在机场地面交通管理中，哪怕是极小的疏忽都可能酿成严重事故。卡内基梅隆大学机器人研究所 AirLab 团队依托匹兹堡超级计算中心（PSC）的 Bridges-2 超级计算机，开发出一套名为 World2Rules 的人工智能系统。该系统基于机场运行数据和历史事故报告，自动学习安全规则，帮助空管人员在碰撞发生前识别潜在风险。相关研究已发布在 arXiv 预印本平台。
跑道入侵风险与研究动机
2026 年 3 月 12 日，纽约 JFK 机场发生了一起惊险事件。一名空中交通管制员要求刚刚落地的加拿大航空航班在穿越跑道前等待，以避开正在降落的长荣航空飞机。加拿大航空机组口头确认了指令，却随即开始滑行，而此时长荣航班仍以高速接近。
关键时刻，管制员迅速发出“停停停停”的紧急指令，加拿大航空飞机立即刹停，长荣航班从其前方安全掠过，避免了一场可能极为严重的跑道碰撞。
“我们一直在思考，如何提升航空以及其他安全关键领域的整体安全性。”卡内基梅隆大学机器人研究所 AirLab 学生 Jack Wang 表示。
“这个项目的灵感，来自新闻中频繁出现的跑道入侵事件……有些只是轻微事件，但有些可能会演变成灾难。”
Wang 与同为 Scherer 课题组成员的 Jay Patrikar 希望设计出一种系统，不仅能在碰撞即将发生时发出警报，更能提前预测未来一段时间内可能出现的危险情形，为飞行员和管制员争取更多反应时间。
为构建、训练和测试这一方法，他们通过美国国家科学基金会（NSF）支持的 ACCESS 超算网络，获得了 PSC Bridges-2 系统的大规模计算资源。
Bridges-2 超算提供的数据与算力基础
在 World2Rules 之前，AirLab 与 BIG 实验室联合开发了 Amelia-42 数据集。Amelia-42 汇集了美国 42 座机场两年间由美国联邦航空管理局（FAA）记录的原始地面移动数据。
在此基础上，团队希望将 World2Rules 打造成合作伙伴更大一套碰撞预测流程中的关键组件：
- 利用 Amelia 数据自动学习机场运行中的“安全规则”；
- 用这些规则来解释轨迹预测结果；
- 以人类可理解的方式指出潜在规则违规，从而提示可能的碰撞风险。
这一任务难度极高。为实现 World2Rules，研究人员对比了两类人工智能方法：
- 神经网络模型：模仿人脑结构，擅长从复杂数据中提取模式，但内部机理不透明，难以提供生命安全场景所需的形式化安全保证；
- 符号方法：基于人类可读的符号和逻辑规则，便于解释和验证，但对噪声大、不完备的数据适应性差。
机场运行记录中，大量是日常正常数据，真正涉及事故或异常的记录极少，且整体数据规模庞大、噪声复杂，传统符号方法难以直接处理。
Patrikar 和 Wang 最终选择采用 神经符号人工智能，将神经网络的模式识别能力与符号方法的可解释性结合起来。Bridges-2 在这一过程中发挥了关键作用：
- PSC 的用户管理和系统支持让团队可以专注于算法与模型本身；
- Bridges-2 能高效处理海量数据。Amelia-42 约含近 10 TB 原始数据，是普通高端笔记本硬盘容量的十倍，模型需要从中提取有用信息。
“我们基本上收集了美国所有机场的飞机地面移动数据。” Patrikar 介绍说，“数据流非常密集，大约每秒 1 兆比特，全年 24 小时不间断……数据量极其庞大……我们利用 PSC 训练了大型轨迹预测模型，这是首次尝试……我们的目标不是只在碰撞已经发生时才发现，而是提前预测未来是否会发生碰撞。”
World2Rules：从轨迹到可解释安全规则
团队提出的方法 World2Rules，从机场运行数据中自动提取一个生成规则的框架，这些规则既要与历史数据一致，又要便于人类理解和审查。
该方法综合利用：
- 大量正常运行数据；
- 少量异常和事故报告。
通过二者结合，World2Rules 生成基于历史事实的可解释安全规则，用于分析和评估未来的轨迹预测。
在整体系统中，研究人员构建了一个 AI 协同框架：
- Amelia-TF 负责生成飞机地面运动的轨迹预测；
- World2Rules 从数据中学习可解释的安全规则，用来分析、验证并解释 Amelia-TF 的预测结果，识别其中潜在的碰撞场景。
World2Rules 还能识别不可靠的证据，过滤掉困扰底层神经网络系统的错误输出。在识别潜在碰撞方面：
- 相比纯神经网络方法，World2Rules 的准确率提升了 23.6%；
- 相比纯符号方法，准确率提升了 43.2%。
相关成果已在 2026 年 5 月 5 日至 7 日于洛杉矶举行的 NASA 形式方法研讨会 上进行报告。
未来方向与跨领域应用潜力
研究表明，World2Rules 在可用数据越多时表现越好。目前系统主要基于某一时刻的“快照”来描述车辆及其运动状态。团队计划在后续工作中引入更丰富的时间演化信息：
- 将动态变化过程纳入建模；
- 更好地处理车辆行为中的不确定性和延迟效应。
尽管 World2Rules 是以机场跑道碰撞预防为目标设计的，但其方法本质上适用于任何具有类似结构的数据场景。研究人员预计，该系统可推广到其他需要交通控制和冲突避免的领域，例如：
- 复杂港口或铁路编组站调度；
- 自动驾驶车辆在交叉路口的协同；
- 无人机集群或低空交通管理等。
在这些场景中，World2Rules 同样可以通过从历史数据中学习可解释规则，为人类管控者提供透明、可审查的安全辅助决策支持。
