《Electronics》：Development and Evaluation of a Virtual UAV Training System for Flight Skill Acquisition
编辑推荐：
无人航空载具（UAV）操作训练常受限于高昂的设备成本、安全风险以及有限的训练场地。此外，新手操作员在高风险环境中可能经历压力与焦虑，进而影响注意力、决策能力和任务表现。为克服这些挑战，本研究利用Unity和C#开发了一套虚拟无人机训练系统。该系统通过基于UDP
无人航空载具（UAV）操作训练常受限于高昂的设备成本、安全风险以及有限的训练场地。此外，新手操作员在高风险环境中可能经历压力与焦虑，进而影响注意力、决策能力和任务表现。为克服这些挑战，本研究利用Unity和C#开发了一套虚拟无人机训练系统。该系统通过基于UDP协议的通信，实现了虚拟无人机与物理无人机之间的双向指令通信与实时状态同步。研究采用准实验设计来评估该系统的技术可行性与训练绩效。60名无无人机操作经验的大学生被分配到虚拟训练组或实体训练组。学习绩效从知识获取、飞行表现、学习动机、认知负荷和技术接受度等方面进行评估。结果显示，两组在知识与飞行表现上均有显著提升，且在预设范围内达到统计与实践上的等效性，表明学习成果相当。虚拟训练组在ARCS动机量表中获得了更高的“相关性”评分，但经历了更大的外在认知负荷，而实体训练组则表现出更高的技术接受度。总体而言，所提出的系统为传统实体无人机训练提供了一种安全、灵活且有效的替代方案。未来的工作可优化用户界面以降低外在认知负荷并提升技术接受度，从而提高其在技能导向教育与训练中的适用性。
一、研究背景与现存问题
随着无人机技术的快速发展，其在商业测绘、精准农业、环境监测、基础设施巡检及灾害响应等领域的应用日益广泛，对合格操作人员的需求也随之增加。然而，传统的无人机操作训练高度依赖实体飞行实践，这虽然能提供真实的操作体验，但也面临三大核心困境：一是设备成本高昂，尤其是高级或专业级无人机训练；二是新手操作员因担心设备损坏和操作失误而产生巨大的心理压力与焦虑，这会损害其注意力、情境意识和决策能力，最终阻碍技能习得；三是训练场地受限且存在固有的安全风险。尽管模拟训练已在航空、医疗等领域展现出优势，但针对无人机虚拟训练，特别是基于数字孪生的虚拟训练能否在学习成效上与实体训练相媲美，同时如何影响学习者的动机、认知负荷与技术接受度，仍缺乏充分的实证研究。因此，有必要开发并评估一套能够实现安全、灵活且有效训练的虚拟无人机系统。
二、研究内容与结论
为解决上述问题，研究人员开发了一套具备双向通信与实时虚实同步功能的虚拟无人机训练系统，并招募了60名无无人机经验的台湾北部某大学学生，将其分为虚拟训练组（n=30）与实体训练组（n=30），开展了准实验研究。研究结果表明：1）在学习绩效方面，两组在无人机知识与飞行技能上均取得显著提升，且后测成绩在统计上等效，证明虚拟训练能达到与实体训练相当的学习效果；2）在学习动机方面，两组整体动机水平无显著差异，但虚拟训练组在ARCS模型的“相关性”维度得分显著更高，表明虚拟环境增强了学习者对学习内容与实际应用关联性的感知；3）在认知负荷方面，虚拟训练组报告了显著更高的外在认知负荷，暗示其界面或空间感知需求带来了额外认知负担；4）在技术接受度方面，实体训练组的整体接受度更高，尤其在感知有用性和使用态度上显著优于虚拟组，但两组的未来行为意向无显著差异。该研究的重要意义在于证实了数字孪生驱动的虚拟无人机训练系统可作为实体训练的安全、灵活且有效的补充或替代方案，为技能导向教育提供了新的路径。该论文发表于《Electronics》。
三、关键技术方法
为开展此项研究，作者主要采用了以下关键技术方法：1）系统开发工具：利用Unity游戏引擎和C#编程语言构建虚拟飞行环境、用户界面及交互功能；2）数字孪生架构：开发了一个四层数字孪生原型系统，包括虚拟环境层、通信与控制层、实体无人机层以及虚实同步机制；3）通信协议：采用用户数据报协议（UDP）结合大疆创新（DJI）应用程序接口（API），通过Wi-Fi网络实现虚拟与实体无人机间的低延迟双向通信；4）控制界面统一化：为确保公平比较，两组均使用安卓智能手机作为控制终端，并采用一致的双摇杆控制逻辑（左摇杆控制平移，右摇杆控制高度与偏航）。此外，研究还设计了基于开源计算机视觉库（OpenCV）的图像处理模块，用于自动识别目标并计算其与图像中心的欧几里得距离，以评估摄影任务的精确度。
四、研究结果
4.1. 学习绩效分析
4.1.1. 无人机知识测试结果：通过对前后测成绩进行配对样本t检验发现，虚拟训练组（t=13.35, p<0.001, Cohen's d=2.44）与实体训练组（t=12.85, p<0.001, Cohen's d=2.35）的知识成绩均有极显著提升，效应量极大。协方差分析（ANCOVA）显示，在控制前测成绩后，两组后测成绩无显著差异（F(1,57)=0.167, p=0.684, η2=0.003），且均值差（-1.33分）的95%置信区间完全落在预设的±10分等效范围内，表明两组知识学习成果等效。
4.1.2. 无人机飞行测试结果：配对样本t检验显示，虚拟训练组（t=7.78, p<0.001, Cohen's d=1.42）与实体训练组（t=9.19, p<0.001, Cohen's d=1.68）的飞行技能均有显著提升，效应量大。ANCOVA分析表明，在控制前测成绩后，两组后测飞行成绩无显著差异（F(1,57)=0.122, p=0.728, η2=0.002），均值差（0.50分）的95%置信区间同样完全落在±10分等效范围内，证明两种训练方式在飞行技能发展上效果等效。
4.2. 学习动机分析
独立样本t检验显示，两组在整体学习动机上无显著差异（t=-0.12, p=0.908）。但在ARCS各维度分析中发现，虚拟训练组在“相关性”维度得分（M=4.08）显著高于实体训练组（M=3.68）（t=2.45, p=0.018, Cohen's d=0.63），表明虚拟训练更能让学习者感受到学习内容与个人目标或实际应用的关联。
4.3. 认知负荷分析
两组在整体认知负荷上无显著差异（t=1.16, p=0.252）。但在分维度比较中，虚拟训练组的外在认知负荷（M=1.78）显著高于实体训练组（M=1.44）（t=2.54, p=0.014, Cohen's d=0.66），表明虚拟环境的信息呈现或界面设计给学习者带来了额外的认知处理负担。内在认知负荷与相关认知负荷则无组间差异。
4.4. 技术接受度分析
实体训练组的整体技术接受度（M=4.48）显著高于虚拟训练组（M=4.19）（t=-2.85, p=0.006, Cohen's d=-0.74）。进一步分析显示，实体训练组在感知有用性（t=-2.27, p=0.027）和使用态度（t=-3.37, p=0.001）两个维度上得分显著更高，而在感知易用性和行为意向上则无显著差异。
五、讨论与结论
讨论部分：研究表明，虚拟无人机训练在知识习得与飞行技能方面能达到与实体训练相当的效果，验证了其作为替代方案的潜力。这一结果与先前关于模拟训练的研究一致，并可从运动学习理论角度解释为虚拟环境中习得的操作策略成功迁移到了真实飞行任务中。在学习动机方面，虚拟训练在“相关性”维度上的优势，可能源于数字孪生环境提供了一个可控且安全的模拟场景，帮助学习者认识到无人机知识与技能的实用价值。在认知负荷方面，虚拟训练组更高的外在认知负荷提示，将三维无人机运动映射到移动端界面可能需要额外的空间关系心理加工，未来应通过改进可视化与交互设计来减轻此负担。在技术接受度方面，实体训练因其更真实的感官反馈与操作体验而获得更高评价，但两组相似的行为意向表明学习者同样认可虚拟训练在安全性、成本与灵活性方面的价值。
结论部分：本研究表明，虚拟无人机训练可以实现与实体无人机训练相当的学习成果，证明了其作为无人机飞行技能发展的有效教育方法的潜力。就学习绩效而言，两种训练方式均显著提升了知识与飞行技能，且后测成绩无显著差异，表明虚拟训练能有效支持基础知识与操作技能的习得，同时兼具安全、可及和可重复的优势。在学习动机方面，两组整体动机水平相当，但虚拟训练组感知到的相关性更高。在认知负荷方面，两组整体认知需求相似，但虚拟训练组经历了更高的外在认知负荷，凸显了改进教学设计与界面可用性的必要性。在技术接受度方面，实体训练在感知有用性和使用态度上获得更高评价，但虚拟训练也取得了可比的行为意向分数。总体而言，本研究证实虚拟无人机训练可作为实体训练的补充，通过整合虚拟仿真与真实实践，可以建立一个提高安全性、效率和实践技能发展的混合训练框架。研究的局限性在于干预时间短且对象仅为新手大学生，未来需关注长期技能保持、多样化学习者群体以及结合VR/AR、人工智能等新兴技术以开发更具适应性的训练环境。
