Idén kring Följsam automation (F-Auto) innebär att trafikledningssystemet - i kontrollrummet - har förmågan att förstå trafikledaren och kunna anpassa sin information, baserat på individens aktuella arbetsuppgifter och analys av trafiksituationen. Exempelvis skulle ett sådant trafikledningssystem kunna signalera (prediktera) att man har en uppkommande situation som måste ges speciell uppmärksamhet, alternativt senarelägga ett mindre viktigt larm om trafikledaren är upptagen. I F-autoprojekten (Del 1 och Del 2) har forskargruppen skapat ett antal innovativa koncept för följsam automation och skapat skarpa demonstratorsystem för att studera avancerad följsam automation i kontrollrumsmiljö. Angreppssättet i projekten har varit att tillsammans med trafikledare - från sjö- flyg- och tågdomänerna - ta fram interaktionskoncept som kontinuerligt förfinats och implementerats i tekniska protyper som utvärderas. I Del 1 av projektet, som genomfördes 2018-2020, identifierades det trafikslagsövergripande behovet av uppmärksamhetsstöd för trafikledare. Detta ledde till framtagandet av (1) antal koncept och prototyper för följsam automation (2) startade utvecklingen av en kognitiv teoribildning för följsam automation (Joint Control Framework), (3) påbörjade utvecklingen av ett AI-mjukvaruramverk för transportsektorn med operatörsstöd (SOMA-AI) samt (4) installerade ett högpresterande datorkluster för AI-studier på LiU. Syftet med F-Auto2 var att fortsätta på arbetet som gjorts i första delprojektet, förfina koncept och prototyper, utvärdera för- och nackdelar med ansatsen för följsam automation samt göra jämförelser mellan trafikdomänerna. I F-Auto2 har forskargruppen vidareutvecklat interaktionskoncepten för följsam automation och teoribildningen Joint Control Framework med det relaterade forskningsverktyget för interaktionsanalys (JCF Editor) kopplat till trafikledares arbetsuppgifter. Vad gäller den tekniska utvecklingen av systemprototyper för trafikledning har Del 2 tagit fram SOMA-AI, ett verktyg för att snabbt skapa AI-prototyper och strömma data från befintliga simulatormiljöer. Målet med denna utveckling var att snabbt kunna utvärdera olika HMI (eng., Human Machine Interface) och utvärdera AI-assistenter för trafikledning i de befintliga trafikledningssimulatorerna. Olika delar av SOMA-AI används i flera TrV-relaterade projekt (ASSIST, Navstöd från Land och DitaRTS) och har använts i olika simuleringsmiljöer, bland annat en Sjöfartsverkets VTS-simulator samt Saabs Remote Tower-miljö. Forskningsresultaten från projektet har rapporterats internationellt och nationellt vid olika konferenser och tidskrifter, även populärvetenskapligt (se Avsnitt: Publicerade forskningsbidrag). Ett viktigt resultat från F-Auto2 är doktorsavhandlingen ”Flexible Automation in Air Traffic Control Through Adaption of Human-AI Collaboration” av Magnus Nylin (2024). I avhandlingen beskrivs fem forskningsartiklar – som genomförts i projektet – där ansatsen samt resultat av utvärderingar av prototyper med trafikledare presenteras. Projektet har under projektperioden arrangerat konferensen SweAuto vid två tillfällen (2021 samt 2024). Målet med konferenserna har varit att främja kunskapsutbyte kring automation och AI mellan akademi och industri. För övrigt kan sägas att F-Autoprojektet resulterat i att minst tre forskargrupper har kunnat etablerats (Lundberg och Bång’s respektive grupper på LiU och Praetorius grupp på VTI). Utöver detta har vår ansats genererat intresse speciellt inom EUs forskningsprogram Horizon2020, där LiU och våra projektparter nu är del i olika forskningsprojekt.

The idea behind Adaptive Automation (F-Auto) is that the traffic management system - in the control room - should have the ability to understand the human traffic controller and adapt its information, based on the individual's current tasks and analysis of the traffic situation. For example, such a traffic management system could signal (predict) that there is an emerging situation that needs to be given special attention, or postpone a less important alarm if the traffic controller is busy. In the F-auto projects (Part 1 and Part 2), the research group has created a number of innovative concepts for adaptive automation and created sharp demonstrator systems to study advanced adaptive automation in a control room environment. The approach in the projects has been to work together with traffic controllers - from the maritime, aviation and railway domains - to develop interaction concepts that are continuously refined and implemented in technical prototypes that are evaluated. In Part 1 of the project, which was carried out in 2018-2020, the need for attention support for traffic controllers across all modes of transport was identified. This led to the development of (1) a number of concepts and prototypes for adaptive automation, (2) the development of a cognitive theory for adaptive automation (Joint Control Framework), (3) the development of an AI software framework for the transport sector with operator support (SOMA-AI), and (4) the installation of a high-performance computing cluster for AI studies at LiU. The aim of F-Auto2 was to continue the work done in the first part of the project, refine concepts and prototypes, evaluate the advantages and disadvantages of the adaptive automation approach, and make comparisons between traffic domains. In F-Auto2, the research group has further developed the interaction concepts for compliant automation and the theory - the Joint Control Framework - with a research tool for interaction analysis (JCF Editor) applied to traffic controller tasks. Regarding the technical development of system prototypes for traffic control, we have in Part 2 developed SOMA-AI further to support rapid AI prototyping with streaming data from existing simulator environments. The goal of this development was to be able to quickly evaluate different HMIs (Human Machine Interfaces) and evaluate AI assistants for traffic control in existing traffic simulators. Different parts of SOMA-AI are used in several TrV-related projects (ASSIST, Navstöd från Land and DitaRTS) and have been used in various simulation environments, including a Swedish Maritime Administration VTS simulator and the Saab's Remote Tower environment. The research results from the project have been reported internationally and nationally at various conferences and journals, including popular science journals (see Section: Published research contributions). An important result from F-Auto2 is the doctoral thesis “Flexible Automation in Air Traffic Control Through Adaption of Human-AI Collaboration” by Magnus Nylin (2024). The thesis describes five research articles – carried out in the project – where the approach and results of evaluations of prototypes with traffic controllers are presented. During the project period, the project has arranged the SweAuto conference on two occasions (2021 and 2024). The aim of the conferences has been to promote knowledge exchange on automation and AI between academia and industry. It can also be said that the F-Auto project has resulted in at least three research groups being established (Lundberg and Bång’s respective groups at LiU and Praetorius’ group at VTI). In addition to this, our approach has generated interest especially within the EU's Horizon2020 research program, where LiU and our project partners are now part of various research projects.