Da sempre l’industria aeronautica e l’innovazione tecnologica sono unite imprescindibilmente. A partire dal 1903, abbiamo assistito, di decennio in decennio, a una
rivoluzione nel nostro modo di volare esponenziale e continua: motori a reazione, tecnologia FBW, volo supersonico, strutture in composito, droni, abbattimento di inquinamento acustico e atmosferico e SAF sono solo una minima parte della maratona che ci ha portato agli standard odierni.
Il settore del trasporto aereo, ovviamente, non ha mai vissuto un’immediata implementazione delle ultimissime tecnologie lanciate sul mercato a causa del titanico – ma fondamentale – sistema legislativo che ha la spaventosa responsabilità di farsi da garante della sicurezza dei nostri cieli e che, di conseguenza, necessita di impressionanti quantità di tempo e di risorse per certificare la qualità di aeromobili e tecnologie imbarcate. Questo però non sta affatto smorzando il dibattito crescente in tutto il mondo riguardo l’ingresso in campo di due dei più importanti player di questo decennio, capaci di rivelarsi potenzialmente veri e propri game-changer: l’Intelligenza Artificiale (AI) e il Machine Learning (ML), che, in un teatro vasto e fertile come quello europeo, hanno già attirato l’attenzione di tutte le principali aziende e istituzioni del settore, monopolizzando summit, ricerca, trattazioni e investimenti.
AI, ML, DL, NN: cosa significano
Prima di poter effettivamente spiegare le nostre ali e passare a volo d’uccello sui più importanti progetti di applicazione attualmente in cantiere, è necessario però fermarsi un attimo e comprendere, anche solo approssimativamente, la natura di queste due realtà.
L’intelligenza artificiale è la capacità di un computer di elaborare dati e di usarli per portare a termine al meglio compiti specifici, sfruttando processi più vicini a quelli del cervello umano e superando quindi le capacità delle altre macchine: infatti, sono in grado di svolgere task più complessi che richiedano competenze di ragionamento, capacità di distinzione tra le casistiche possibili e iniziativa decisionale.
Per ottenere questo risultato, gli sviluppatori si sono concentrati su cinque aspetti dell’intelletto umano:
- Apprendimento, dal semplice trial and error a una più avanzata capacità di generalizzare;
- Ragionamento, sia induttivo che deduttivo, applicato allo specifico settore di impiego dell’AI in questione;
- Problem solving, tramite la combinazione di possibili azioni fino all’ottenimento di una soluzione adeguata al raggiungimento dell’obiettivo prefissato;
- Percezione e sensibilità, scansionando l’ambiente circostante, riconoscendo i singoli elementi che lo compongono e le loro relazioni spaziali;
- Utilizzo e comprensione del linguaggio, verbale e simbolico.
Le sue applicazioni possono essere divise tra model-driven (AI simboliche) e data-driven (AI statistiche) e, al contrario di quanto si possa pensare, rappresenta una tecnologia relativamente datata, vedendo gli albori alla fine degli anni ‘40.
Il Machine Learning, invece, è una branca dell’AI che si occupa dello sviluppo di processori finalizzati a rispondere a una gamma di input più vasta dei casi esplicitamente programmati al loro interno, e di algoritmi in grado di migliorarsi e adattarsi, analizzando le proprie performance e altri dati ricevuti in ingresso. Fa parte del ML il Deep Learning (DL), ovvero un potenziamento delle capacità di apprendimento dato dall’impiego di reti neurali (Neural Networks, NN). Sono proprio queste due ultime tecnologie a essere attualmente il cardine degli studi dei massimi esperti nel settore, al lavoro senza sosta per poter dare loro un futuro all’interno dei cockpit, dei centri operativi e delle sale di controllo di tutto il mondo.
Campi di applicazione
In che modo l’AI e il ML verranno impiegati nell’industria aeronautica europea?
Dato il suo enorme potenziale, un ulteriore sviluppo di queste tecnologie è di importanza strategica per il Vecchio Continente, come sottolinea anche Eurocontrol nel suo report “Fly AI” del 2020 e i possibili interventi, su cui si è largamente spesa anche l’EASA durante la stesura dell’“AI Roadmap”, possono essere operati in tantissimi campi e in modalità molto variegate. Gli impatti sul mondo dell’aviazione saranno decisivi e porteranno a un cambiamento radicale dalle sue stesse fondamenta.
Sistemi di bordo
Una delle prime implementazioni che possono venire in mente è senz’altro in cabina, al fianco dei piloti. Nonostante l’idea di essere prossimi allo sviluppo di velivoli da trasporto a guida autonoma (ipotizzata tra l’altro anche da Airbus durante lo studio del 2050 Concept Aircraft®) possa essere suggerita facilmente dall’incredibile sviluppo e conseguente progresso dell’industria dei droni, soluzioni davvero realizzabili e conformi agli sforzi degli enti normatori in materia verteranno sull’alleggerimento del carico di lavoro dell’equipaggio e sulla messa in funzione di altre barriere attive concorrenti all’incremento del livello di safety dell’aeromobile: infatti, sfruttando le migliaia di sensori già presenti a bordo di ogni velivolo, si potranno sviluppare sistemi capaci di anticipare situazioni potenzialmente rischiose e di avvertire i piloti. Si sarà in grado di ottimizzare i profili di volo, supportare gli equipaggi nello svolgimento di operazioni specifiche – mansione per cui le AI sono particolarmente predisposte – e, grazie alle capacità di queste ultime, di sintetizzare migliaia di stimoli, impulsi e dati strumentali in modelli di più immediata comprensione. Di conseguenza, si potrà ottenere un incremento della situational awareness e un alleggerimento dei fattori di stress, massimizzando il controllo del comandante e mantenendolo al centro del processo decisionale.
Maintenance e Ground Operations
Anche la manutenzione potrà beneficiare dell’eventuale upgrade applicato all’interfaccia aereo-sensoristica tramite NN. Questa tipologia di interventi sarà in grado di permettere alla macchina stessa di identificare in maniera preventiva la necessità di operazioni di riparazione mirata, anticipando guasti (con conseguenti perdite date dalla messa a terra) e semplificando le attività di diagnostica manutentiva. Uno studio della FUMEC University stima che la sola manutenzione preventiva potrebbe addirittura aumentare il tempo in volo del 35%, ed è inutile dire che tempistiche di diagnostica e di manutenzione minori significherebbero un carico minore sul personale di terra, con un netto miglioramento della qualità del lavoro svolto e dello stress sugli operatori.
ATM
Un settore ancora più interessato all’applicazione di queste tecnologie è quello dell’Air Traffic Management, in cui, oltre ai tool di assistenza automatizzata al controllo del traffico già largamente utilizzati, si lavora su una nuova implementazione di sistemi ML in grado di ottimizzare la pianificazione (progetto INTUIT), consigliare agli operatori torre e ground risoluzioni per evitare collisioni (tecnologia studiata e già testata dal Singapore ATM Research Institute), ottimizzare tutte le operazioni e separare in maniera migliore gli aerei in termini di tempo e prevenzione da wake turbulence (un software analogo è già in funzione presso l’aeroporto di Heathrow, Londra). Anche le comunicazioni tra controllore e cabina possono essere potenziate, grazie a software speech-to-text specifici, addestrati per riconoscere il gergo proprio aeronautico, che riporteranno le trascrizioni di tutte le comunicazioni effettuate, facilitando la comprensione e alleggerendo il carico di lavoro.
Environment
Se quanto detto finora riguardava esclusivamente l’ottimizzazione e la messa in sicurezza dei velivoli, non si deve pensare che non sia possibile raggiungere obiettivi di più larga veduta: oltre alla realizzazione di rotte eco-friendly riducendo i consumi, tecnologie più avanzate di assessment, messe a disposizione di agenzie come l’EASA, riusciranno a definire delle strategie aeroportuali e operative più solide a sostegno dell’ambiente, analizzando con ottica nuova i dati e le informazioni già disponibili, e avvicinando sempre di più il settore aeronautico al minore impatto climatico possibile.
I player europei
Molte realtà del continente hanno già cominciato a definire strategie di ricerca, a stanziare risorse e persino a portare a termine sperimentazioni su prototipi: infatti, a presenziare come relatori del Panel 6 (AI in Aviation) al Global Symposium on Implementation of Innovation in Aviation, tenuto dall’ICAO nel 2020, troviamo quasi esclusivamente attori europei. La divisione amministrativo-legislativa è rappresentata da EUROCAE, EASA ed EUROCONTROL; la controparte industriale vede invece schierati i colossi Airbus e Thales: su cosa stanno lavorando?
EASA: la strategia europea e le sfide
Come pilastro dell’intera legislazione aeronautica europea, l’EASA, è stata tra i primi a muoversi all’interno di questo contesto in Europa, una volta captati i segnali di forte interesse dalle aziende del settore. Già a febbraio 2020, l’agenzia aveva delineato un piano d’azione complesso e preciso per coordinare le priorità, gli sforzi di ricerca e i disegni di applicazione con i partner interni ed extracomunitari, una vera e propria “AI Roadmap” che potesse tracciare il percorso da intraprendere in maniera inequivocabile.
Per concentrare al meglio gli sforzi comuni, i progetti di intervento futuri vennero divisi in tre fasi progressive all’interno di un piano disegnato per concludersi con l’utopico traguardo della certificazione dei velivoli a guida autonoma:
- Esplorazione e prime linee guida per le implementazioni di livello 1-3 (sistemi preposti rispettivamente all’assistenza all’equipaggio nelle attività di routine, al controllo reciproco pilota-computer e allo svolgimento funzioni circoscritte in completa autonomia da parte della macchina) entro il 2024;
- Consolidamento delle sovrastrutture in interfaccia con le AI e stesura delle regolamentazioni ufficiali, mantenendo diluite nel periodo di lavoro (2024-2028) le scadenze per ogni livello;
- Adattamenti aggiuntivi dettati da future innovazioni delle AI, operazioni single-pilot e autonomous (2028+).
Al momento, il dibattito si sta concentrando sull’approccio etico da adottare per assicurarsi una tutela dei cittadini europei e una condivisione dei principi di lavoro con altre realtà al di fuori del territorio dell’Unione. La Commissione ha identificato, con il supporto di un gruppo di esperti ad alto livello del settore, sette aree di lavoro cruciali per il raggiungimento dell’AI Trustworthiness, che rappresenteranno i criteri utilizzati per determinare l’affidabilità una tecnologia basata su AI, ML o DL: responsabilità, solidità software/hardware e safety, supervisione, privacy, non discriminazione e pari opportunità, trasparenza e benessere digitale e sociale.
Gli esperti si sono inoltre occupati di delineare le sfide che attualmente precludono ai sistemi basati su ML o DL i requisiti per una futura certificazione, come la difficile comprensione di certe architetture o algoritmi, le difficoltà a predire e comprendere alcuni comportamenti che potrebbero scaturire a seguito dell’integrazione del ML e la mancanza di standard per valutare l’operato di simili macchine.
EUROCAE Working Group 114 (SAE G-34/EUROCAE WG-114): Come si standardizza un equipaggio digitale
Su quest’ultimo punto si è largamente spesa l’EURopean Organization for Civil Aviation Equipment, un ente preposto alla standardizzazione dei sistemi aeronautici di terra e imbarcati, che, in collaborazione con SAE (Society of Automotive Engineers), sta studiando lo sviluppo di una tassonomia compatibile con sistemi aeronautici comprensivi di AI e di un procedimento standard di certificazione.
L’idea che hanno sviluppato è senz’altro affascinante: studiare il processo già in uso per il personale di volo, destrutturarlo nei requisiti fondamentali e applicarlo a delle reti neurali. Se i piloti devono frequentare una scuola di volo per ottenere un brevetto, lo stesso, figurativamente, dovranno fare le intelligenze artificiali: infatti, verranno sottoposte a un vero e proprio periodo di formazione in cui apprenderanno, con il supporto di immense banche dati, come combinare le azioni a loro possibili per raggiungere il risultato atteso. Inoltre, a differenza di un umano, ogni sistema AI potrà essere addestrato e testato su migliaia di casistiche diverse in una volta sola, grazie alla sua capacità intrinseca di poter lavorare in parallelo su altre macchine. A questa opportunità si sta affiancando, però, una nuova sfida: affinché non vengano implementati errori dovuti alla semplificazione o a una sbagliata lettura dei rapporti causali che regolano certi fenomeni fisici durante le simulazioni, gli strumenti destinati all’AI training e i modelli di volo dovranno ricalcare il più fedelmente possibile la realtà, con una precisione irraggiungibile persino per i più avanzati sistemi del momento.
Airbus e il progetto ATTOL
Finora si è trattato esclusivamente di progetti, iniziative, linee guida e ipotesi, ma se volessimo 
vedere qualche applicazione già pronta e in attesa di essere implementata nel settore? È ora il caso di spostarci a Blagnac, cittadina satellite di Tolosa e quartier generale della più grande produttore di aerei commerciali al mondo: Airbus, che nel 2020 riuscì ad aggiudicarsi due primati assoluti nel mondo dell’aeronautica con il progetto ATTOL.
ATTOL è l’acronimo di Autonomous Taxi, Take/Off & Landing, un sistema vision-based in grado di gestire queste tre fasi di volo in modo completamente automatico, basandosi sulla sola tecnologia di riconoscimento di immagini. Ciliegina sulla torta, il candidato scelto per lo sviluppo e il testing fu niente meno che un A350-1000, punta di diamante della casa produttrice.
Il progetto nacque nel 2018 come esperimento dell’azienda per capire quanto e come aumentare l’automatizzazione dei processi all’interno della sua flotta e, già un anno dopo, rese possibile il primo decollo in completa autonomia di un aereo in assoluto, lasciando un segno indelebile nella storia dell’innovazione aeronautica. Per poterci riuscire, furono implementati sistemi di image recognition and processing, con il compito di riconoscere piste e taxiway sotto qualsiasi possibile angolazione e condizione di visibilità, al posto dell’ILS. Nei primi due anni, l’A350 modificato effettuò 500 voli controllati, esclusivamente per la raccolta di dati, e una trentina di decolli e atterraggi automatici, avvenuti in completa sicurezza. La prima missione che vide schierato il velivolo fuori dalla veste di testbench, fu un volo diretto a Pechino per ricevere attrezzatura medica da distribuire negli ospedali europei al fine di fronteggiare l’emergenza COVID-19 (giugno 2020), e segnò la seconda pietra miliare del progetto, il primo atterraggio automatico controllato esclusivamente da un’intelligenza artificiale.
Nonostante gli ottimi risultati, Airbus non si dichiara particolarmente interessata allo sviluppo del volo totalmente automatizzato nel breve termine, ma riconosce che il suo studio potrà dare vita a moltissime tecnologie altrettanto interessanti e applicabili una volta che gli enti preposti saranno pronti a certificarle. In questo modo, l’azienda sarà in grado di individuare e affrontare in maniera proattiva le sfide che il settore potrà incontrare nei prossimi anni, come la necessità di un potenziamento dell’ATM, la carenza di personale di volo o l’efficientamento delle operazioni future, senza compromettere il livello di sicurezza attuale, il più alto mai raggiunto.
Altre applicazioni rilevanti
Il catalogo di applicazioni AI/ML per l’aviazione non si ferma di certo alla prima voce: infatti, sono già più di 20 le tecnologie attualmente realizzate e parzialmente entrate in servizio. Ottimi esempi possono essere:
- Traffic Prediction Improvement, un algoritmo ML-based in grado di prevedere le rotte e le traiettorie aeree, convertendole in vettori quadridimensionali (posizione, altitudine, velocità), proporre risoluzioni a possibili conflitti e aumentare di conseguenza le informazioni a disposizione dei controllori di Il Sistema È Operativo Presso L’Eurocontrol Maastricht Upper Area Control;
- Aimee, un sistema vision-based sviluppato da Searide Technologies e attualmente impiegato all’aeroporto di Heathrow, in grado di seguire i movimenti degli aeromobili sulle due piste e informare i controllori quando queste sono state liberate grazie all’utilizzo di 20 telecamere UHD disposte lungo i margini, rendendo così possibile un incremento della capacità di atterraggio dell’aerodromo nel pieno rispetto delle tabelle di marcia delle compagnie;
- Pureflyt, un rivoluzionario FMS realizzato da Thales, ideato per combinare al meglio safety, security, risparmio di carburante ed efficienza operativa. È in grado di assistere equipaggi e operatori a terra nel processo decisionale, integrando informazioni da fonti aggiuntive e calcolando traiettorie alternative in tempo reale per saper rispondere in modo appropriato a un potenziale cambio di rotta in qualsiasi momento. Un suo sottosistema può inoltre concorrere all’Airspace Complexity Prediction and Management Analysis, prendendo in considerazione le traiettorie 4D del traffico aereo e suddividendo di conseguenza lo spazio destinato a ogni controllore/frequenza, al fine di semplificare il più possibile il carico di lavoro e le operazioni in generale. Si è dimostrato garante di performance nettamente migliori e di una maggiore reattività del velivolo;
- TCAS Evolution, una versione migliorata del sistema di prevenzione delle collisioni in volo, proposta da Honeywell e Sesar, come parte di un più vasto ecosistema ML-based. Questo sistema è in grado di consigliare delle migliori risoluzioni rispetto al suo predecessore, tenendo conto dello stato di entrambi i velivoli e delle loro possibili necessità future;
- eHang, una compagnia cinese presieduta da Edward Xu, che si occupa della realizzazione di velivoli a guida autonoma destinati alla mobilità urbana individuale. Oltre a concentrarsi sul solo sviluppo tecnologico, questi ottocotteri strizzano l’occhio all’ambiente, riducendo il traffico su strada ed essendo completamente elettrici e ricaricabili esclusivamente da fonti rinnovabili e, per quanto sembrino appartenenti a un futuro ancora lontano, sono già stati testati in varie parti del mondo, totalizzando più di 10000 ore di volo e 6000 passeggeri passando a pieni voti test sulla resistenza a temperature e meteo estremi.
Nonostante questi progetti sembrino aprire l’orizzonte all’infinito, simili innovazioni rimangono remote nel futuro, anche perché molte scadenze, all’epoca fissate per un 2020 ancora lontano, non sono tutt’ora state raggiunte. Tuttavia, sarebbe irragionevole pensare che il progresso in campo aeronautico possa davvero trovare una battuta di arresto mentre tutto attorno si continua a correre a una velocità impressionante, specie ricordandoci che questo, per un’infinità di ragioni, non può permettersi di essere un settore innovatore. Potremo sicuramente apprezzare lo stravolgimento che queste tecnologie porteranno nelle strutture e sovrastrutture dell’industria aerospaziale (particolarmente in quella civile) di tutto il mondo e, con ogni probabilità, ne saremo noi stessi parte attiva. Si tratta semplicemente di aspettare un treno – o, in questo caso, un volo – che passerà lo stesso, solo un pelino più tardi.
A CURA DI
Edoardo Blanco
Fonti:
Britannica.com – Definizione di AI, ML, DL e NN
EASA, “AI Roadmap – A human-centric approach to AI in aviation”, 2020 (link al pdf)