《Journal of Cognitive Engineering and Decision Making》:Enhancing Decision-Making in Single-Pilot Operations Through Proactive and Explainable Human-Autonomy Teaming
编辑推荐:
商用航空中的单飞行员操作(Single-Pilot Operations, SPO)在复杂且时间紧迫的情境中提出了严峻的安全挑战,此时人类专业知识至关重要。本研究探讨了基于人工智能的人机自主协同(Human-Autonomy Teaming, HAT)如何在高
商用航空中的单飞行员操作(Single-Pilot Operations, SPO)在复杂且时间紧迫的情境中提出了严峻的安全挑战,此时人类专业知识至关重要。本研究探讨了基于人工智能的人机自主协同(Human-Autonomy Teaming, HAT)如何在高工作负荷、受损态势感知和时间压力下支持飞行员决策。在高保真空客A320模拟器中,22名航空公司飞行员执行了一个燃料和时间受限的进近场景,该场景设计用于检验HAT在四种条件下的运行有效性:无辅助、按需AI、主动AI和主动可解释AI。工作负荷(NASA-TLX)在所有条件下保持高位,但决策表现显著不同。无辅助时,仅20%选择了最安全的着陆选项;使用按需AI时为40%;使用主动AI(两种版本)时为100%。可解释AI产生了最高的情景理解度(75%),与双人机组基线表现相当。主动系统增加了决策和态势感知相关交互,促进了类似于传统机组资源管理的协作动态。因此,结果表明,在SPO情境下,主动且可解释的AI在实验场景内与机组级决策表现相关,且未增加认知负荷。在航空领域之外,该研究结果对于高风险领域中由人类和AI组成的团队必须实时适应的认知支持系统设计具有参考价值。
航空业正从双人机组操作(Two-Crew Operations, TCO)向单飞行员操作(Single-Pilot Operations, SPO)逐步过渡,这一转变带来了诸多安全挑战。在复杂、时间紧迫的场景中,单飞行员可能面临高工作负荷、态势感知(Situation Awareness, SA)下降等风险。尽管驾驶舱技术不断进步,但必须确保飞行员的认知需求处于可接受水平。基于AI的人机自主协同(Human-Autonomy Teaming, HAT)被视为一种潜在解决方案,其目标并非取代飞行员,而是通过协作增强飞行员的认知能力。为此,研究人员提出三个研究问题:(Q1)无辅助SPO能否安全运行?(Q2)主动式辅助是否比按需辅助更能提高安全性?(Q3)具有解释能力的先进辅助系统是否比简单系统更安全?
为回答这些问题,研究人员在高保真空客A320模拟器中开展实验,招募22名航空公司飞行员,将其分为四组,分别对应四种SPO条件:无辅助(条件1)、按需AI(条件2)、主动AI(条件3)、主动可解释AI(条件4)。实验场景包含燃油限制、复飞、风向变化、电气故障等事件,要求飞行员在时间压力下做出着陆跑道选择。研究人员还将先前研究中10名飞行员的传统双人机组数据作为基线参考。结果显示,主动AI条件下所有飞行员均选择了最安全的着陆跑道,可解释AI还带来了最高的情景理解水平,且未增加认知负荷。这些发现对SPO的实施以及高风险领域的人机认知支持系统设计具有重要参考价值。
在技术方法上,研究采用高保真A320静态模拟器,并通过“Wizard of Oz”方式模拟AI,AI能够进行自然语言交互,同时辅以增强现实显示。主观测量工具包括NASA-TLX工作负荷问卷、SART态势感知问卷和技术接受模型(TAM)问卷;客观测量包括着陆跑道选择、飞行员与AI的交互次数及内容分类。参与者的平均年龄为34.6岁,A320平均飞行经验为2975小时;基线数据来自先前研究的10名飞行员。统计处理采用Shapiro-Wilk检验、Kruskal-Wallis检验、Dunn事后检验和Fisher精确检验等。
### 工作负荷评估
NASA-TLX结果显示,所有条件下的总体工作负荷均较高,但条件间无显著差异(χ
2 = 3.72, df = 4, p = 0.44)。这表明在SPO中引入AI辅助并未显著增加飞行员的感知负荷,同时可能反映飞行员未能完全感知到情境的实际复杂性。
### 态势感知评估
SART总评分在各条件间无显著差异(χ
2 = 4.205, df = 4, p = 0.38),但理解维度及访谈结果显示,条件4(主动可解释AI)的情景理解最高(75%),与TCO基线相当;条件1最低(20%),条件2和3分别为40%和43%。尽管差异未达统计学显著,但呈现出辅助水平提高与理解能力改善之间的正向关系。
### 交互分析
主动条件(3和4)下的飞行员-AI总交互次数显著高于按需条件(2)(χ
2 = 11.82, p = 0.003),其中涉及态势感知和决策的交互在条件4最高、条件2最低(χ
2 = 10.49, p = 0.05)。这显示主动AI促进了更多的协作式交流,类似传统机组中的资源管理动态。
### 安全关键决策:跑道选择
无辅助条件(1)中仅20%的飞行员选择最安全的跑道09,按需条件(2)为40%,而主动条件(3和4)均为100%。无主动AI的组(条件1和2)与有主动AI的组(条件3和4)之间的差异显著(Fisher精确检验,p = 0.0031)。此外,理解与决策之间存在显著相关(χ
2 = 4.10, p = 0.043),表明对情境的深入理解有助于正确选择跑道。
讨论部分指出,无辅助SPO在关键场景中存在严重安全挑战,因为飞行员难以在时间压力下重新评估初始计划。按需AI虽提供了一定帮助,但仍有大部分飞行员未能选择安全跑道。主动AI通过及时提示和性能计算显著提高了决策正确率,而可解释AI通过提供理由进一步改善了对运行约束的理解。然而,研究也观察到飞行员对AI建议的过度依赖,未独立验证关键信息,提示未来系统需校准信任,避免自动化偏见。研究存在模拟环境与真实环境差异、样本量较小、多模态设计混淆等局限性。结论指出,在复杂关键场景中,无辅助SPO存在安全隐患;主动辅助支持及时重新评估,可解释辅助进一步增进理解。与按需AI相比,可解释主动AI与更优的决策质量和更安全的运行结果相关。研究结果为设计SPO所需辅助水平提供了启示,即在关键和复杂情况下,飞行员需要额外帮助以保持可接受工作负荷和安全水平,同时做出最有效的决策。