这篇由Yiyuan Zou等三位作者完成的论文于2026年6月30日提交至arXiv，编号为arXiv:2607.00064v1，归类于人工智能（cs.AI），同时涉及机器人学（cs.RO）与系统与控制（eess.SY）两个交叉领域。论文共37页、含16幅图，聚焦一个长期困扰空中交通管理领域的现实矛盾：尽管学术界提出了大量路径规划算法，但它们在战术管制中的实际采用率始终有限。作者指出，这一落差并非单纯的技术成熟度问题，而是算法设计优先级与空中交通管制员真实需求之间的系统性错位。
论文开篇即点明研究动机。随着技术进步，面向空中交通管理的路径规划方法层出不穷，但管制员在实时 tactical control 中仍然主要依赖自身经验与现有工具。作者认为，要让决策支持系统真正进入管制席位，算法必须同时满足三个条件：内在可解释、计算高效，并且从设计之初就面向人机协同而非完全自动化。基于这一判断，研究团队开发了一种针对航路空中交通管制（en-route ATC）的无冲突路径规划算法，其设计围绕两条指导原则展开。
第一条原则关乎可解释性与灵活性。作者借鉴解空间显示（solution-space displays）的思路，主张算法不应只输出单一最优路径，而应暴露所有可行的安全动作，使管制员能够在优化目标发生变化时灵活调整选择。第二条原则关乎管制员的决策逻辑。在实际执行中，管制员需要同时满足间隔标准、航空器机动能力限制、航点数量最小化以及航路实用性等一系列运行约束。算法若不能贴合这些约束的处理方式，即便数学上最优，也难以获得操作层面的信任。
在具体技术路线上，该算法将三种基于意图的冲突检测方法整合进解空间框架：基于距离的方法、基于时间区间的方法以及基于区域的方法。三种方法的目标一致，都是在计算高效的条件下识别无冲突路径，但各自对冲突的刻画方式不同。与此同时，作者提出了两类搜索节点用于解空间路径规划（SSPP）：基于顶点的节点与基于边的节点，由此形成SSPPV与SSPPE两个算法变体，并从计算速度和解的质量两个维度进行对比评估。
实证评估采用了具有运行相关性的场景。测试环境基于马斯特里赫特上区管制中心（MUAC）的Delta扇区，网格分辨率设为5海里。结果显示，SSPPV与基于区域的冲突检测相组合时表现最佳，平均路径计算时间仅为3.69毫秒。这一数量级意味着算法具备在管制时间尺度内提供决策支持的潜力。论文的贡献不仅在于速度指标，更在于它示范了一种以人为中心的设计路径：把管制员需要的可见性、可调性与运行约束嵌入算法结构，而非事后附加解释层。
从更广的背景看，这项工作回应了AI进入安全关键领域时的一个核心议题——自动化建议如何与人类专家的判断形成互补。作者没有声称算法可以取代管制员，而是将其定位为决策支持工具，强调暴露可行解空间比给出唯一答案更符合战术管制的实际工作方式。论文的局限也隐含其中：评估集中于单一扇区与特定网格设置，后续仍需在更多空域结构与交通复杂度下验证其泛化能力。