論文の概要: Toward a Decision-Assurance Layer for AI-Assisted Flight Planning in Air Traffic Management

• arxiv url: http://arxiv.org/abs/2609.13552v1
• Date: Fri, 11 Sep 2026 21:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.393375
• Title: Toward a Decision-Assurance Layer for AI-Assisted Flight Planning in Air Traffic Management
• Title（参考訳）: 航空交通管理におけるAI支援飛行計画のための決定保証層を目指して
• Abstract要約: 本稿では,モデルに依存しない意思決定保証アーキテクチャであるAI Trust and Assurance Layer (ATAL)を提案する。 ATALはAIによって生成された飛行計画出力が運用に十分な信頼性を持つかどうかを評価する。 航空で実証されているが、この枠組みは他の安全クリティカルな決定支援ドメインにも転送可能である。
• 参考スコア（独自算出の注目度）: 37.2360395854375
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative AI is increasingly being used informally in Air Traffic Management (ATM) for tasks such as flight plan generation, trajectory interpretation, and constraint checking. Although these tools can reduce workload and accelerate planning, their non-deterministic outputs create safety and operational risks in human-in-the-loop settings. This paper proposes the AI Trust and Assurance Layer (ATAL), a model-agnostic decision assurance architecture that evaluates whether AI-generated flight-planning outputs are sufficiently reliable for operational use. ATAL combines semantic stability under prompt variation, operational consistency of structured outputs, and normative constraint validation against domain rules, and maps these signals to a Decision Readiness Level (DRL) for human operators. An ATM-inspired experimental study shows how unsafe, inconsistent, or misleading outputs can be identified before influencing flight-plan validation or execution. Although demonstrated in aviation, the framework is also transferable to other safety-critical decision-support domains that require human oversight under regulatory constraints.
• Abstract（参考訳）: ジェネレーティブAIは、フライトプラン生成、軌道解釈、制約チェックといったタスクに、ATM(Air Traffic Management)で非公式に使用されるようになってきている。 これらのツールは、作業負荷の削減と計画の高速化を可能にするが、決定論的でないアウトプットは、ループ内設定における安全性と運用上のリスクを生み出す。 本稿では,AI生成した飛行計画出力が運用に十分な信頼性を持つかどうかを評価するモデルに依存しない決定保証アーキテクチャであるAI Trust and Assurance Layer (ATAL)を提案する。 ATALは、迅速な変動、構造化された出力の運用上の一貫性、ドメインルールに対する規範的制約検証を組み合わせ、これらの信号を人間のオペレータのための決定準備レベル(DRL)にマッピングする。 ATMにインスパイアされた実験では、飛行計画の検証や実行に影響を及ぼす前に、安全でない、一貫性のない、あるいは誤解を招くアウトプットをどうやって特定できるかが示されている。 航空で実証されているが、この枠組みは、規制上の制約の下で人間の監督を必要とする他の安全クリティカルな決定支持ドメインにも転送可能である。

関連論文リスト

• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• GuardAD: Safeguarding Autonomous Driving MLLMs via Markovian Safety Logic [51.85782253444399]
  MLLM(Multimodal large language model)は、自律運転システムに統合されつつある。 それらは、特に事故を起こしやすいシナリオにおいて、多様な安全上の脅威に弱いままである。 我々は,AD安全性を進化するマルコフ論理状態として定式化するモデル非依存型安全ガードであるGardadを提案する。
  論文  参考訳（メタデータ） (2026-05-11T11:28:03Z)
• SAGE-LLM: Towards Safe and Generalizable LLM Controller with Fuzzy-CBF Verification and Graph-Structured Knowledge Retrieval for UAV Decision [46.089736018739295]
  大型言語モデル (LLM) には、ドメイン固有のUAV制御知識と正式な安全保証がない。 本稿では,LLMに基づく列車自由な2層決定アーキテクチャを提案し,低レベルの高精度制御と高レベルの安全計画を統合する。
  論文  参考訳（メタデータ） (2026-02-27T06:41:04Z)
• A Future Capabilities Agent for Tactical Air Traffic Control [0.0]
  エージェント・マラード(Agens Mallard)は、システム化された空域における制御のためのルールベースの戦術的エージェントである。 このアーキテクチャは、モデルに基づく安全性評価、解釈可能な決定論理、およびトラクタブルな計算性能を組み合わせることを意図している。
  論文  参考訳（メタデータ） (2026-01-07T14:19:46Z)
• Assured Autonomy: How Operations Research Powers and Orchestrates Generative AI Systems [18.881800772626427]
  生成モデルは、実現可能性、分散シフトに対する堅牢性、ストレステストを提供するメカニズムと組み合わせない限り、運用領域で脆弱である可能性がある、と我々は主張する。 我々は,運用研究に根ざした自律性確保のための概念的枠組みを開発する。 これらの要素は、安全クリティカルで信頼性に敏感な運用領域における自律性を保証するための研究アジェンダを定義する。
  論文  参考訳（メタデータ） (2025-12-30T04:24:06Z)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Towards Engineering Fair and Equitable Software Systems for Managing Low-Altitude Airspace Authorizations [40.00051324311249]
  小型無人航空機システム (SUAS) は様々な用途に広く採用されている。 FAA(連邦航空局)は、そのミッションを安全に完了させるSUASの予測能力に基づいて、空域へのアクセスを制御するUAS Traffic Management(UTM)システムを開発している。 本稿では,自動システムにおいて考慮すべき要因について,利害関係者の視点を考察する。
  論文  参考訳（メタデータ） (2024-01-14T19:40:32Z)
• Automating the resolution of flight conflicts: Deep reinforcement learning in service of air traffic controllers [0.0]
  難易度と複雑な航空交通シナリオは、今日の航空交通管制官(ATCO)が使用している戦術的衝突検知・分解(CD&R)ツールよりも高いレベルの自動化を必要とする。 本稿では,各エージェント(飛行士)が他のエージェントと共同でCD&Rタスクを行うマルチエージェント環境でグラフ畳み込み強化学習手法を提案する。 本手法は,運用上の透明性問題に対処するため,利害関係者(航空管制官及び航空管制官)に対して高品質なソリューションを提供することができることを示す。
  論文  参考訳（メタデータ） (2022-06-15T09:06:58Z)
• Uncertainty Quantification and Propagation for Airline Disruption Management [0.0]
  航空会社のスケジューリングプロセスにおける破壊管理は、プロアクティブなプロセスとリアクティブなプロセスに分割することができる。 本稿では,航空事故対策における不確実性を特徴付ける不確実性伝達関数モデル(UTFM)を提案する。
  論文  参考訳（メタデータ） (2021-02-09T21:57:04Z)
• Runtime Safety Assurance Using Reinforcement Learning [37.61747231296097]
  本稿では,安全でない状況を高精度に識別できるメタコントローラを設計することを目的とする。 我々は,RTSAの設計をマルコフ決定プロセス(MDP)と組み合わせ,強化学習(RL)を用いて解決する。
  論文  参考訳（メタデータ） (2020-10-20T20:54:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。