简介
本文编译了美国Transport and Telecommunication Institute协会发布的有关数字孪生技术用于机场交通管制构想的论文，作者使用数字孪生（Digital Twin）技术作为测试平台进行试验，使用特殊的仿真模型对车辆空间特性方面数据流进行仿真，旨在为机场集中交通管制提供解决方案。试验假定在使用数字孪生的早期阶段，管制系统的角色可以由具备交通管制技能的用户来执行，用户决策可存储在数字孪生的内存中，以后将基于机器学习来训练管制系统。
1、引言
任何机场都有两种交通工具，分别为飞机（AC）和地面车辆（GV）。飞机着陆后朝着停机区移动，或向跑道移动准备起飞。包括服务车辆、客车、油罐车在内的地面车辆，在飞机停机坪和各种机场基础设施之间移动。通常，飞机和地面车辆的移动路线通过机场运输系统结构相互分隔飞机的移动路线设置为滑行道形式，而地面车辆的移动路线设置为单行道或双行道形式。但这两种类型的运输路线总是会有有交叉区域。地面运输系统具有很高的安全性和容量要求，但依赖于飞机的地面处理时间。在大型机场，调度员在管制塔台进行地面行动管制，通常使用常规的无线电通信方式与参与者进行通信。国际航空运输协会（IATA）发布的《愿景2050》报告指出，在不久的将来，将通过自动系统实现机场的地面行动管制。集中管制系统将向运输过程的参与者发送单独指令，而地面车辆既可以属于人类驾驶车辆（HDV），也可以属于无人地面车辆（UGV）。
集中管制系统在能够访问有关车辆/飞机地理位置和状态的数据的情况下，才能分析机场运输系统的当前状况。可以从机场场面活动监视雷达（SMR）和车辆/飞机的车载/机载系统实时接收坐标（x，y）形式的空间数据。车辆/飞机状态（目的地、路线、优先级等）相关数据来源于调度系统。
如今，不断发展的系统动态信息模型被称为“数字孪生”。可以推测，机场集中地面行动管制系统的信息库将以数字孪生模式运行，管制系统也将利用人工智能和机器学习方法。通过这些方式来实现自适应管制。这种管制系统的显著特征是能够分析和说明来自车辆/飞机的密集数据流，从而识别出需要管制系统参与的情况。
只有使用数字孪生模型才能生成与机场实际运输系统的测量数据类似的数据流。这些综合数据对于进一步训练基于机器学习的集中管制系统是必不可少的。真正的“数字孪生”是一种信息模型，能连接到机场的实际数据流。需要使用数字孪生模型来训练集中管制系统。这种模型必须基于测量数据流，与在实际机场运输系统中观察到的数据流类似。本文中，此类信息流是使用机场运输系统的仿真模型生成的。由于本文演示的数字孪生并不是真实的，因此也可以称为模型，但相对于仿真模型，它又经过充分训练。
本文讨论了数字孪生如何使系统从虚拟副本中学习，直至其获得足够的“技能”来处理真实的物理实体。作者使用了一种特殊的仿真模型来生成数据流，支持数字孪生的存在，以显示需要集中管制系统参与的场景和情况。
2、相关工作
数字孪生的概念可以追溯到2005年，相关学者Grieves将其定义为一个系统、流程、工作流或服务的动态虚拟副本。美国国家航空航天局（NASA）和美国空军的研究人员将数字孪生描述为对任何物理实体（物理孪生）开发的集成多物理量、多尺度、概率性仿真，从而反映其生命周期。这一概念也称为“设备影子（device shadow）”和“数字化身（digital avatar）”。
由于数字孪生连接了虚拟和物理环境，因此这一概念在物联网（IoT）技术的推动下得到了进一步发展。物理环境通常包括物理系统、交互对象（例如车辆/飞机）、传感器和通信接口。与物理系统有关的所有传感器数据都以在线模式传输到数字孪生中。在这方面，数字孪生成为物理系统的精确和实际表现方式。此外，借助物联网提供的GPS等数据，可以在数字孪生中反映系统性能，并利用该信息对相应的物理实体进行预测。数字孪有利于系统的实时监测。
尽管大多数数字孪生都会选择复制规模相对较小的系统，例如飞机机身、雷达和飞机发动机，但仍有一些研究尝试将这一概念应用于规模更大、复杂性更高的系统。例如，Hussein等研究人员开发了一种信息物理系统的模型，该模型可模拟机场中人与设备之间的基本交互。此外，近期还有研究提出一种闭环式动态航空货运装卸系统数字孪生，可用于监视、管制和优化装卸站的运行。
部分大型机场研究中心和管理委员会也打算在互联网上公开将数字孪生概念用于监视和管制机场流程的报告。
SITA公司发布报告称需要5到10年的时间才能为美国的机场开发出一套完整的数字孪生。“数字孪生”的概念已经应用于哥本哈根机场的某些管理决策。香港国际机场也认可了数字孪生的概念。此外，与中国民航科学技术研究院合作的一家大型信息技术公司51WORLD，正计划在中国的主要机场部署“数字孪生”。
3、使用仿真模型作为构建数字孪生的基础
本文提出了一个通用仿真程序——地面交通场景仿真（GTSS），以显示机场运输网络中的流程。使用GTSS程序构建的模型在离散时间计数“时间增量（delta T）”和离散化2D机场空间（以基于栅格的空间形式）方面具有优势。在这种情况下，使用（x，y）坐标在连续空间中显示车辆/飞机的位置，并使用具有坐标（i，j）的离散空间单元来标记机场布局运输网络的各个部分。该程序是使用VBA编程语言开发的，并支持在MS Excel环境中对模型进行开发和处理。这种解决方案的主要优势是针对所有数据类型的实用性，包括初始数据、所有模型元素的当前状态参数以及仿真结果。用户可分析GTSS程序的动画工具所提供的视觉信息（请参见图1）。
图1使用GTSS程序模拟特定场景
GTSS程序的主要特征在于并不针对随机车辆/飞机流量进行统计建模，而仅适用于在特定场景中描述的车辆。通常，该场景的持续时间约为5-15分钟，并允许潜在用户详细描述在仿真时间内有哪些交通工具（飞机和地面车辆）参与交通。对于每种交通工具，指定其出现在机场仿真区域中的时刻、建议路线和一定数量的中间停车点。在模型中实现场景的目标是对紧急情况进行仿真，而在这种情况下，有必要激活集中管制系统。
通常，特殊场景的发生与某个特定事件相关联，可以同时向管制系统和所有道路使用者通知该事件的相关信息。例如，在沿地面车辆路线的其中一个路段中出现障碍物，这种障碍物以红色“x”表示（图1）。也可能是某一车辆/飞机出现在网络中，该车辆/飞机应在最短时间内到达其目的地。或者是出现某一故障车辆/飞机的情况。紧急情况由特定事件引起，但在传输网络的过程中也可能会发生紧急情况。可以以某些路段上车辆/飞机出现拥堵的情况为例。需要注意的是，诸如保持车辆/飞机之间的距离或避免与障碍物发生碰撞等功能是由车辆/飞机的车载/机载管制系统管理的。只有当这种系统发生故障时，上述功能才由集中管制系统接管。
运输网络每次发生紧急情况时都需要做出与两项任务相关的管理决策：a）识别应向其发送有关路线变更信息指令的交通参与者，以及b）为识别出的每个交通参与者重新制定一条新路线。
在当前设置中，当自动集中管制系统无法使用时，假定这些功能由模型用户执行。模型用户感知有关车辆/飞机位置的视觉信息，并接收与状态相关的其他信息，GTSS程序将以表格形式提供这些信息。用户首先努力解决任务a和b，然后将决策结果以修改后场景的形式输入模型中并恢复模型。
本文所提出的数字孪生的关键组成是两种协议类型（事件协议和状态协议）。这些协议类型是由GTSS程序自动创建的。在一些文献中，事件协议也称为跟踪或记录文件。以此类协议的形式记录场景情况，在面临紧急情况时，做出决策之前和之后都需要通过模型进行演示。这两种协议的主要内容如图2所示。图2显示了来自GV2_2、GV2_3和AC2_1共3个交通参与者的消息。事件协议对应于信息收集的异步模式。这样，来自车载/机载系统上用于确定交通工具位置的数据可以在随机时间获取。实际系统中的状态协议以同步信息收集模式形成。这样，机场交通工具的坐标就被绑定到与机场场面活动监视雷达的最后一个循环相对应的特定时刻。如果测量数据来自使用“时间增量”原理的仿真模型，则也可以将其表示为状态协议。状态协议的存在是运行调度程序的前提条件，而该调度程序将分析与特定时间点绑定的运输系统中的情况。
图2状态和事件协议的双向转换
这两种协议类型可以相互转换。状态协议中显示的固定时间点数据可以通过事件协议中数据的线性外推获得。如果任务需要使用从模型中获得的数据对事件协议进行建模，则通过对状态协议中的数据进行线性插值来确定随机时间点的交通工具坐标。
4、数字孪生的应用
本文的研究基于三个关键组成部分，即仿真模型、数字孪生和应用。仿真模型作为将数字孪生保持在运行模式的数据源。数字孪生是观察和管制过程的动态信息模型。应用包括使用来自数字孪生中累积的数据的计算机程序。无论是在实际系统中还是在拟议的机场运输网络仿真模型中，都可以每秒多达10次的频率接收车辆/飞机的坐标数据。以5-15米/秒的速度，在0.1秒内，车辆/飞机可以达到0.5-1.5米的距离。对于集中式机场交通管制系统而言，这种准确性已足够。从事件和状态协议收集的数据可以存储很长时间（24小时之内）。本文还考虑了数字孪生在数据说明方面的可能应用。
在监视模式下，用户以2D或3D动画的形式在屏幕上观察车辆/飞机的实时位置移动。在某些大型机场用作地面活动管制附加工具的机场场面活动监视雷达系统以及基于摄像机图像的系统也提供了类似的功能。即使以这种被动模式应用数字孪生，也需要对事件协议进行数据处理。处理的结果生成了附加数据，并将其显示在状态协议中。为了在显示屏幕上正确显示运动目标，不仅需要知道其参照点的当前坐标（x，y），而且还要知道运动方向，甚至是速度。为此，需要对每种交通工具坐标的最后几个消息进行数据处理。
紧急情况识别模式会在发生紧急情况时通知用户。图1显示出了这种手动管制模式。用户与GTSS合作，需要时间来分别开发并测试几种可能的解决方案，其中的最佳解决方案可以保存下来，以便将来对自动管制系统进行训练。典型的可识别情况包括：
1）交通工具聚集和拥堵
该应用指定每一车辆/飞机的位置，并因此确切地知道在运输网络的每个路段中有多少车辆/飞机。在提出的模型中，设置了用于地面车辆运动的150个路段和用于飞机运动的71个路段。对于每个路段，长度是已知的，因此很容易确定拥堵程度。对于位于该路段的每辆车/每架飞机，将确定其当前速度和平均速度。因此，可以识别车辆/飞机缓慢或停止运动的情况。
2）车辆/飞机或障碍物之间的危险距离
对于飞机而言，这种管制尤为重要，因为这种紧急情况处理不当可能导致极为严重的后果。为了识别紧急情况，GTSS程序使用特殊方法来表示受管制区域（不允许其他车辆/飞机进入）的大型目标（飞机和地面车辆）。为了使这些区域可视化，必须按下GTSS菜单中的“绘制区域”按钮（图3）。这种管制车辆/飞机相对位置的方法比管制多边形重叠的复杂条件具有更高的计算效率。
图3 GTSS程序中运动目标的管制区域
3）超速限制
基于事件和状态协议数据，有可能识别到一种情况，例如，飞机在转弯时不减速或在接近停机场时不进入制动模式。这可能是飞机制动系统故障引起的问题。如果可能发生飞机碰撞，则必须紧急更改第二架飞机甚至两架飞机的航迹。
在自动集中管制模式中，识别的紧急情况优先级不同，应用程序必须解决上述任务a和b。即，必须重新计算受这一情况影响的所有车辆/飞机的新路线。在紧急情况被认定为特定事件的条件下，不应解决情况识别的问题。假定可以通过以下两种方法解决任务a和b：
1）基于确定性规则
例如，这样的规则可以采用决策表的形式。规则可以与两种类型的紧急情况以及运输网络结构中的特定点相关联。对于任务a，为受特定情况影响的车辆/飞机创建多种情境。对于任务b，应用程序将考虑目标的新起点，而该目标由于紧急情况已停止运动，随后该应用程序将计算一条到达目的地的新路线。
2）应用基于机器学习算法的管制员
这种方法与先前的方法相似，但是解决方案不是基于确定性规则来应用，而是使用经过训练的机器学习模型（例如神经网络或支持向量机）来应用。下一章节将详细讨论这种用于地面运输的自动集中管制系统的开发和应用。
5、数字孪生和机器学习
机器学习和数字孪生可以通过3种方式结合在一起。首先，数字孪生可以生成用于训练机器学习模型的合成数据。其次，数字孪生可以用作研究新场景中机器学习模型性能的测试平台。最后，数字孪生可以被视为训练强化学习的一种学习环境。
几乎所有机器学习模型（尤其是最先进的机器学习模型）都需要训练数据，因此数据的缺乏可以被认为是该种模型的致命弱点。此外，目前最常用的机器学习范式，即监督式学习，要求对数据进行标记。这个标记过程需要人类参与，这意味着数据集的大小以及生成和标记的速度存在许多限制。
此外，在绝大多数情况下，使用类似机场停机坪区域等复杂物理实体进行的试验需要花费大量时间和经费，既存在危险性又几乎难以完成。另一方面，有效的数字孪生可作为合成数据的来源，而合成数据未经过处理，在必要时可以进行标记。
图4数字孪生作为机场交通管制的决策支持工具
数字孪生还可以充当动态测试平台的角色，即可以使用机器学习算法进行严格的可再现数值实验。例如，代替对数据集进行测试的基于机器学习的交通管制员，可以将其引入数字孪生中，以便在实际的在线设置中进行验证。这种方法更有意义，因为改善系统的整体性能是增加机器学习组件的主要目标。
最后，数字孪生可以作为学习的虚拟动态环境。在现实环境中学习可能会存在人员受伤或财产损失等风险。此外，由于法律原因，这种试验可能会受到限制甚至无法进行。相反，数字孪生是完全可管制的透明模拟环境。此外，数字孪生试验可以并行开展，并且比实时试验速度更快，这大大加快了学习进程。
6、结论
相关论文描述了数字孪生与真实物理对象之间的多种关系。在某些情况中，从物理实体到模型根本没有直接或甚至是间接的数据传输。以分批次处理的方式（例如每天一次）进行从物理实体到模型的单向数据传输，在这种情况下，不是将物理对象或过程的纯粹信息模型视为“数字孪生”，而是将数学模型视为“数字孪生”，该数学模型使用来自物理实体的多种形式的数据。
本文研究的新颖之处在于数字孪生与所考虑的物理实体（机场地面运输系统）之间的持续关系。以数字孪生和应用的形式将信息模型明确分离是极为有效的解决方案。因此，数字孪生可以作为通用信息库，用于开发和测试机场地面运输集中管制领域中的各种解决方案。本文的最后一部分证明了进一步研究需要与机器学习应用密切关联。
