利用大语言模型迈向无塔台机场周边空中交通安全评估的自动化

我们研究利用大语言模型（LLM）在无塔台机场开展飞行后安全分析的框架。无塔台机场依靠通用交通咨询频率（CTAF）协调空中交通，且由于飞行员自我播报的通信协议，频繁遭遇空中危险接近（near mid-air collision）事件。我们提出一种通用的视觉语言模型（VLM）方法，分析转写为自然语言的CTAF无线电通话、机场气象报告（METAR）天气数据、广播式自动相关监视（ADS-B）飞行轨迹，以及机场的目视飞行规则分区航图。我们在Half Moon Bay机场开展初步研究，包括真实世界案例的定性研究，以及使用新构建的通话与天气模态合成数据集进行的定量评估。我们使用Gemini 2.5 Pro在真实飞行数据上定性评估该框架，展示了对一起优先权违规的准确识别。该合成数据集由真实样例派生，包含12类危险分类体系，用于在CTAF与METAR相关输入子集上对三个开源（Qwen 2.5-7B、Mistral-7B、Gemma-2-9B）与三个闭源（GPT-4o、GPT-5.4、Claude Sonnet 4.6）LLM进行基准测试。即便仅限于CTAF与METAR输入和开源LLM，本框架的各实例在二元正常/危险分类任务上通常也能取得高于0.85的宏F1分数。未来工作包括覆盖全部模态的定量评估以及更多真实世界样例。综合来看，我们的结果表明，基于VLM的无塔台机场安全分析或将成为有价值的未来能力。