SCOPE: A Lightweight-training LLM Framework for Air Traffic Control Readback Monitoring

📄 arXiv: 2605.29543v1 📥 PDF

作者: Qihan Deng, Minghua Zhang, Yang Yang, Zhenyu Gao

分类: cs.LG, cs.AI, cs.CL, cs.HC, cs.IR

发布日期: 2026-05-28

💡 一句话要点

提出SCOPE轻量级训练框架，用于空管指令复诵监控，提升效率与准确率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 空中交通管制 复诵监控 大型语言模型 开放集分类 轻量级训练

📋 核心要点

  1. 现有空管复诵监控方法难以应对语音指令的高度可变性和不断演进的术语，泛化能力不足。
  2. SCOPE框架通过结合开放集分类器和上下文学习机制，在冻结的LLM基础上实现高效的复诵监控。
  3. 实验表明，SCOPE在少样本情况下实现了高准确率和低延迟，优于现有基线，并提供决策解释。

📝 摘要（中文）

飞行员对空中交通管制（ATC）语音指令的复诵是防止航空运输中通信误解的主要保障。然而，复诵异常仍然与大约80%的航空事件有关。交通量的增加和认知负荷的提升进一步加剧了这种脆弱性，从而推动了机器自动复诵监控的需求。传统的基于规则和机器学习的方法难以推广到空中交通管制员-飞行员通信中高度可变和不断发展的术语。虽然大型语言模型（LLM）通过其强大的推理和泛化能力开辟了一条新途径，但现有方法在实践中仍然面临部署和计算障碍。本文提出了通过开放集插件与示例进行通信的语义推理（SCOPE），这是一种新颖的轻量级训练LLM框架，可提高基于机器的ATC复诵监控的效率和准确性。核心思想是将插件开放集分类器与精心设计的冻结LLM上的上下文学习机制相结合。在半合成通信数据集上的大量实验表明，SCOPE在实现卓越准确性的同时，提供了运营环境所需的低延迟响应。在少样本设置下，SCOPE在开放集检测中实现了91.05%的准确率，并纠正了96.63%的异常复诵，从而优于现有的最强基线，同时为其决策提供了解释。这些发现证明了我们的框架作为一种可解释和可控的ATC复诵监控的实用途径的潜力。

🔬 方法详解

问题定义：论文旨在解决空中交通管制(ATC)中飞行员复诵监控的问题。现有方法，如基于规则和传统机器学习的方法，难以泛化到复杂多变的ATC通信场景中，而直接应用大型语言模型(LLM)又面临计算资源和部署的挑战。因此，需要一种既能利用LLM的强大能力，又能降低计算成本，并提高准确率的复诵监控方案。

核心思路：SCOPE的核心思路是利用预训练的LLM的语义理解能力，结合开放集分类器来识别和纠正异常复诵。通过冻结LLM的大部分参数，并采用上下文学习的方式，减少了训练所需的计算资源。同时，开放集分类器能够有效识别未知的异常类型，提高了系统的鲁棒性。

技术框架：SCOPE框架主要包含两个核心模块：一个是冻结的预训练LLM，负责语义理解和生成；另一个是插件式的开放集分类器，用于识别和分类异常复诵。整体流程如下：首先，将ATC指令和飞行员复诵输入到LLM中，LLM根据上下文生成期望的复诵结果。然后，将生成的复诵结果与实际复诵进行比较，如果差异超过阈值，则通过开放集分类器判断是否为异常。如果是异常，则利用LLM进行纠正。

关键创新：SCOPE的关键创新在于其轻量级训练和开放集检测能力。通过冻结LLM的大部分参数，显著降低了训练成本，使其能够在资源受限的环境中部署。同时，开放集分类器的引入，使得系统能够识别和处理未知的异常类型，提高了系统的实用性和鲁棒性。

关键设计：SCOPE的关键设计包括：1) 精心设计的上下文学习机制，通过少量示例引导LLM进行复诵生成和异常检测；2) 插件式的开放集分类器，采用合适的分类算法（具体算法未知）来区分已知和未知的异常类型；3) 损失函数的设计，可能包括交叉熵损失和对比损失等，用于优化LLM的生成和分类性能（具体细节未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SCOPE在半合成通信数据集上取得了显著的实验结果。在少样本设置下，SCOPE在开放集检测中达到了91.05%的准确率，并成功纠正了96.63%的异常复诵。这些结果优于现有的最强基线，证明了SCOPE框架在ATC复诵监控方面的有效性和优越性。此外，SCOPE还能够为决策提供解释，增强了系统的可信度。

🎯 应用场景

SCOPE框架可应用于实际的空中交通管制系统中，辅助管制员进行复诵监控，降低人为错误的风险，提高飞行安全。此外，该框架还可以扩展到其他语音指令交互场景，如智能客服、语音助手等，提升人机交互的准确性和可靠性。未来，结合更先进的LLM和开放集分类技术，SCOPE有望实现更智能、更高效的语音指令处理。

📄 摘要（原文）

Pilot readback of Air Traffic Control (ATC) voice instructions is a primary safeguard against miscommunication in air transportation. However, readback anomalies remain implicated in approximately 80% of aviation incidents. This vulnerability is further exacerbated by rising traffic volume and elevated cognitive workload, thereby motivating automated readback monitoring by machine. Traditional rule-based and machine learning approaches struggle to generalize across the highly variable and evolving phraseology of air traffic controller-pilot communications. While Large Language Models (LLMs) have opened a new avenue through their strong reasoning and generalization capabilities, existing approaches still face deployment and computational barriers in practice. In this work, we propose Semantic reasoning for Communication via Open-set Plug-in with Examples (SCOPE), a novel lightweight-training LLM framework that advances both the efficiency and accuracy of machine-based ATC readback monitoring. The core idea is to couple a plug-in open-set classifier with a carefully designed in-context learning mechanism on top of a frozen LLM. Extensive experiments on the semi-synthetic communication dataset show that SCOPE attains superior accuracy while delivering the low-latency response required for operational environments. Under a few-shot setting, SCOPE achieves 91.05% accuracy in open-set detection and corrects 96.63% of anomalous readbacks, thereby outperforming the strongest available baselines while providing explanations for its decisions. These findings demonstrate the potential of our framework as a practical pathway toward interpretable and controllable ATC readback monitoring.