопрос: будущие концепции управления воздушным движением и передовой воздушной мобильности предполагают повышение автономности, использование искусственного интеллекта и машинного обучения, но скоординированное реагирование на непредвиденные обстоятельства по-прежнему будет требовать целенаправленного взаимодействия человека и автоматизированных систем.

Практические действия: спроектируйте режимы отказов до оптимизации оптимального сценария. Определите, что происходит, когда телеметрия поступает с задержкой, поставщик услуг недоступен, уверенность в прогнозе падает или самолет перестает соответствовать требованиям.

Практическая архитектура: от простого к сложному

1. Нормализуйте данные. Используйте общепринятые соглашения по координатам, высоте, времени, тождеству и неопределенности.
2. Обсудите оперативные цели. Обеспечьте доступ к 4D-объемам для авторизованных участников.
3. Проводите детерминированные стратегические проверки. Исключите очевидные пересечения перед выездом.
4. Контроль соответствия. Выявление случаев отклонения реального поведения в полете от намерений.
5. Добавить перепланирование с использованием скользящего горизонта. Пересчитывать безопасные варианты по мере изменения ограничений.
6. Используйте ИИ для ранжирования и прогнозирования. Ускорьте принятие решений, не снимая жестких ограничений безопасности.
7. Поддерживайте тактическое и бортовое ограждение. Обеспечьте наличие тактического эшелонирования и средств предотвращения столкновений, если предыдущие уровни защиты недостаточны.
8. Обеспечьте бесперебойную работу сети. Проверьте совместимость, работу в ухудшенных режимах, кибербезопасность, справедливость распределения ресурсов, объяснимость и процедуры восстановления.

Такой подход предотвращает распространенную инженерную ошибку: создание впечатляющей модели до того, как система получит надежные данные о намерениях, общие правила и границы безопасности.

Самопроверка: действительно ли ваша система разрешения конфликтов готова?

Прежде чем называть платформу «UTM-системой на основе ИИ», протестируйте её, ответив на вопросы, которые выявят архитектурные недостатки:

• Можно ли представить каждую запланированную операцию в виде ограниченного по времени четырехмерного объема с учетом погрешностей?
• Может ли система обнаруживать конфликты без машинного обучения, если компонент искусственного интеллекта недоступен?
• Являются ли правила приоритета и справедливости четко определенными, последовательными и подлежащими проверке у разных поставщиков услуг?
• Позволяет ли мониторинг соответствия отличать нормальную ошибку навигации от истинного эксплуатационного отклонения?
• Могут ли динамические ограничения, изменения погоды и чрезвычайные ситуации инициировать синхронное перепланирование?
• Рассматриваются ли стратегическое предотвращение конфликтов, тактическое разделение и предотвращение столкновений как отдельные уровни безопасности?
• Может ли оператор понять, почему маршрут был отклонен, задержан или изменен?
• Была ли система протестирована с использованием устаревших данных, при потере связи, с несоответствующими требованиям летательными аппаратами и в условиях конфликта интересов между поставщиками услуг?
• Оцениваются ли модели ИИ по характеру отказов, а не только по средней эффективности оптимизации?
• Существует ли определенное безопасное состояние, когда сети или уровню прогнозирования нельзя доверять?

Если на несколько вопросов ответ «нет», то, вероятно, следующие инвестиции следует направить на повышение качества данных, обеспечение совместимости, мониторинг соответствия или гарантии качества, а не на разработку более сложной модели ИИ.

Итог

Задача управления воздушным движением в условиях низкой высоты не решается одним алгоритмом. Для обеспечения видимости воздушного движения в плотном малом воздушном пространстве необходим целый комплекс мер защиты: согласованные намерения для обеспечения видимости воздушного движения, стратегическое предотвращение конфликтов для устранения предсказуемых ситуаций, мониторинг соответствия для обнаружения отклонений, тактические службы для реагирования на меняющиеся условия и предотвращение столкновений в качестве последнего барьера. Искусственный интеллект может ускорить и адаптировать этот комплекс мер, прогнозируя конфликты и осуществляя поиск в большом количестве альтернативных траекторий, но он должен работать в рамках проверяемых ограничений.

Сегодня наиболее целесообразно рассматривать предотвращение конфликтов с помощью ИИ не как автономного авиадиспетчера, заменяющего все, что находится под ним, а как уровень принятия решений, который становится ценным только после того, как базовая экосистема UTM станет совместимой, наблюдаемой и безопасной в случае ошибки или недоступности ИИ.