解決UTM難題：人工智慧如何解決低空空域衝突

一架送貨無人機正在城市上空執行例行飛行任務，這時一架巡檢無人機從附近屋頂起飛，一項公共安全任務獲得了優先通行權，前方空域也出現了臨時限制。這些飛行本身並無不妥之處。問題在於，它們的飛行計劃可能在空間和時間上發生交集，起飛後情況可能會改變。

這就是無人機交通管理（UTM）的實際難題：眾多業者如何在低空空域共享飛行，同時避免每次互動都變成語音協調或最後一刻的規避動作？目前最可靠的答案並非「讓AI操控一切」。而是一個分層系統，其中互通資料、策略衝突消解、合規性監控、戰術服務和機載安全功能分別負責處理風險的不同部分。人工智慧可以改進其中的幾個層面，但仍需要明確的約束、驗證和備用方案。

這一區別至關重要，因為UTM（無人機交通管理）正從研究階段走向實際應用。美國聯邦航空管理局（FAA）目前的UTM計畫描述了一個分散式、高度自動化的生態系統，營運商和服務供應商透過API交換資料。 FAA表示，已開始為支援商業超視距飛行（BVLOS）的策略衝突消解服務發放驗收函。同時，截至2026年9月，更廣泛的美國聯邦航空條例第108部/第146部BVLOS框架仍處於擬議規則階段，而非最終規則。這意味著運作能力正在提升，但監管架構仍在不斷改進。

為什麼低空衝突規避比規劃獨立航線更難

第一個原因是維度。衝突並非僅僅是地圖上兩條線的交叉。每一次飛行操作都佔據一個四維空間：緯度、經度、高度和時間，並且存在不確定性。即使航線在二維空間中看起來完全相同，但如果飛機使用不同的飛行高度或時間窗口，則可能不存在衝突。

第二個原因是許多不確定因素。風向、導航誤差、航班延誤、指揮控制延遲、飛行器性能、天氣狀況、臨時限制以及緊急任務都可能導致飛機偏離原定航線。因此，僅在起飛前檢查一次航線的系統，在飛行過程中可能會出現訊息滯後的情況。

第三個原因是參與。當相關操作人員目標一致並遵守共同規則時，策略協調才能發揮最佳效果。美國聯邦航空管理局（FAA）在其2025年超視距飛行（BVLOS）擬議規則中引用了一項由FAA資助的研究，該研究表明，採用通用戰略衝突消解機制的模擬實驗，與未採用該機制的模擬實驗相比，無人機之間的空中碰撞事故減少了約100倍。研究也引用了一項代表性的ASTM分析，結果顯示碰撞事故減少了97.9%。這些都是模擬和安全分析的結果，並不能保證每次實際部署都能達到相同的效果，但它們說明了共同參與的重要性。

實際行動：在添加複雜的 AI 之前，確保每個參與系統都能以共同的時空參考描述操作意圖，並與其他服務提供者可靠地交換該意圖。

第一步：起飛前解決可預見的衝突

戰略衝突消除是最容易解決的衝突，因為它發生在還有時間修改計畫的時候。 NASA 的UTM 策略衝突消除工作展示瞭如何利用可發現的四維運行區域，以便操作人員可以識別重疊區域並規劃無衝突的運行。在歐洲，EASA 的 U-space 規則將無人機飛行授權描述為一種戰略衝突消除機制，並要求檢查擬議的飛行是否在空間和時間上與已通知的飛行授權相交。

一個基礎的衝突消除引擎可以是確定性的。它可以比較規劃的 4D 體積，應用優先規則，尊重限制區域，並提出替代方案，例如不同的起飛時間、高度範圍或航線。這一點至關重要，因為「人工智慧驅動」不應成為「不透明」的代名詞。許多安全攸關的衝突都可以透過明確的幾何圖形和規則來處理。

實際操作：首先實現確定性衝突偵測。將機器學習視為在明確定義的安全範圍內進行最佳化的工具，而不是決定兩個操作是否相容的唯一機制。

步驟二：監控飛機是否維持在預定航線內

只有當飛機實際執行無衝突飛行計劃時，該計劃才能真正發揮作用。符合性監控系統會將報告的飛機狀態與授權或申報的運行範圍進行比較，並在飛機接近或超出其範圍時發出警報。

這並非無關緊要的附加功能。美國聯邦航空管理局（FAA）提出的超視距飛行（BVLOS）框架明確討論了戰略性衝突消除與合規性監控相結合的方法，而美國國家航空航天局（NASA）2025年的碰撞風險研究通過模擬發現，當部分飛機出現故障或不合規情況時，將混合前戰略性衝突消除與合規性監控相消除交通

對於人工智慧輔助系統而言，預測功能在此就能發揮作用。模型可以預估偏差是否有可能演變成衝突，從而避免觸及硬性閾值。但預測功能應是對確定性合規性限制的補充，而非替代。

實際操作：將「預測」與「違規」分開。讓人工智慧評估未來風險，同時由可追溯的規則引擎確定作業何時正式違反規定。

第三步：空域變化時重新規劃

有些衝突會在起飛後出現：天氣系統移動、出現優先任務、無人機意外減速或空域限制變更。此時，系統需要的不僅是飛行前調度，還需要滾動式重新規劃：反覆評估每段飛行軌蹟的後續部分，並在情況變得緊急之前提出安全的替代方案。

歐洲航空安全局 (EASA) 的指南允許在不產生新衝突的情況下更新有效授權，並規定了在動態限製或交通狀況使航班面臨風險時發出警報或更新授權的程序。即使在歐洲以外，這也是一種有用的架構模式：區分計劃意圖和實際限制，並確保每次飛行中更新都明確且在所有參與者之間同步。

優化方法在此能發揮作用，因為可能存在多種有效的解決方案。一條路線可能最大限度地減少延誤，另一條路線可能最大限度地減少能源消耗，另一條路線可能最大限度地降低地面風險，還有一條路線可能最大限度地減少對優先級更高交通的干擾。人工智慧技術，例如啟發式搜尋、多智能體規劃或學習策略，可以比人類調度員逐一評估更快地對這些方案進行排序。

實際操作：在選擇演算法之前，應先定義目標函數。衝突消除系統應該清楚其最佳化目標是安全裕度、任務完成率、延遲、電池儲備、公平性，還是這三者之間的某種加權組合。否則，「最優路徑」就失去了實際意義。

第四步：將戰術分離與避碰區分開來

人們普遍誤解戰術衝突規避和防撞是同一回事，其實不然。國際民航組織（ICAO）的無人機交通管理（UTM）指南將戰略衝突規避、戰術間隔和防撞視為不同的層面。戰略機制旨在降低飛機相遇的機率。戰術間隔用於應對飛行中出現的衝突。防撞則是在先前的防護層失效或出現意外危險時的最後一道防線。

這種職責劃分對人工智慧至關重要。在潛在衝突發生前幾分鐘建議更改路線的機器學習模型，與在最後一刻執行規避動作的車載系統有著本質差異。它們在延遲、可靠性、感知和認證方面的需求各不相同。

實際操作：記錄每個決策由哪一層負責。不要讓地面路徑優化器僅僅因為能夠快速給出建議就悄悄地變成避障系統。

人工智慧能夠創造真正價值的領域

當搜尋空間過於龐大，無法用簡單的規則解決，但解決方案仍需滿足嚴格的安全要求時，人工智慧就顯得格外重要。以下四個領域尤為突出。

目前已有針對該方向的積極研究，但成熟度參差不齊。 NASA 於2025 年發布的關於深度強化學習的技術備忘錄提出了一個用於戰術分離保障的模擬框架，並報告了在成對衝突場景中取得的初步學習改進。這項研究前景可期，但並不能證明不受約束的強化學習智能體已準備好控制生產環境中的無人機交通管理 (UTM) 系統。

同樣，SESAR聯合計劃的自主飛行計劃審批服務也被描述為人工智慧驅動，但其目前的成熟度僅為V1/TRL2，仍在開發中。 SESAR的BUBBLES專案也研究了人工智慧如何在考慮自身風險的同時，動態管理最小間隔。

實際操作：依成熟度對人工智慧能力進行分類。將研究原型、運作決策支援和安全信用功能分開，而不是將它們歸為一類。

難度在於保障，而非路線規劃。

產生一條無衝突路徑在計算上很有趣。但要證明整個系統在資料錯誤、服務中斷、時脈不一致、網路安全事件、多個服務提供者以及不合作的流量等情況下都能安全運行，則更具挑戰性。

美國聯邦航空管理局（FAA）目前的統一交通管理（UTM）計畫強調服務提供者之間的互通性、資料共享、治理和自動化測試。這些系統屬性與演算法本身同等重要。如果兩個服務提供者接收相同的意圖，但其中一個由於模型行為的隱藏性而做出不同的處理，運營商需要知道原因。如果模型依賴過時的氣象數據，系統需要有界響應。如果網路連線下降，則需要預先約定的備用方案，而不是臨時應對。

美國太空總署的緊急應變計畫工具包計畫於 2026 年 1 月更新，提出了一個相關的觀點：未來的 UTM 和先進空中交通概念預計會越來越依賴自主性、人工智慧和機器學習，但協調的緊急處理仍然需要精心的人機協作。

實際操作：在優化正常路徑之前，先設計故障模式。明確當遙測資料延遲、服務提供者無法存取、預測置信度崩潰或飛機停止正常運作時會發生什麼情況。

從易到難的實用架構

1. 數據標準化。使用統一的座標、海拔、時間、單位和不確定性約定。
2. 共享操作意圖。使授權參與者能夠發現 4D 資料卷。
3. 進行確定性戰略檢查。出發前排除明顯的交叉點。
4. 監控飛行行為是否符合預期。偵測實際飛行行為何時與預期行為偏離。
5. 增加滾動式重新規劃功能。隨著約束條件的變化，重新計算安全選項。
6. 利用人工智慧進行排名和預測。在不降低安全約束的前提下，加快決策速度。
7. 保持戰術屏障和機載屏障的有效性。當先前的防護層不足以應對時，應保持戰術隔離和避碰措施的有效性。
8. 確保網路安全。測試互通性、降級模式、網路安全、公平性、可解釋性和復原程序。

這種循序漸進的方式可以避免常見的工程錯誤：在系統沒有可靠的意圖資料、共享規則和安全邊界的情況下，就開始建立一個令人印象深刻的模型。

自我檢測：你的衝突消除系統真的準備好了嗎？

在將某個平台稱為「AI驅動的UTM」之前，應該針對能夠暴露其架構缺陷的問題對其進行測試：

• 能否將每個計劃操作表示為不確定性範圍的、有時限的 4D 體積？
• 如果人工智慧組件不可用，該系統能否在不使用機器學習的情況下檢測衝突？
• 服務提供者之間的優先順序和公平性規則是否明確、一致且可檢查？
• 一致性監控能否區分正常的導航誤差和真正的操作偏差？
• 動態限制、天氣變化和緊急任務能否觸發同步重新規劃？
• 戰略衝突消除、戰術分離和碰撞避免是否被視為獨立的安全層？
• 操作員能否理解路線被拒絕、延誤或改道的原因？
• 該系統是否已使用過時資料、連接遺失、不合格飛機和相互衝突的服務提供者狀態進行過測試？
• 人工智慧模型的評估是否考慮其失效行為，而不僅僅是平均優化性能？
• 是否存在明確的安全狀態，在該狀態下網路或預測層不可信？

如果多個問題的答案都是“否”，那麼下一步的投資可能應該放在資料品質、互通性、一致性監控或保證上，而不是更複雜的 AI 模型上。

底線

UTM難題並非單一演算法就能解決。高密度低空域需要多重防禦機制：共享意圖使交通可見，戰略衝突消解消除可預見的衝突，一致性監控檢測偏差，戰術服務應對不斷變化的情況，以及作為最終屏障的防撞系統。人工智慧可以透過預測衝突和搜尋大量替代航跡，使這套防禦機制運行更快、更具適應性，但它必須在可驗證的約束條件下運作。

這是目前思考人工智慧驅動的衝突消除的最有效方式：它不是取代其下所有系統的自主空中交通管制員，而是一個決策層，只有在底層 UTM 生態系統具有互通性、可觀察性和安全性，並且在人工智慧出錯或不可用時才具有價值。