《Aerospace》:From Satellite Systems Design, Verification, and Testing to Spacecraft Operations
Andrea Colagrossi
编辑推荐:
本文旨在揭示复杂飞行任务中飞行员意图的生成模式并识别其意图状态,从而使机载预警系统能够理解并预测飞行员意图以制定早期预警策略。为实现这一目标,研究人员设计了一项包含多种风险情景的模拟飞行实验以诱发飞行员意图,采集了反映飞行员意图状态的眼动追踪数据,并提出了一种
本文旨在揭示复杂飞行任务中飞行员意图的生成模式并识别其意图状态,从而使机载预警系统能够理解并预测飞行员意图以制定早期预警策略。为实现这一目标,研究人员设计了一项包含多种风险情景的模拟飞行实验以诱发飞行员意图,采集了反映飞行员意图状态的眼动追踪数据,并提出了一种基于眼动数据的飞行员意图持续性识别方法。随后,研究人员构建了飞行员意图数据集,分析了意图持续状态下眼动数据的时频特征,揭示了飞行员意图生成后的关键行为特征。此外,研究人员还考察了能够提升飞行员意图识别模型性能的眼动特征。最后,研究人员开发了一种整合循环神经网络(RNN)与双向长短期记忆(BiLSTM)网络的深度学习模型用于识别飞行员意图。结果表明,该模型在测试集上的识别准确率达到 97.8%,并通过与基线模型的对比验证了其在识别飞行员意图状态方面的性能。该研究证实了眼动数据可有效识别飞行员意图状态,并为航空器安全预警与智能控制系统提供了新见解。
随着航空运输业的快速发展,尽管航空事故率呈下降趋势,但民航安全仍是首要任务。据统计,超过 50% 的飞行事故归因于飞行员操控失误,其中决策问题占比显著。现有的自动飞行控制系统(AFCS)虽能维持飞行稳定,却未能充分考量飞行员的认知过程与决策意图。特别是在波音 737 MAX 8 事故后,识别飞行员操控意图以避免人机冲突备受关注。现有研究多集中于利用飞行数据、生理数据或眼动数据识别战术级机动意图,但飞行数据存在滞后性,生理数据易受噪声干扰,而眼动数据能敏锐反映意图形成早期的信息搜索与注意力分配模式,相关研究尚显不足。
针对上述问题,研究人员开展了一项基于模拟飞行实验的研究,旨在通过分析眼动数据识别飞行员意图状态。研究团队招募了 22 名具备 B787 航线运行资质的飞行员组成 11 个机组,在 D 级波音 B787 全动模拟机上执行从福州长乐国际机场至东京成田国际机场的飞行任务。实验中引入了风切变、雷暴及单发失效三种风险情景以诱发飞行员意图。研究人员使用采样频率为 50 Hz 的 Tobii Pro Glasses 3 穿戴式眼动仪,采集了主飞飞行员(左座)的眼动追踪数据,包括注视点位置、眼动角速度及瞳孔直径等七个参数。研究定义了“意图存在”与“意图缺失”两种状态,前者指飞行员在执行具体操控动作前,注视点首次进入导航显示器(ND)、主飞行显示器(PFD)或控制显示单元(CDU)等关键仪表区域至开始执行操控动作之间的时间段;后者则为平稳飞行阶段。研究人员对原始数据进行了去噪、插值及眨眼剔除等预处理,并提取了时域特征(均值、标准差、均方根)与频域特征(基于功率谱密度 PSD 的超低频、低频、中频及高频能量占比)。最终,构建了一个包含 650 个意图事件样本和 600 个非意图事件样本的数据集,并开发了一种结合 RNN 与 BiLSTM 的混合深度学习模型(RNN-BiLSTM)进行意图状态分类,同时设置了逻辑回归、支持向量机(SVM)、随机森林、XGBoost 及单向 LSTM 作为基线模型进行对比评估。
研究结果表明,在时域特征上,意图存在状态下,飞行员在垂直方向上的注视点方差显著降低,表明视线更加集中于关键仪表区域;瞳孔直径的波动性减小,显示出更稳定的唤醒水平。在频域特征上,意图存在状态下,瞳孔直径在低频和中频频段的功率谱密度显著升高,反映了认知负荷与持续注意力的增强;注视点位置在中频频段的能量也有所增加,暗示了更频繁的目视搜索行为。模型性能方面,RNN-BiLSTM 模型表现最优,其在测试集上的识别准确率达到 97.8%,F1 分数为 0.948,召回率为 0.965,显著优于其他传统机器学习模型及单向 LSTM 模型。这证明了利用具有记忆机制的时序模型能更充分地挖掘眼动数据中的动态依赖关系。
讨论部分指出,飞行员在意图形成阶段会重新分配视觉资源至任务关键区,且眼动模式符合“感知 - 判断 - 执行”的认知过程。基于眼动的意图识别可为机载预警系统提供前置信息,通过自适应抑制预期内的警报或在意图与飞行状态不匹配时提前预警,从而提升飞行安全。然而,研究也存在局限性,如数据源自特定模拟环境、样本量有限、未融合多模态数据以及模型可解释性不足等。未来研究需在实际飞行数据中验证模型鲁棒性,探索多模态融合及细粒度意图分类,并引入注意力机制等方法增强模型可解释性。
研究结论总结:眼动数据的时频分析显示,飞行员在意图形成时会提前聚焦关键仪表区并保持瞳孔反应稳定;瞳孔直径的低中频振荡与注视点位置的中频波动是区分意图状态的关键指标;眼动序列中的时序信息对意图识别至关重要,需采用具备记忆功能的时序模型进行挖掘;该方法在机载预警系统中具有应用潜力,但需进一步扩大验证范围并提升模型可解释性。