Vérification des mécanismes de réseaux de neurones pour les systèmes ACAS-XU

Verification of neural network mechanisms for ACAS-XU systems

• Auteur / Autrice : Martin Boniol
• Direction : Xavier Thirioux, Julien Brunel
• Type : Projet de thèse
• Discipline(s) : Informatique et Télécommunications
• Date : Inscription en doctorat le 06/11/2023
• Etablissement(s) : Toulouse, ISAE
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA MOIS MOdélisation et Ingénierie des Systèmes
• Partenaire(s) de recherche : Equipe de recherche : ISAE/DISC/MITT Département d'Ingéniérie des Systèmes Complexes

Mots clés

Mots clés libres

Réseaux de neurones

Sûreté de fonctionnement

Méthodes formelles

Neural networks

Safety

Formal methods

Résumé

Les systèmes de détection de collision pour le trafic aérien (Traffic Collision Avoidance System, TCAS) sont utilisés dans l'aviation civile depuis plusieurs décennies maintenant et ont permis de réduire considérablement les risques de collisions en vol dans les espaces aériens. Cependant, ces systèmes présentaient plusieurs limitations et sont devenus inadaptés aux technologies émergentes. Les nouveaux systèmes ACAS-X, qui leur succèdent, intègrent donc des fonc- tionnalités innovantes pour résoudre ces problématiques d'évitement de collision (Collision Avoidance, CA) et de d´etection et d'évitement (Detect And Avoid, DAA). La définition des systèmes ACAS-X contient deux variantes : ACAS-XA et ACAS-XU. La logique de décision de ces systèmes est basée sur des modèles de processus de décision markoviens permettant de générer (hors ligne) des tables pour un guidage de manœuvre horizontal et vertical afin d'éviter les collisions. Certaines recherches actuelles sur les systèmes ACAS-XA portent sur la réduction de la complexité des tables générées en les remplaçant par des réseaux de neurones. Ces approches utilisent principalement des réseaux de neurones classiques de type MLP (Multi-Layer Perceptron) pour les besoins de vérification de l'avionique civile. L'utilisation de réseaux de neurones plus complexes tels que les réseaux de neurones récurrents de type LSTM ou GRU, plus adaptés aux environnements avec une dynamique, pourraient amener pour les systèmes ACAS-XU de nouvelles perspectives à ces efforts de recherche initiés pour les systèmes ACAS-XA. En particulier, l'intégration de l'apprentissage en-ligne afin de prédire le comportement d'une entité non-coopérative dans le trafic est une piste a explorer. Aussi, les différents algorithmes mentionnés sont généralement complexes et leur intégration sur des systèmes réels doit être analysée et vérifiée afin de garantir le bon fonctionnement du système. Ainsi, cette thèse devra s'attaquer à la problématique complexe des systèmes ACAS-XU en consid´erant plusieurs aspects et axes : - Comprendre et modéliser le fonctionnement des systèmes ACAS-XU afin d'en saisir toutes les spécificités, les différences avec la version ACAS-XA et la génération des tables pour les domaines horizontaux et verticaux; - Etablir un état de l'art exhaustif sur les méthodes de vérification de systèmes critiques à base de réseaux de neurones; - Etendre les approches basées sur les réseaux de neurones classiques proposées pour les systèmes ACAS-XA aux systèmes ACAS-XU et étudier l'intégration de réseaux de neurones récurrents de type LSTM, GRU ou autres; - Explorer l'intégration de l'apprentissage en ligne pour des réseaux de neurones afin de confronter cette possible solution à la problématique de trafic non-coopératif; - Fournir les méthodes d'analyse pour envisager la vérification de ces applications; - Concrétiser ces travaux par une expérimentation sur un des cas d'étude qui seront élaborés dans le cadre du projet global Concorde.

Air traffic collision detection systems (Traffic Collision Avoidance System, TCAS) have been used in civil aviation for several decades now and have significantly reduced the risk of mid-air collisions in airspace. However, these systems had several limitations and became unsuitable for emerging technologies. The new ACAS-X systems, which succeed them, therefore integrate innovative functionalities to resolve these problems of collision avoidance (Collision Avoidance, CA) and detection and avoidance (Detect And Avoid, DAA). The CAS-X system definition contains two variants: ACAS-XA and ACAS-XU. The decision logic of these systems is based on Markovian decision process models to generate (offline) tables for horizontal and vertical maneuver guidance in order to avoid collisions. Some current research on ACAS-XA systems focuses on reducing the complexity of generated tables by replacing them with neural networks. These approaches mainly use classic MLP (Multi-Layer Perceptron) type neural networks for the purposes of verifying civil avionics. The use of more complex neural networks such as LSTM or GRU type recurrent neural networks, more adapted to environments with dynamics, could bring new perspectives for ACAS-XU systems to these research efforts initiated for systems ACAS-XA. In particular, the integration of online learning to predict the behavior of a non-cooperative entity in traffic is an avenue to explore. Also, the different algorithms mentioned are generally complex and their integration into real systems must be analyzed and verified in order to guarantee the proper functioning of the system. Thus, this thesis will have to tackle the complex problem of ACAS-XU systems by considering several aspects and axes: - Understand and model the operation of ACAS-XU systems in order to grasp all the specificities, the differences with the ACAS-XA version and the generation of tables for horizontal and vertical domains; - Establish an exhaustive state of the art on verification methods of critical systems based on neural networks; - Extend approaches based on classical neural networks proposed for ACAS-XA systems to ACAS-XU systems and study the integration of recurrent neural networks of the LSTM, GRU or other types; - Explore the integration of online learning for neural networks in order to confront this possible solution to the problem of non-cooperative traffic; - Provide analysis methods to consider the verification of these applications; - Bring this work to fruition through an experiment on one of the case studies which will be developed as part of the overall Concorde project.