estudos experimentais aplicados À anÁlise de ... · ... automatização, solução de conflitos....

Anais do 15O Encontro de Iniciação Científica e Pós-Graduação do ITA – XV ENCITA / 2009

Instituto Tecnológico de Aeronáutica, São José dos Campos, SP, Brasil, Outubro, 19 a 22, 2009.

ESTUDOS EXPERIMENTAIS APLICADOS À ANÁLISE DE

COMPLEXIDADE COGNITIVA EM CONTROLE DE TRÁFEGO AÉREO

Alfredo Sandes Sampaio Instituto Tecnológico de Aeronáutica. Pça Marechal Eduardo Gomes, 50, Vila das Acácias, São José dos Campos, SP

Bolsista PIBIC-CNPq

[email protected]

Geilson Loureiro Laboratório de Integração e Testes, Instituto Nacional de Pesquisas Espaciais. Avenida dos Astronautas, 1758, São José dos

Campos, SP

Bolsista de Produtividade Desenvolvimento Tecnológico e Extensão Inovadora do CNPq - Nível 2

[email protected]

Emilio Alverne Falcão de Albuquerque Filho Massachusetts Institute of Technology. 77 Massachusetts Avenue, Cambridge, MA

[email protected]

Resumo. Este trabalho tem como propósito estudar complexidade cognitiva aplicada ao controle de tráfego aéreo. É de

conhecimento que sistemas de controle de tráfego são de alta complexidade, com restrições severas de segurança e desempenho.

Muito esforço tem sido feito no sentido de automatização desses sistemas, no intuito de aumento de capacidade e segurança. No

entanto, tal esforço de automatização não pode vir sem o adequado estudo de iteração homem-máquina, uma vez que a restrição

pode não estar nem em um nem no outro, mas sim na iteração de ambos. Em um primeiro momento, realizou-se um experimento

com 70 participantes, em que foi estudada a influência de uma ferramenta, já existente, de controle baseado no tempo. Em

particular, foi validada a proximidade como fator determinante na complexidade cognitiva e a verificação de menores níveis de

complexidade diante desse novo tipo de controle de tráfego aéreo. Na segunda etapa do trabalho, foi implementada a versão piloto

de uma simulação que objetiva mitigar, de maneira automatizada, a complexidade de um cenário por meio de controle de

velocidade.

Palavras chave: complexidade cognitiva , tráfego aéreo, NextGen, automatização, solução de conflitos.

1. Introdução

As previsões para as operações de trafego aéreo nas duas próximas décadas consistem em um aumento

dramático na demanda. Pouco antes da crise financeira americana, a Federal Aviation Administration (FAA),

juntamente com a indústria, previram um aumento de 150 a 250 por cento ate o ano de 2025. Previsões para as

operações européias mostraram-se similarmente altas.

Apesar da grande importância para as economias americana e global, analises mostraram uma significativa

falta de capacidade existente e planejada para o sistema de transporte aéreo dos Estados Unidos (NASA - National

Aeronautics and Space Administration, 2006). No Brasil, a sobrecarga dos serviços de trafego aéreo começou a ser

notada pela sociedade apos um acidente desastroso, que envolveu um Boeing 737-800 operado pela Gol Linhas Aéreas

e um jato executivo Embraer Legacy 600, em 29 de setembro de 2006.

Em diversas partes do mundo, espera-se que demandas futuras de trafego aéreo superem a capacidade do

sistema e, por vezes, este já se encontra sobrecarregado. Alguns outros fatores podem gerar mais desafios para os

sistemas de transporte aéreo, como a quantidade de força de trabalho, que deverá permanecer a mesma. O aumento do

tráfego acompanha um aumento na variedade de tipos de aeronaves, o que impõe mais dificuldades nas operações de

controle de trafego aéreo. Uma estratégia que tem sido adotada é a setorização do espaço aéreo, que já atingiu o seu

limite: mais divisões poderiam implicar dificuldade na coordenação das tarefas dos controladores. No entanto, algumas

soluções devem ser elaboradas, testadas e implementadas, conforme observado pela Organização Internacional de

Aviação Civil (ICAO, 1993):

Fornecimento de melhores dados para o controlador;

Substituição de funções manuais por versões automatizadas;

Manipulação e apresentação automatizada de informações;

Assistência automatizada para tarefas cognitivas como resolução de problemas e tomada de decisão;

Mudança de intervenções táticas de curto prazo que resolvem problemas eventuais para pré-

planejamento estratégico dos fluxos de aeronaves para evitar surgimento de problemas.

Nos Estados Unidos, como uma resposta a esse problema, foi formado um Escritório para Planejamento e

Desenvolvimento Inter-Organizacional (JPDO, Interagency Joint Planning and Development Office), que foi

encarregado de desenvolver a visão para a Próxima Geração do Sistema de Transporte Aéreo (NGATS, Next

Anais do XV ENCITA 2009, ITA, Outubro, 19-22, 2009

,

Generation Air Transportation System) e determinar a pesquisa necessária para se atingir essa visão. A visão do

NGATS defende uma serie de modificações, com o aumento e adição de capacidades que se espera que permitam uma

resposta apropriada as necessidades futuras do transporte aéreo Norte-Americano.

Como mencionado anteriormente, a visão do NGATS propõe que o papel humano no sistema assuma a tomada

de decisões estratégicas, e que as ações táticas adquiram total automação. Entre outros objetivos estão a minimização de

efeitos perturbadores, redução to tempo de transito e aumento da predictibilidade e satisfação da demanda crescente e

diversidade operacional.

Para atingir essa visão, existe uma lista de capacidades de transporte aéreo que são vistas como críticas para o

sucesso:

1. Operações Aéreas Baseadas no Tempo: transformação na forma como o tráfego é gerenciado de modo a se

atingir aumentos em capacidade e eficiência;

2. Serviços baseados em desempenho: espera-se que regulamentos e requisitos de procedimento sejam

descritos em termos de desempenho;

3. Operações super-densas: maximização do uso de rotas aéreas

4. Meteorologia incorporada à tomada de decisão: inclusão de planejamento probabilístico ao longo de

grandes horizontes de tempo;

5. Operações visuais equivalentes: permitirão que os procedimentos de vôo visual sejam mantidos em

condições de vôo por instrumentos;

6. Segurança: garantir que o sistema de transporte aéreo esteja imune a ações terroristas sem que isso cause

grande atrase ou rigidez excessiva ao sistema;

7. Navegação de precisão em vasta área: permitira navegação precisa em todo ponto do espaço aéreo,

incluindo pouso preciso em qualquer unidade terrestre, e

8. Acesso a informação em rede: promovendo meios acessíveis, confiáveis e seguros de se permitir novas

aplicações dependentes de informações de diversas fontes.

Na simulação que foi aplicada, o Conceito Operacional de Operações Baseadas em Trajetória (TBO) foi

utilizado. O ponto de partida para o TBO é que cada aeronave tenha uma definição claro do seu perfil de vôo no espaço

e no tempo. Com esse conceito, espera-se que todas as funções de gerenciamento de trafego aéreo (ATM) sejam

baseadas em trajetórias quadridimensionais (4DT), que serão especificadas para cada aeronave.

2. Descrição do experimento

2.1 Complexidade Cognitiva

Como mencionado anteriormente, dentre os conceitos futures de operação do NGATS, este trabalho tratou até

o momento somente nas trajetórias quadridimensionais. O impacto causado pelas 4DTs foi avaliado dentro do contexto

de complexidade cognitiva.

Histon observa que a literatura em geral assume um conhecimento compartilhado de complexidade, no entanto

é difícil identificar o que é assumido: “não está sempre claro se a complexidade é vista como propriedade intrínseca da

configuração do trafego (complexidade situacional), uma experiência subjetiva do controlado (complexidade percebida)

ou uma propriedade dos processos sendo usados para a realização de uma atividade de controle de trafego aéreo

(complexidade cognitiva).”. As distinções utilizadas por esse autor em seu trabalho serão as mesmas utilizadas aqui. A

Fig 1, também de sua autoria, explica a relação entre os conceitos elicitados acima:

Figura 1 – Modelo do processo de controle de tráfego aéreo e diferentes usos to termo complexidade

Complexidade percebida: é a complexidade aparente da representação que o controlador utiliza para modelar

o sistema real. Complexidade cognitiva esta intimamente relacionada à complexidade percebida, mas ainda assim

existem diferenças. Cabe observar que complexidade cognitiva é uma fonte de complexidade percebida. Testar


,

complexidade percebida é uma ótima forma de se obter a complexidade cognitiva do controlador, e de fato esse tem

sido um método largamente utilizado.

Complexidade situacional: trata-se da complexidade do sistema controlado. Obviamente, complexidade

situacional relaciona-se à complexidade cognitiva, observando-se as devidas diferenças. Ao tentar medir complexidade

cognitiva por meio de características do tráfego aéreo, a mensuração está sendo feita, na realidade, sobre a

complexidade situacional. Várias métricas desenvolvidas até o momento objetivam medir a complexidade situacional

como uma forma de rever a complexidade cognitiva de um cenário.

Complexidade cognitiva: é a complexidade cognitiva do modelo mental utilizado pelo controlador para

controlar uma situação de trafego aéreo. Portanto, pode ser considerada uma propriedade dos processos cognitivos

utilizados pelos controladores para realizar suas tarefas. O modelo mental do controlador é influenciado por diversos

fatores, que por sua vez acabam por influenciar a própria complexidade cognitiva.

2.2 Planejamento do Experimento

2.2.1 Visão geral

Este tópico apresentará brevemente a simulação que foi utilizada no experimento, sendo que esta foi

desenvolvida pelo então aluno de engenharia mecânica Emílio de Albuquerque. As seguintes convenções serão aqui

adotadas:

SIMULADOR OU SIMULAÇÃO: consiste no programa de computador que simula o ambiente de controle do

espaço aéreo. O programa possui 8 CENÁRIOS pré-desenhados, sendo que 2 deles são para testes e os outros

6 são cenários experimentais.

CENÁRIO: Consiste na menor unidade do experimento. Cada cenário é uma combinação de variáveis

independentes assumindo diferentes valores. Cada cenário pode ser experimental (que é utilizado para coleta

de dados de desempenho e medidas subjetivas) ou de testes (para que os participantes se adaptem ao ambiente

simulado).

EXPERIMENTO: Consiste na execução dos 8 cenários de acordo com o PLANO DE EXPERIMENTO de

cada participante.

ORDEM DE EXPERIMENTO: Trata-se da ordem de execução dos cenários em um experimento. Existem 12

ordens possíveis, e a cada participante é atribuída uma única ordem.

MÉTODO ou PLANO DE EXPEIMENTO: Consiste no processo de realização de certa ordem de

experimento. Trata-se de uma explanação detalhada da seqüência de atividades e quando elas devem ocorrer.

CONFIGURAÇÃO EXPERIMENTAL: Consiste na simulação definida e implementada, participantes, tarefas,

cenários, variáveis independentes, ordem e plano de experimento.

Abaixo, na Fig 2, pode-se observar um screenshot da simulação sendo executada.

Figura 2 – Screenshot da simulação

O participante é exposto a uma tela, dividida entre linha do tempo e radar. No radar, é possível observar o

espaço aéreo simulado para chegado no Aeroporto Internacional de Logan (Boston, MA). As aeronaves são exibidas em

amarelo, acompanhadas por sua denominação, velocidade e tipo. Em verde-claro estão as rotas que estão sendo

controladas pelo participante no momento, e em verde-escuro, o plano de fundo simula outras altitudes para controle,

que não estão disponíveis nessa simulação. A linha do tempo indica o tempo sugerido de chegada (STA), de acordo

com três possibilidades de organização de cronograma, bem como o tempo estimado de chegada (ETA), que possibilita

a aplicação do conceito de controle no tempo.


,

Os participantes são orientados a gerenciar as aeronaves o mais rápido possível, cumprindo os seguintes

requerimentos, em ordem de importância:

1- Garantir a segurança do espaço aéreo

Dois principais aspectos envolvem segurança: separação e espaçamento. Separação relaciona-se à mínima

distância lateral de 2.5 nm (milhas náuticas). Para o espaçamento observa-se a turbulência da aeronave dianteira:

qualquer aeronave após essa deve manter certa distância, de acordo com o tamanho da primeira.

2- Não perder aeronaves do espaço aéreo

Todas as aeronaves devem ser propriamente entregues ao seu destino. Em geral, as aeronaves devem seguir até

o último waypoint, na direção leste do setor. As aeronaves que não se dirigem ao aeroporto devem se dirigir ao

lado oposto pelo qual adentraram o espaço aéreo.

3 Gerenciar o tráfego eficientemente

Satisfeitas as condições de segurança e entrega de aeronaves, o controlador deve preocupar-se com a eficiência

do sistema. Não foi feita medida quantitativa de desempenho nesse trabalho. No entanto, assumiu-se que,

quanto menor o tempo de vôo, maior a eficiência.

Os experimentos foram realizados nas dependências da Divisão de Engenharia Mecânica do ITA. A Fig 3

abaixo mostra um experimento sendo realizado com 8 participantes.

Figura 3 – Fotografia de um experimento com 8 participantes

2.2.2 Variáveis Independentes

As variáveis independentes desse experimento foram escolhidas com o propósito de se avaliar o conceito de

operação futuro de comandos no tempo. Sendo assim, tem-se:

Tipos de comandos:

1. Operações atuais: controle baseado em posição – comandos de direção e velocidade

2. Trajetórias quadridimensionais: controle baseado em tempo – comandos de tempo, direção e velocidade

No contexto de trajetórias quadridimensionais, é natural assumir a presença de uma ferramenta de organização

de cronograma para chegada das aeronaves no waypoint final. Utilizaram-se:

Tipo de cronograma:

1. Sem cronograma (NS)

O usuário é livre para escolher a ordem de chegada das aeronaves que mais lhe convier.

2. First come, first served (FCFS)

As aeronaves são conduzidas ao waypoint final na mesma ordem que adentram o setor.

3. Constrain Position Shifting (CPS)

As aeronaves são organizadas segundo um algoritmo que procura compactá-las ao máximo no tempo.

2.2.3 Método

De acordo com as variáveis independentes, para se minimizarem os efeitos de memória dos participantes, a

simulação incorpora:

Inversão da estrutura do cenário

Ao lidar com um cenário invertido verticalmente, o participante tem a impressão de estar lidando com um

novo setor, quando na verdade a estrutura é a mesma (Tab 1).

Divisão do nível de tráfego em três blocos


,

De acordo com o nível de tráfego, cada cenário foi divido em três blocos, dois deles com nível “baixo” de

tráfego e um deles com nível “alto”. A reorganização desses blocos ajuda a minimizar efeitos de memória.

Contrabalanceamento das variáveis independentes

Os participantes foram divididos em dois grupos: aqueles que realizariam operações em posição primeiro (tipo

1) e aqueles que começariam pelas operações baseadas em tempo (tipo 2), em algumas ordens diferentes de

cronograma. Desse modo, obtiveram-se no total 12 ordens (Tab 2).


,

Tabela 1. Combinação das variáveis independentes

Tipo de controle

Baseado em posição

Direção, velocidade Baseado em tempo

Direção, velocidade, tempo

Tipo de

cronograma

NS

Cenário 1

Estrutura: Normal

Tráfego: A-B-C

Cenário 4 Estrutura: Normal

Tráfego: C-B-A

FCFS

Cenário 2

Estrutura: Invertida

Tráfego: C-B-A

Cenário 5 Estrutura: Invertida

Tráfego: A-B-C

CPS Cenário 3 Estrutura: Normal

Tráfego: C-B-A

Cenário 6 Estrutura: Normal

Tráfego: A-B-C

Tabela 2. Diferentes ordens do experimento

Ordem do

Experimento

Tipo do

Experimento

Cenário

1

Cenário

2

Cenário

3 Cenário 4 Cenário 5 Cenário 6

1 1 1 2 3 5 4 6

2 1 1 3 2 5 6 4

3 1 2 1 3 4 5 6

4 1 2 3 1 4 6 5

5 1 3 1 2 6 4 5

6 1 3 2 1 6 5 4

7 2 4 5 6 3 1 2

8 2 4 6 5 3 2 1

9 2 5 4 6 2 1 3

10 2 5 6 4 2 3 1

11 2 6 4 5 1 2 3

12 2 6 5 4 1 3 2

2.2.4 Coleta de Dados

O experimento contou com medidas objetivas e subjetivas. As medidas objetivas são dados coletados

diretamente das variáveis computacionais e dizem respeito ao desempenho do participante:

Comandos;

Colisões;

Entregas corretas e entregas problemáticas;

Perda de aeronaves;

Tempo de vôo de cada aeronave até atingir o waypoint final.

As medidas subjetivas são feitas por meio de questionários. Os questionários ocorrem em momentos relevantes

da simulação, destacados pela Fig 4:

0 10 20 30 40 50 60 70 80 9010

11

12

13

14

15

16

17

18

19

20

Tra

ffic

Ente

ring R

ate

(ac/h

our)

Time (min)

Entering Rate

Sample Times

Figura 4 – Nível de tráfego e momentos de pesquisa (adaptado de Li, Hansman & Albuquerque - 2008)

Três métricas de complexidade cognitiva foram aplicadas, a ver:


,

1.Ferramenta de avaliação de Cooper-Harper Modificada

Proposta originalmente com a finalidade de se avaliar a carga de trabalho do controlador, a mesma vai de 1 a

10. O participante responde perguntas SIM/NÃO, de modo que o desvio das respostas é diminuído. Adaptada para

Complexidade Cognitiva, essa ferramenta foi aplicada na simulação.

2.Contagem Modificada de Aeronaves

Essa métrica calcula a complexidade cognitiva como a soma ponderada da complexidade de cada uma das

aeronaves. Os participantes são convidados a ponderar aquelas aeronaves que têm complexidade maior ou menor do

que a unitária, a qual é definida de antemão por quem conduz o experimento.

3.NASA WAK (Workload Assessment Keypad)

Essa métrica foi inicialmente desenvolvida para medida de carga de trabalho, e posteriormente adaptada para

complexidade cognitiva. Trata-se de uma escala simples que vai de 1 a 7, e os participantes devem escolher um dos

valores, sendo que 1 representa complexidade baixa e 7, complexidade alta.

2.3 Integração de módulos adicionais: novo experimento

Na segunda etapa deste trabalho de iniciação científica, foi encaminhado um estudo da aplicabilidade do

conceito de complexidade cognitiva no sentido de gerar alguma automação na solução de conflitos por parte do

operador. É importante ter sempre em mente que, por se tratar da área de fatores humanos, qualquer evolução advinda

de ferramentas propostas deve ocorrer em pequenos degraus. Desse modo, foi feita a concepção de uma versão

alternativa da simulação ATC Simulator original, que viesse a incorporar conceitos de previsão de conflitos e heurísticas

para determinação de complexidade. Assim, foi proposto o seguinte esquema (Fig 5):

Figura 4. Estrutura de decisão para mitigação automatizada de complexidade cognitiva


,

O algoritmo pode ser entendido da seguinte forma: periodicamente, em uma situação normal de controle de

tráfego aéreo, avalia-se, por meio de uma heurística, se o presente cenário pode evoluir para uma condição de

complexidade considerada alta. Caso a resposta seja negativa, mantém-se a operação normalmente. Caso seja positiva,

uma ferramenta de iteração computacional gerará os possíveis cenários futuros para determinado período de tempo à

frente. Tal ferramenta, eventualmente, poderá ser estocástica e considerar diferentes comandos utilizados pelo

controlador. Convém que essa ferramenta seja acionada por uma heurística, e não com uma periodicidade pré-

determinada no sistema, uma vez que ferramentas iterativas como essa costumam ser computacionalmente proibitivas.

Definido um alcance para a ferramenta de previsão – uma vez que, quanto maior o tempo à frente do presente,

maior a incerteza – utilizam-se, para várias amostras de situações futuras do cenário, métricas de complexidade

consagradas, como aquelas estudadas na primeira etapa deste trabalho. Conforme haja ou não violação dos critérios de

proximidade, serão geradas automaticamente ações solucionadoras de conflito ou somente mitigadoras de

complexidade. Essas ações serão uma seqüência de comandos aos quais o controlador está habituado, como vetorização

de aeronave, alteração de velocidade ou re-roteamento de aeronave. Se essas ações tornarem a complexidade inferior ao

limiar adotado para todo o período futuro avaliado, a ação é considerada válida e proposta ao controlador. Caso

contrário, ações mais elaboradas vão sendo testadas até que se encontre alguma que seja válida, a qual será então

proposta.

No software piloto desenvolvido, implementou-se um formato simplificado (Fig5) do fluxograma acima.

Mesmo assim, a simulação foi modularizada para a implementação de toda a estrutura de decisão do algoritmo

apresentada, se porventura futuros estudos virem a apresentar essa necessidade.

A ferramenta de previsão utilizada se baseou na abstração de fluxos-padrão já implementada no ATC Simulator.

Dado um número de passos pré-estabelecido, o módulo integra iterativamente as posições das aeronaves segundo o

seguinte critério:

Se a aeronave estiver seguindo um fluxo-padrão, a mesma permanece em sua rota;

Caso a aeronave esteja vetorizada, seguirá uma linha reta.

Ou seja, o módulo de previsão parte do pressuposto de que o controlador de tráfego aéreo não executará nenhum

comando no período previsto em questão.

Figura 5. Estrutura de decisão simplificada para o software piloto desenvolvido

Com o propósito de se realizarem testes com diferentes níveis de automação na solução de conflitos, três

possibilidades de Ferramenta de Resolução de Conflitos, ou Conflict Solving Tool, podem ser escolhidas. Caso o

usuário venha a escolher as opções de Previsão ou Assistência, a janela abaixo fica disponível durante toda a simulação,

e exibe os Conflitos futuros detectados pela ferramenta de previsão (caso haja), os conflitos que já ocorreram e aquele

que já foram previstos no passado, e posteriormente evitados.


,

Figura 6. À esquerda, aeronaves em destaque: conflito futuro. À direita conflito evitado pela

ferramenta de resolução automatizada de conflitos

Ao se selecionar a linha que descreve um conflito em potencial, as aeronaves envolvidas no mesmo ficam

destacadas em vermelho, chamando a atenção do usuário para essa região específica do espaço aéreo (Fig 6).

Finalmente, mostra-se na janela o botão “solve”, que executa o algoritmo de resolução de conflitos

desenvolvido. Este algoritmo foi feito em caráter experimental, e se baseia no ajuste das velocidades das aeronaves

envolvidas até que uma das combinações utilizadas não implique em violação do critério de proximidade em um

momento futuro, dado o tempo de previsão utilizado. Sempre se utiliza a combinação de velocidades que represente a

configuração mais próxima possível da situação atual, para evitar que se executem comandos drásticos sobre as

aeronaves. Ao se clicar no botão indicado, é buscada uma solução para o conflito. Caso seja encontrada uma alternativa

válida, a mesma é apresentada na primeira janela retratada na Fig 7. Caso contrário, o controlador recebe uma

mensagem negativa, também mostrada abaixo.

Figura 7. Possíveis respostas do sistema à solicitação de assistência

Os módulos apresentados nesta seção foram testados preliminarmente e mostraram ter um desempenho

bastante razoável. Convém investir mais tempo no desenvolvimento de módulos adicionais que completem a estrutura

teórica de mitigação automatizada de complexidade cognitiva. Espera-se que seja possível realizar, também, um novo

experimento, que venha a avaliar as ferramentas desenvolvidas e elucidar, de acordo com as impressões dos

controladores, qual o melhor caminho a se seguir na criação de módulos desse tipo.

3 Resultados do experimento

Serão aqui apresentados os resultados das análises dos dados coletados de 70 participantes sem experiência em

controle de tráfego aéreo. Nem todos os participantes foram analisados. Muitos deles tiveram problemas com a

simulação, como lentidão durante a simulação e até mesmo crashes do computador. Os dados coletados desses

participantes não puderam ser considerados. Outros participantes que não foram considerados foram aqueles que não

puderam concluir o experimento por razões pessoais, ou pareceram ignorar os conceitos de segurança, desempenho,

complexidade, carga de trabalho, ou simplesmente não levaram o experimento a sério. Todos esses pontos devem ser

observados cuidadosamente quando da execução de próximos experimentos.

A Tab 3 abaixo detalha quantos participantes por ordem foram utilizados para a presente análise.

Tabela 3. Distribuição dos participantes de acordo com a ordem

Ordem 1 2 3 4 5 6 7 8 9 10 11 12

Numero de

Participantes 6 6 5 6 6 5 5 6 7 6 7 5


,

3.1 Análise de desempenho

A Fig 8 mostra os resultados objetivos relevantes que foram obtidos com os dados coletados dos participantes.

Como mencionado anteriormente, o desempenho foi avaliado de acordo com algumas variáveis dependentes do

experimento, como número e tipo de comandos, número de colisões, número e tipo de aeronaves perdidas e tempo de

entrega de cada aeronave.

O número médio de colisões é exibido na Fig 8(a). Como se pode ver, o número de conflitos tende a ser menor

nas operações baseadas em tempo. Além disso, percebe-se que os cenários com cronograma apresentam um maior

número de conflitos. Aparentemente isso ocorre porque, como o cronograma tenta otimizar a taxa de aeronaves

entregues, os participantes são levados a fazer manobras de troca de ordem das aeronaves.

O número de aeronaves perdidas, exibido na Fig 8(b), mostrou-se baixo. Um olhar mais cuidadoso mostrou

que a maioria delas eram aeronaves normais (que tinham por destino o waypoint final), de modo que é aparente que

muitas vezes os participantes ficaram confusos e não puderam distinguir aeronaves normais de aeronaves que cruzam o

cenário.

Figura 8 – Análise de Desempenho. (a)Número de conflitos (b) Aeronaves perdidas

3.2 Classificação Subjetiva

A Fig 9 mostra os resultados para a classificação subjetiva dos cenários, obtidas por meio de entrevistas em

tempo real com os participantes. Verificou-se que, dentro da classificação WAK, em todas as pesquisas as operações

baseadas em tempo mostraram-se menos complexas que aquelas em posição. Para a escala de Cooper-Harper

Modificada e Número Equivalente de Aeronaves, o resultado foi o mesmo em 4 dos 5 cenários. Os resultados não

foram, no entanto, estatisticamente significantes.

O objetivo da análise apresentada na Fig 9 é fazer uma comparação com o experimento realizado no ITA e

aquele conduzido no MIT (por Li, Hansman & de Albuquerque). Os gráficos (a) e (b) na Fig 9 mostram a mesma

análise e os mesmos resultados gerais qualitativos obtidos por eles.

As três métricas de complexidade mostram o mesmo comportamento global com relação ao nível de tráfego,

isto é, a escala de complexidade correlacionando-se com o nível de tráfego. As operações baseadas em tempo tendem a

ser avaliadas como ligeiramente mais complexas do que aquelas baseadas no tempo. A única diferença relevante em

relação a esse resultado trata-se da pesquisa 5 para o número equivalente de aeronaves. Isso pode ser explicado pelo

esforço dos participantes em corrigir os erros de cronograma das aeronaves restantes no cenário. A necessidade de

correções possivelmente acarretou complexidade adicional ao setor.


,

Figura 9 – Análise Subjetiva. (a) Cooper-Harper Modificado, (b) WAK e (c) Número equivalente de aeronaves

3.3 Impacto na Complexidade Individual de Aeronaves

Nesta seção, os fatores que interferem na complexidade de aeronaves individualmente são analisados. Todas as

análises aqui apresentadas também foram feitas por Li, Hansman, & de Albuquerque (2008), e elas são baseadas nos

resultados da ferramenta de avaliação por número equivalente de aeronaves.

A seção 4.1 analisa como a proximidade horizontal das aeronaves impacta na classificação que o participante

faz da complexidade. A seção 4.2 apresenta uma análise bastante similar àquela da Fig 9, mas desta vez com ênfase na

identificação de aeronaves complexas.

3.3.1 Impacto da Proximidades

A Fig 10 mostra como a identificação das aeronaves complexas é influenciada pela distancia horizontal entre

elas. A Fig 10 (a) corresponde aos cenários cujo controle foi baseado em posição, e a Fig 10 (b), àqueles baseados em

tempo. Como se pode ver, a fração de aeronaves selecionadas como complexas cresce bastante a partir do momento em

que elas estão a menos de 8 milhas náuticas de alguma outra. Em 8 milhas náuticas, aproximadamente 40% das

aeronaves foram consideradas complexas, e a 5 milhas náuticas, a fração cresce para 75%.


,

Figura 10 – Impacto da proximidade. (a) Operações Baseadas em Posição e (b) Operações Baseadas em Tempo

3.3.2 Impacto do Nível de Tráfego

A Fig 11 mostra o impacto do nível de tráfego na fração de aeronaves apontadas pelos usuários como

complexas, numa tentativa de se capturar a complexidade advinda do maior número de interações entre diferentes

elementos em um setor, que sabidamente cresce de forma exponencial com a quantidade de elementos.

Como se pode ver pelo gráfico, a contagem de aeronaves complexas não foi tão sensível ao nível de tráfego

quanto as métricas de complexidade cognitiva da Fig 11. Não se observou significância estatística entre as pesquisas 1,

2, 4 e 5, nem mesmo entre os dois tipos de comandos.

Sendo assim, pode-se dizer que este fator sozinho não pode ser considerado uma boa métrica de complexidade

cognitiva.

Figura 11 – Impacto do nível de tráfego


,

3.4 Feedbacks dos participantes

Com o intuito de aperfeiçoar a simulação para próximos experimentos, foram feitos questionários com os

participantes. As opiniões obtidas foram muito interessantes no sentido de que permitiram observar:

Pontos na simulação que deixaram a desejar;

Insights sobre novas funcionalidades a serem implementadas;

Que determinados usuários não compreenderam ou não executaram o experimento corretamente;

Novas formas de se interpretar os dados coletados.

4. Conclusão

Ao longo deste trabalho, foi possível cumprir o cronograma de atividades propostas. O experimento desenhado

pelo então graduando de Engenharia Mecânica Emílio Alverne Falcão de Albuquerque Filho foi executado e a análise

do mesmo foi efetuada de acordo com as variáveis de saída inicialmente propostas. Todos os resultados apresentados

aqui também fizeram parte da tese de graduação daquele aluno, uma vez que a proposta deste projeto de iniciação

científica é o trabalho conjunto na área de complexidade cognitiva no controle de espaço aéreo.

Os resultados obtidos mostraram-se muito similares àqueles do experimento similar conduzido no MIT por Li,

Hansman, & de Albuquerque (2008). Em particular, a validação da proximidade como fator determinante na

complexidade cognitiva e a verificação de menores níveis de complexidade (ainda que sem a devida significância

estatística) são resultados elucidativos no estudo de complexidade cognitiva no controle de espaço aéreo. Finalmente,

observou-se que a simples contagem de aeronaves de alta complexidade não é capaz de retratar satisfatoriamente o

nível de complexidade de uma determinada situação.

Os feedbacks dados pelos participantes trouxeram idéias bastante relevantes, tanto para a melhoria da

simulação quanto para a interpretação dos dados. Para as próximas versões da simulações, certamente será visada a

melhoria da interface de acordo com o que foi proposto.

Finalmente, foi possível desenvolver novos módulos que apontam na direção de um sistema automatizado de

mitigação de complexidade cognitiva. Esse sistema, que idealmente deverá apresentar uma heurística de determinação

do nível futuro de complexidade cognitiva, além de outros módulos, foi simplificado no intuito de se obter um modelo

piloto para o desenvolvimento da plataforma completa. Convém também a realização de um novo experimento, que

avaliará, junto a novos participantes, a eficácia da ferramenta na resolução de conflitos, e o seu impacto sobre o nível de

complexidade cognitiva de um dado cenário.

5. Agradecimentos

Agradeço ao Prof. Dr. Geilson Loureiro e ao Mestrando Emílio de Albuquerque, que proporcionaram a

oportunidade de pesquisa Numa área tão importante para o futuro da aviação. Em particular, sou grato pela ajuda que

ambos me deram na consecução de, por meio deste trabalho, conseguir admissão como Visiting Student no ICAT –

International Center for Air Transportation, MIT. Sem dúvida trata-se de uma experiência cuja importância é

inestimável.

Sinceros agradecimentos também a todos aqueles que se disponibilizaram para que o experimento fosse

realizado, e aqui se incluem os participantes, técnicos de informática e a administração do Centro de Competência em

Manufatura, no ITA, que gentilmente cedeu a sala na qual foram executadas as simulações.

Agradeço também ao CNPq, que vinculado ao Ministério da Ciência e Tecnologia (MCT), vem apoiando a

pesquisa brasileira e contribuindo diretamente para a formação de jovens pesquisadores, investindo e promovendo o

aumento da produção de conhecimento, e gerando novas oportunidades para os jovens universitários, que possuem o

objetivo de adquirir conhecimentos acadêmicos que vão além do zdque lhes é oferecido nas grades-padrão de ensino de

suas respectivas Universidades.

6. Referências

De Albuquerque, Emilio, 2008, “Experimental Setup for Air Traffic Control Cognitive Complexity Analysis”.

Joint Planning and Development Office, 2007, “Concepts Of Operation For The Next Generation Air Transportation

System”.

Hilburn, Brian, 2004, “Cognitive Complexity in Air Traffic Control - A Literature Review.

Histon, Jonathan et al, 2002, “Introducing Structural Considerations into Complexity Metrics”.

Histon, Jonathan M. and Hansman, R. John, 2008, “Mitigating Complexity In Air Traffic Control: The Role Of

Structure-Based Abstractions”.

Laudeman, Irene et al., 1998, “Dynamic Density An Air Traffic Management Metric”.

Li, Hansman and De Albuquerque, 2008, “Part Task Simulation of ATC Complexity with Time Based Control”.

estudos experimentais aplicados À anÁlise de ... · ... automatização, solução de conflitos....

Documents