據ainonline網站2022年3月1日刊文，美國南衛理公會大學（SMU）與模擬器制造/訓練服務供應商CAE公司合作，擬開發一種生物識別與機器學習技術相結合創新方法，用于未來智能化飛行訓練。該系統能夠監測飛行員生理反應，實時提供更客觀、自動化的訓練效果實時測定結果，使飛行訓練可定制、更高效。

長期以來，飛行訓練始終依賴教員的主觀觀察和飛行后的分析，以確定學員對某一動作的熟練程度和掌握情況。創新的生物統計學為監測飛行員高負荷工作時的反應提供了一個獨特的視角。SMU和CAE公司聯合團隊擬通過智能化手段，優化飛行訓練效果。SMU AT&T虛擬中心研究團隊持續開展了四年項目研究，開發測試使用生物識別與機器學習技術，來實現對學員情景意識和認知負荷感應情況的認知，以準確測定學員在飛行模擬器中對各種場景的反應。項目早期目標旨在支持美國國防部自動測定任務關鍵高階認知結構（如情景意識）的任務需求，以加快復雜技能訓練過程，支持多域作戰概念實現。2019年，SMU和CAE公司聯合團隊首次演示了基于生物識別數據的機器學習技術，實時準確測定人員狀態（情景意識、心理變化、工作強度等）的項目成果。

機器學習技術是對能夠通過經驗和采集數據自動改進算法的研究，是人工智能技術的組成部分。聯合團隊實施的項目可測定人員的多種物理反應，如視覺凝視狀態、瞳孔大小、心率等，以確定飛行測試人員的參與度、工作量、情景意識、壓力疲勞狀態等。項目研究結果證實，早期的自動生物識別測試結果與經驗豐富的人類評估員的評估結果非常一致。因此，SMU團隊認為，模擬試驗中的生物識別技術測定結果同樣能夠達到客觀、準確評價的效果。

SMU團隊遭遇的主要難題是：如何證實使用生物識別技術能夠量化測定/感知用戶在學習/掌握一種高難度技能過程中達到的各種程度。研發團隊擬突破實現采用可定制、自動化的手段展示習得過程的方法，推動該研究領域的進步。

SMU團隊在試驗中采集生物識別數據的過程是在一個混合現實模擬場景中進行的，使用了集成眼動跟蹤器的虛擬現實（VR）頭盔。

CAE公司在生物識別傳感和機器學習方面具備豐富知識和經驗。對于項目所需的在動態、高風險場景（如航空場景）中實現實時測定情景意識這一高階認知架構目標來說，通過公司機器學習等新技術的應用，能夠有效識別學員感知方面的波動，進而對不良狀態采取干預措施。通過實時訓練復雜性適應研究，系統能夠確保學員獲得最適應的訓練強度，提升訓練效果，更有效、迅速地達到任務準備狀態。

目前，SMU和CAE聯合團隊實施的大部分數據采集工作均通過重復測定試驗進行。試驗由40名具有不同背景和經驗水平的學員參與，在受控環境中操控混合虛擬現實飛行模擬系統。該模擬系統使用VR構建軍用戰斗機作戰場景，融合了可視化、平顯和高精度手部追蹤技術。數據采集設備包括一部帶有集成眼動追蹤器的VR頭盔和一個腕式設備。眼動追蹤系統采集眼球凝視、瞳孔反應和眨眼等數據。腕式設備采集心率、皮膚電反應、皮膚電活動（EDA）和手腕加速度等數據。這些生物識別數據通過計算機分析進行關聯，以確定學員的認知負荷、精神狀態（工作負荷）、刺激或壓力水平等。

試驗顯示，生物識別數據能夠反應受試人員的諸多信息，如飛行階段眼球凝視不佳時，說明學員工作負荷較高；眼球凝視狀態較好時，說明學員注意力和表現較好；眨眼較少或眨眼時間較短時，說明學員在執行任務過程中注意力集中；心率變化說明學員在執行任務過程中的心理變化。除了研究單一的生物識別統計數據，聯合團隊還進行了數據比較分析，以確定不同參數之間是否有更高的關聯性。

聯合團隊的研究成果對于測定飛行員的工作量也具有重要意義。利用生物識別技術和機器學習算法，研究人員可確定學員工作負荷情況。研究團隊創造了一種自動化手段，能夠客觀地評估學員表現和飛行動作所需的“輕松程度”，進而測定飛行員的工作量，以及是否有多余的能力來執行額外的任務。

除了在實驗室環境中進行試驗測試外，SMU和CAE公司聯合團隊還在愛德華茲空軍基地開展了基于生理傳感器系統的外場試驗，客觀評估了飛行員的工作量。外場試驗測試采用波音C-17A飛機完成了兩個飛行測試，包括空中加油機動和橫向偏移著陸，總共記錄了33個機動動作，測試結果良好。該探索性外場測試表明，在真實飛行場景中，系統能夠采集到比模擬器環境更高的工作負荷相關數據。

試驗證明，在飛行訓練場景中使用生物識別和機器學習技術可能最終會改變飛行員的訓練方式。學員生理反應的數據記錄可能比人員主觀評估更能可靠地反應訓練實效。雖然SMU和CAE公司聯合團隊的研究成果只在軍用飛機平臺上進行了試驗驗證，但這一過程和相關技術在民用航空中可能也適用，如凝視模式的監測，可能有助于訓練提升飛行員在主動飛行路徑監控、飛行模式選定和飛行員監控職責發揮等方面效能。

關鍵詞： 飛行訓練 機器學習