CN111240350A - 一种无人机飞行员动态行为评估系统 - Google Patents
一种无人机飞行员动态行为评估系统 Download PDFInfo
- Publication number
- CN111240350A CN111240350A CN202010090578.6A CN202010090578A CN111240350A CN 111240350 A CN111240350 A CN 111240350A CN 202010090578 A CN202010090578 A CN 202010090578A CN 111240350 A CN111240350 A CN 111240350A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- pilot
- evaluation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 75
- 230000008447 perception Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000008921 facial expression Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000036760 body temperature Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 230000036651 mood Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 206010034719 Personality change Diseases 0.000 claims description 3
- 208000003464 asthenopia Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机飞行员动态行为评估系统，通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，采用神经网络训练学习算法搭建数据库，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的飞行操作动态行为状态评估。本发明通过引入人工智能态势感知与人因工程理论，研究飞行控制及人因工程相结合的建模技术、模拟飞行训练系统与评估结合的训练矫正技术、无人机飞行员感知觉判断能力全仿真模拟技术，建立模拟飞行训练与评估平台，提高无人机飞行员的飞行操作能力、感知觉判断能力以及处置特情的决策能力。
Description
技术领域
本发明主要涉及无人机飞行员选拔与人因工程技术领域，具体涉及一种无人机飞行员动态行为评估系统。
背景技术
近年随着相关技术的发展，军用无人机的性能和可靠性不断提高，但由于功能界面复杂加上在任务、训练中长时间人机分离使操作员缺乏生理体验，无人机人机可靠性方面受到考验，任务中控制失误、决策失误造成的事故不断积累。对无人机操作任务中操作员的认知状态、态势感知进行建模和测量，对无人机操作训练效果评价、选拔无人机操作员对增强无人机人机可靠性有着重要意义。
目前，现有已有认知负荷的测量技术还不够完善，不能对认知负荷进行准确、有效地测量；有关飞行员认知负荷量化模型的工作就更加零散不系统。由于我国无人机飞行模拟训练平台/系统发展起步较晚，不是只有飞行图形仿真/再现的功能，就是只有评估和打分的功能，没有提供一套完整的模拟训练辅助系统及评估模拟飞行操作与决策力评估的解决方案，而且模拟器软硬件系统和模拟教学过程结合程度不够紧密，不能够为模拟训练人员提供真正有效方便的系统工具。在这种情况下，我国无人机飞行训练质量评估模式主要是以人为主导的定性评估，培训机构考核训练学员的飞行成绩时主要采取人工评价的方法。然而，人工评价容易受到众多非客观因素的影响，存在客观性不强、评价标准不一致等问题。同时，基于人工评价的飞行训练质量评估还存在效率低下的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种无人机飞行员动态行为评估系统，其通过引入人工智能态势感知与人因工程理论，研究飞行控制及人因工程相结合的建模技术、模拟飞行训练系统与评估结合的训练矫正技术、飞行员感知觉判断能力全仿真模拟技术，建立模拟飞行训练与评估平台，提高无人机飞行员的飞行能力及感知觉判断能力与特情处置决策能力。
本发明解决其技术问题所采用的技术方案是：一种无人机飞行员动态行为评估系统，包括以下步骤：
步骤一：多传感器综合测量心理状态：
利用温度传感器检测无人机飞行员的体温，用于监测无人机飞行员不同状态变化下的体温分布情况；利用心率传感器检测无人机飞行员的心率，用于监测无人机飞行员任务操作过程中的不同心率状态，如兴奋、疲劳状态下的心率变化；利用人体动作、姿态检测的图像传感器检测无人机飞行员的姿态行为，用于监测无人机飞行员不同行为状态下的姿态变化；利用面部表情的可见光图像传感器检测无人机飞行员的面部表情，根据面部表情的变化检测无人机飞行员的心情状态；利用眼动仪传感器检测无人机飞行员的眼睛关注度，以及根据眼睛的闭合情况检测眼睛疲劳状态；利用人脑意念传感器检测无人机飞行员是否注意力集中；
步骤二：无人机飞行模拟器视景子系统建模：
模拟器视景子系统中的建模对无人机训练驾驶员的使用体验及评估质量具有重要的作用，主要是根据研究真实地形、真实任务的特征和构造来建立高度仿真的模型可实现特殊情况下情景模拟，如地形障碍、发动机失效等特情；为了保证仿真的数据的高度仿真性，在地形的表面需要加入特征物，如建筑物、树木、运动的鸟类，进而生成全部的视景数据库；为了特情仿真的真实性，会在不同场景中出现不同的特情，并随着飞行员的不同操作熟悉程度，选择与提升特情的复杂度；
步骤三：基于深度学习的数据库搭建：
通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，并结合真实无人机飞行过程中采集的、统计的飞行状态与指令操作等信息，采用神经网络训练学习算法搭建数据库；
步骤四：无人机操作员态势感知与决策水平分析评估算法的智能评估技术：
采用基于贝叶斯网络的态势感知水平分析算法和基于梯度提升树的态势感知水平评估算法的组合算法，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系；
步骤五：评估结果输出：
根据多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的状态评估，估计无人机飞行员当前是否适合该任务，以及对无人机任务控制站任务可做出相应的调整。
进一步的是：步骤三包括以下步骤：
(1)构建多个维度的特征数据样本库，通过动做采集传感器采集到的无人机飞行员操作数据和视频追踪技术反演出的无人机飞行数据进行融合作为操作状态特征数据；由反映了飞行员关注度的脑电波传感器和眼动仪传感器、反映了飞行员心情的体温和面部表情可见光传感器以及反映了飞行员疲劳程度的心率传感器和姿态动作传感器输出的各个特征数据进行融合作为心理状态的特征数据，以这两种类型的特征数据为样本建立特征空间样本库；
(2)设计神经网络训练学习算法，通过不断采集不同试飞行员的特征数据样本，丰富数据样本库的样本内容，强化深度学习能力。
进一步的是：步骤四包括以下步骤：
(1)基于贝叶斯网络的态势感知水平算法，在训练过程根据无人机操作先验知识对无人机操作员态势感知及态势感知相关要素的逻辑关系定义贝叶斯网络结构，根据无人机操作员态势感知评估实验的实验数据训练网络；在测试、推理过程根据无人机操作员态势感知己知相关因素的观测结果，对未知的相关要素、态势感知水平进行推测；在归因分析的过程中，根据相关要素与态势感知节点关联和概率分布，对态势感知相关因素进行排序，对态势感知形成的原因进行分析；
(2)基于梯度提升树的态势感知水平评估算法对未知因素(缺失数据)根据其先验概率分布进行采样，根据采样结果补全对数据维度进行补全，完整的数据输入梯度提升树模型输出态势感知的评估结果；
(3)最后两个算法的评估结果基于融合策略进行融合形成最终的无人机操作员态势感知水平评估结果，系统将无人机操作员态势感知水平形成的归因分析结果和无人机操作员态势感知水平的评估结果输出。
进一步的是：步骤四中的步骤(1)包含以下步骤：
(1.1)对网中节点初始化，证据节点初始化为观察值，非证据节点初始化为随机值；
(1.2)遍历图，对每一非证据节点X，使用下式计算在给定其他节点的条件下X的后验概率
其中wx表示除X的节点集合，x为节点X的分节点，yi表示X的分节点，α为正规化因子；
(1.3)使用上式对节点X的值进行采样，结果作为X的新实例化，反复进行，直到近似收敛(如进行了m次迭代)，最终查询结果根据下式计算：
进一步的是：步骤四中的步骤(2)包含以下步骤：
(2.1)初始化
其中γ是一个常数；
(2.2)For m＝1to M:
(a)For i＝1,2,…,N计算
(b)建立第m棵树，拟合梯度
(c)计算最优的搜索步长ρ*
(d)更新模型
fm＝ρ*fm
其中x态势感知相关因素的量化结果，y为态势感知水平评估结果,fm为x、y之间的映射函数,L(·)表征误差或损失，一般采用平方差函数；在测试阶段，当输入x完整时，直接应用映射关系
得到态势感知水平y的推算
当量表不完整或量表丢失造成x不完整时，对于数据缺失的维度xi，我们按照xi的先验分布对xi进行N轮采样补全数据，得到
每一轮都用映射关系
得到第i轮态势感知水平的估算值
最后用以下公式对y的取值进行估算。
进一步的是：步骤四中的步骤(3)包含以下步骤：
(3.1)基于数据缺失情况进行两个模型的信任度计算
其中
是无人机操作员态势感知水平最终评估结果，
和
分别是贝叶斯网络和梯度提升树模型的评估结果。λ是算法对贝叶斯网络评估结果的信任度，数据缺失的情况越严重，对于贝叶斯网络评估结果的信任度越高，反之数据越完整越应该信任梯度提升树模型的判断；|x缺失|表示数据缺失的特征的个数，|x|表示数据的维度，即模型使用的特征的总数。
本发明通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，采用神经网络训练学习算法搭建数据库；采用基于贝叶斯网络的态势感知水平分析算法和基于梯度提升树的态势感知水平评估算法的组合算法，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系；根据多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的状态评估，估计无人机飞行员当前是否适合该任务，以及对无人机任务控制站任务可做出相应的调整。
本发明解决了以下问题：
(1)无人机飞行员再选拔(已通过前期的心理测试，需要针对不同操作压力下的决策力评估与训练)，其中运用人工智能技术来跟踪和分析无人机飞行员在操作过程中任务执行决策的能力，进而实现无人机飞行员的再选拔。
(2)研究任务决策过程的人机互信能力，通过人工智能技术所分析的飞行员操作指令，进一步研究人机互信过程，实现设备执行指令与人员操作的最优化。
本发明的有益效果如下：通过引入人工智能态势感知与人因工程理论，研究飞行控制及人因工程相结合的建模技术、模拟飞行训练系统与评估结合的训练矫正技术、飞行员感知觉决策能力全仿真模拟技术，建立模拟飞行训练与评估平台，提高无人机飞行员的飞行能力及感知觉判断与决策能力；建立了基于贝叶斯网络和梯度提升树算法的无人机操作员态势感知水平分析评估算法，利用统计学习方法拟合复杂函数的能力建立无人机操作员态势感知相关要素与无人机操作员态势感知水平间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系。
附图说明
图1为本发明的工作原理结构示意图；
图2为本发明中基于深度学习的数据库架构示意图；
图3为本发明中基于贝叶斯网络和梯度提升树的态势感知水平分析评估算法流程图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式：
图1～图3示出了本发明的具体实施方式，一种无人机飞行员动态行为评估系统，包括以下步骤：
步骤一：多传感器综合测量心理状态：
利用温度传感器检测无人机飞行员的体温，用于监测无人机飞行员不同状态变化下的体温分布情况；利用心率传感器检测无人机飞行员的心率，用于监测无人机飞行员任务操作过程中的不同心率状态，如兴奋、疲劳状态下的心率变化；利用人体动作、姿态检测的图像传感器检测无人机飞行员的姿态行为，用于监测无人机飞行员不同行为状态下的姿态变化；利用面部表情的可见光图像传感器检测无人机飞行员的面部表情，根据面部表情的变化检测无人机飞行员的心情状态；利用眼动仪传感器检测无人机飞行员的眼睛关注度，以及根据眼睛的闭合情况检测眼睛疲劳状态；利用人脑意念传感器检测无人机飞行员是否注意力集中；
步骤二：无人机飞行模拟器视景子系统建模：
模拟器视景子系统中的建模对无人机训练驾驶员的使用体验及评估质量具有重要的作用，主要是根据研究真实地形、真实任务的特征和构造来建立高度仿真的模型可实现特殊情况下情景模拟，如地形障碍、发动机失效等特情；为了保证仿真的数据的高度仿真性，在地形的表面需要加入特征物，如建筑物、树木、运动的鸟类，进而生成全部的视景数据库；为了特情仿真的真实性，会在不同场景中出现不同的特情，并随着飞行员的不同操作熟悉程度，选择与提升特情的复杂度；
步骤三：基于深度学习的数据库搭建：
通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，并结合真实无人机飞行过程中采集的、统计的飞行状态与指令操作等信息，采用神经网络训练学习算法搭建数据库；
步骤四：无人机操作员态势感知与决策水平分析评估算法的智能评估技术：
采用基于贝叶斯网络的态势感知水平分析算法和基于梯度提升树的态势感知水平评估算法的组合算法，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系；
步骤五：评估结果输出：
根据多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的状态评估，估计无人机飞行员当前是否适合该任务，以及对无人机任务控制站任务可做出相应的调整。
优选的，步骤三包括以下步骤：
(1)构建多个维度的特征数据样本库，通过动做采集传感器采集到的无人机飞行员操作数据和视频追踪技术反演出的无人机飞行数据进行融合作为操作状态特征数据；由反映了飞行员关注度的脑电波传感器和眼动仪传感器、反映了飞行员心情的体温和面部表情可见光传感器以及反映了飞行员疲劳程度的心率传感器和姿态动作传感器输出的各个特征数据进行融合作为心理状态的特征数据，以这两种类型的特征数据为样本建立特征空间样本库；
(2)设计神经网络训练学习算法，通过不断采集不同试飞行员的特征数据样本，丰富数据样本库的样本内容，强化深度学习能力。
优选的，步骤四包括以下步骤：
(1)基于贝叶斯网络的态势感知水平算法，在训练过程根据无人机操作先验知识对无人机操作员态势感知及态势感知相关要素的逻辑关系定义贝叶斯网络结构，根据无人机操作员态势感知评估实验的实验数据训练网络；在测试、推理过程根据无人机操作员态势感知己知相关因素的观测结果，对未知的相关要素、态势感知水平进行推测；在归因分析的过程中，根据相关要素与态势感知节点关联和概率分布，对态势感知相关因素进行排序，对态势感知形成的原因进行分析；
(2)基于梯度提升树的态势感知水平评估算法对未知因素(缺失数据)根据其先验概率分布进行采样，根据采样结果补全对数据维度进行补全，完整的数据输入梯度提升树模型输出态势感知的评估结果；
(3)最后两个算法的评估结果基于融合策略进行融合形成最终的无人机操作员态势感知水平评估结果，系统将无人机操作员态势感知水平形成的归因分析结果和无人机操作员态势感知水平的评估结果输出。
优选的，步骤四中的步骤(1)包含以下步骤：
(1.1)对网中节点初始化，证据节点初始化为观察值，非证据节点初始化为随机值；
(1.2)遍历图，对每一非证据节点X，使用下式计算在给定其他节点的条件下X的后验概率
其中wx表示除X的节点集合，x为节点X的分节点，yi表示X的分节点，α为正规化因子；
(1.3)使用上式对节点X的值进行采样，结果作为X的新实例化，反复进行，直到近似收敛(如进行了m次迭代)，最终查询结果根据下式计算：
优选的，步骤四中的步骤(2)包含以下步骤：
(2.1)初始化
其中γ是一个常数；
(2.2)For m＝1to M:
(a)For i＝1,2,…,N计算
(b)建立第m棵树，拟合梯度
(c)计算最优的搜索步长ρ*
(d)更新模型
fm＝ρ*fm
其中x态势感知相关因素的量化结果，y为态势感知水平评估结果,fm为x、y之间的映射函数,L(·)表征误差或损失，一般采用平方差函数；在测试阶段，当输入x完整时，直接应用映射关系
得到态势感知水平y的推算
当量表不完整或量表丢失造成x不完整时，对于数据缺失的维度xi，我们按照xi的先验分布对xi进行N轮采样补全数据，得到
每一轮都用映射关系
得到第i轮态势感知水平的估算值
最后用以下公式对y的取值进行估算。
优选的，步骤四中的步骤(3)包含以下步骤：
(3.1)基于数据缺失情况进行两个模型的信任度计算
其中
是无人机操作员态势感知水平最终评估结果，
和
分别是贝叶斯网络和梯度提升树模型的评估结果。λ是算法对贝叶斯网络评估结果的信任度，数据缺失的情况越严重，对于贝叶斯网络评估结果的信任度越高，反之数据越完整越应该信任梯度提升树模型的判断；|x缺失|表示数据缺失的特征的个数，|x|表示数据的维度，即模型使用的特征的总数。
本发明通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，采用神经网络训练学习算法搭建数据库；采用基于贝叶斯网络的态势感知水平分析算法和基于梯度提升树的态势感知水平评估算法的组合算法，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系；根据多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的状态评估，估计无人机飞行员当前是否适合该任务，以及对无人机任务控制站任务可做出相应的调整。
上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。
Claims (6)
1.一种无人机飞行员动态行为评估系统，其特征在于：包括以下步骤：
步骤一：多传感器综合测量心理状态：
利用温度传感器检测无人机飞行员的体温，用于监测无人机飞行员不同状态变化下的体温分布情况；利用心率传感器检测无人机飞行员的心率，用于监测无人机飞行员任务操作过程中的不同心率状态，如兴奋、疲劳状态下的心率变化；利用人体动作、姿态检测的图像传感器检测无人机飞行员的姿态行为，用于监测无人机飞行员不同行为状态下的姿态变化；利用面部表情的可见光图像传感器检测无人机飞行员的面部表情，根据面部表情的变化检测无人机飞行员的心情状态；利用眼动仪传感器检测无人机飞行员的眼睛关注度，以及根据眼睛的闭合情况检测眼睛疲劳状态；利用人脑意念传感器检测无人机飞行员是否注意力集中。
步骤二：无人机飞行模拟器视景子系统建模：
模拟器视景子系统中的建模对无人机训练驾驶员的使用体验及评估质量具有重要的作用，主要是根据研究真实地形、真实任务的特征和构造来建立高度仿真的模型可实现特殊情况下情景模拟，如地形障碍、发动机失效等特情；为了保证仿真的数据的高度仿真性，在地形的表面需要加入特征物，如建筑物、树木、运动的鸟类，进而生成全部的视景数据库；为了特情仿真的真实性，会在不同场景中出现不同的特情，并随着飞行员的不同操作熟悉程度，选择与提升特情的复杂度；
步骤三：基于深度学习的数据库搭建：
通过无人机飞行员在无人机飞行模拟器视景子系统飞行，将多传感器综合测量采集的数据为样本建立特征空间样本库，并结合真实无人机飞行过程中采集的、统计的飞行状态与指令操作等信息，采用神经网络训练学习算法搭建数据库；
步骤四：无人机操作员态势感知与决策水平分析评估算法的智能评估技术：
采用基于贝叶斯网络的态势感知水平分析算法和基于梯度提升树的态势感知水平评估算法的组合算法，建立特征数据样本和结果类型判定之间的映射关系，实现多种特征数据与单一结果判定一一对应的映射关系；
步骤五：评估结果输出：
根据多种特征数据与单一结果判定一一对应的映射关系，给出无人机飞行员的状态评估，估计无人机飞行员当前是否适合该任务，以及对无人机任务控制站任务可做出相应的调整。
2.如权利要求1所述的一种无人机飞行员动态行为评估系统，其特征在于：步骤三包括以下步骤：
(1)构建多个维度的特征数据样本库，通过动做采集传感器采集到的无人机飞行员操作数据和视频追踪技术反演出的无人机飞行数据进行融合作为操作状态特征数据；由反映了飞行员关注度的脑电波传感器和眼动仪传感器、反映了飞行员心情的体温和面部表情可见光传感器以及反映了飞行员疲劳程度的心率传感器和姿态动作传感器输出的各个特征数据进行融合作为心理状态的特征数据，以这两种类型的特征数据为样本建立特征空间样本库；
(2)设计神经网络训练学习算法，通过不断采集不同试飞行员的特征数据样本，丰富数据样本库的样本内容，强化深度学习能力。
3.如权利要求1所述的一种无人机飞行员动态行为评估系统，其特征在于：步骤四包括以下步骤：
(1)基于贝叶斯网络的态势感知水平算法，在训练过程根据无人机操作先验知识对无人机操作员态势感知及态势感知相关要素的逻辑关系定义贝叶斯网络结构，根据无人机操作员态势感知评估实验的实验数据训练网络；在测试、推理过程根据无人机操作员态势感知己知相关因素的观测结果，对未知的相关要素、态势感知水平进行推测；在归因分析的过程中，根据相关要素与态势感知节点关联和概率分布，对态势感知相关因素进行排序，对态势感知形成的原因进行分析；
(2)基于梯度提升树的态势感知水平评估算法对未知因素(缺失数据)根据其先验概率分布进行采样，根据采样结果补全对数据维度进行补全，完整的数据输入梯度提升树模型输出态势感知的评估结果；
(3)最后两个算法的评估结果基于融合策略进行融合形成最终的无人机操作员态势感知水平评估结果，系统将无人机操作员态势感知水平形成的归因分析结果和无人机操作员态势感知水平的评估结果输出。
4.如权利要求3所述的一种无人机飞行员动态行为评估系统，其特征在于：步骤四中的步骤(1)包含以下步骤：
(1.1)对网中节点初始化，证据节点初始化为观察值，非证据节点初始化为随机值；
(1.2)遍历图，对每一非证据节点X，使用下式计算在给定其他节点的条件下X的后验概率
其中wx表示除X的节点集合，x为节点X的分节点，yi表示X的分节点，α为正规化因子；
(1.3)使用上式对节点X的值进行采样，结果作为X的新实例化，反复进行，直到近似收敛(如进行了m次迭代)，最终查询结果根据下式计算：
5.如权利要求3所述的一种无人机飞行员动态行为评估系统，其特征在于：步骤四中的步骤(2)包含以下步骤：
(2.1)初始化
其中γ是一个常数；
(2.2)For m＝1 to M:
(a)For i＝1,2,…,N计算
(b)建立第m棵树，拟合梯度
(c)计算最优的搜索步长ρ*
(d)更新模型
fm＝ρ*fm
其中x态势感知相关因素的量化结果，y为态势感知水平评估结果,fm为x、y之间的映射函数,L(·)表征误差或损失，一般采用平方差函数；在测试阶段，当输入x完整时，直接应用映射关系
得到态势感知水平y的推算
当量表不完整或量表丢失造成x不完整时，对于数据缺失的维度xi，我们按照xi的先验分布对xi进行N轮采样补全数据，得到
每一轮都用映射关系
得到第i轮态势感知水平的估算值
最后用以下公式对y的取值进行估算。
6.如权利要求3所述的一种无人机飞行员动态行为评估系统，其特征在于：步骤四中的步骤(3)包含以下步骤：
(3.1)基于数据缺失情况进行两个模型的信任度计算
其中
是无人机操作员态势感知水平最终评估结果，
和
分别是贝叶斯网络和梯度提升树模型的评估结果。λ是算法对贝叶斯网络评估结果的信任度，数据缺失的情况越严重，对于贝叶斯网络评估结果的信任度越高，反之数据越完整越应该信任梯度提升树模型的判断；|x缺失|表示数据缺失的特征的个数，|x|表示数据的维度，即模型使用的特征的总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010090578.6A CN111240350A (zh) | 2020-02-13 | 2020-02-13 | 一种无人机飞行员动态行为评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010090578.6A CN111240350A (zh) | 2020-02-13 | 2020-02-13 | 一种无人机飞行员动态行为评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111240350A true CN111240350A (zh) | 2020-06-05 |
Family
ID=70878212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010090578.6A Pending CN111240350A (zh) | 2020-02-13 | 2020-02-13 | 一种无人机飞行员动态行为评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111240350A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112137627A (zh) * | 2020-09-10 | 2020-12-29 | 北京津发科技股份有限公司 | 人因测评和训练的自适应方法及系统 |
| CN113297994A (zh) * | 2021-05-31 | 2021-08-24 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
| CN113762104A (zh) * | 2021-08-23 | 2021-12-07 | 北京航空航天大学 | 基于脑电信号的情景意识评估方法、装置及电子设备 |
| CN113807649A (zh) * | 2021-07-30 | 2021-12-17 | 浙江工商大学 | 一种基于贝叶斯网络的民航飞行安全评估系统 |
| CN113869749A (zh) * | 2021-09-30 | 2021-12-31 | 中国工程物理研究院总体工程研究所 | 模拟飞行器的飞行训练质量评估系统及方法 |
| CN114218196A (zh) * | 2021-12-17 | 2022-03-22 | 江西洪都航空工业集团有限责任公司 | 一种面向飞行训练安全的接口数据库设计方法 |
| CN114489097A (zh) * | 2021-12-20 | 2022-05-13 | 西安理工大学 | 基于精密运动手势的无人机飞行姿态脑控方法 |
| CN114613037A (zh) * | 2022-02-15 | 2022-06-10 | 中国电子科技集团公司第十研究所 | 一种机载融合信息引导传感器提示搜索方法及装置 |
| CN115206147A (zh) * | 2021-04-13 | 2022-10-18 | 北京普德诚科技有限责任公司 | 一种弹射模拟训练重大特情处置评估方法 |
| CN117290747A (zh) * | 2023-11-24 | 2023-12-26 | 中国民用航空飞行学院 | 基于眼动数据的飞行状态监测方法、存储介质及电子设备 |
| CN117540626A (zh) * | 2023-10-30 | 2024-02-09 | 南通大学 | 一种基于贝叶斯神经网络的固定翼无人机态势预测方法 |
| CN117808331A (zh) * | 2023-11-14 | 2024-04-02 | 中国民用航空上海航空器适航审定中心 | 一种基于飞行模拟的人为因素综合评估系统 |
| CN117972317A (zh) * | 2024-03-29 | 2024-05-03 | 中国民用航空飞行学院 | 一种面向飞行员胜任能力的韧性画像方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130268146A1 (en) * | 2012-04-04 | 2013-10-10 | Eurocopter | Method and a device for adapting the man-machine interface of an aircraft depending on the level of the pilot's functional state |
| RU2013107571A (ru) * | 2013-02-20 | 2014-08-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный университет гражданской авиации" | Способ распределения функций управления воздушным судном и система для его реализации |
| CN104765280A (zh) * | 2015-03-13 | 2015-07-08 | 吉林医药学院 | 无人机三维立体显控综合训练系统 |
| CN106447184A (zh) * | 2016-09-21 | 2017-02-22 | 中国人民解放军国防科学技术大学 | 基于多传感器测量与神经网络学习的无人机操作员状态评估方法 |
| CN207780996U (zh) * | 2018-05-16 | 2018-08-28 | 中国人民解放军陆军航空兵学院陆军航空兵研究所 | 一种用于多机型编队飞行训练的模拟仿真评估系统 |
| CN110430254A (zh) * | 2019-07-31 | 2019-11-08 | 西安爱生无人机技术有限公司 | 一种无人机遥控器解析信号方法、信号处理方法及系统 |
-
2020
- 2020-02-13 CN CN202010090578.6A patent/CN111240350A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130268146A1 (en) * | 2012-04-04 | 2013-10-10 | Eurocopter | Method and a device for adapting the man-machine interface of an aircraft depending on the level of the pilot's functional state |
| RU2013107571A (ru) * | 2013-02-20 | 2014-08-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный университет гражданской авиации" | Способ распределения функций управления воздушным судном и система для его реализации |
| CN104765280A (zh) * | 2015-03-13 | 2015-07-08 | 吉林医药学院 | 无人机三维立体显控综合训练系统 |
| CN106447184A (zh) * | 2016-09-21 | 2017-02-22 | 中国人民解放军国防科学技术大学 | 基于多传感器测量与神经网络学习的无人机操作员状态评估方法 |
| CN207780996U (zh) * | 2018-05-16 | 2018-08-28 | 中国人民解放军陆军航空兵学院陆军航空兵研究所 | 一种用于多机型编队飞行训练的模拟仿真评估系统 |
| CN110430254A (zh) * | 2019-07-31 | 2019-11-08 | 西安爱生无人机技术有限公司 | 一种无人机遥控器解析信号方法、信号处理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴华兴 等: "基于Agent的人机组合行为建模方法研究", 《系统仿真学报》 * |
| 高晓阳 等: "基于深度学习的空天防御态势感知方法", 《火力与指挥控制》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112137627A (zh) * | 2020-09-10 | 2020-12-29 | 北京津发科技股份有限公司 | 人因测评和训练的自适应方法及系统 |
| CN112137627B (zh) * | 2020-09-10 | 2021-08-03 | 北京津发科技股份有限公司 | 智能人因测评和训练方法及系统 |
| CN115206147A (zh) * | 2021-04-13 | 2022-10-18 | 北京普德诚科技有限责任公司 | 一种弹射模拟训练重大特情处置评估方法 |
| CN113297994A (zh) * | 2021-05-31 | 2021-08-24 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
| CN113297994B (zh) * | 2021-05-31 | 2023-08-18 | 中国航天科工集团第二研究院 | 一种飞行员行为分析方法及系统 |
| CN113807649A (zh) * | 2021-07-30 | 2021-12-17 | 浙江工商大学 | 一种基于贝叶斯网络的民航飞行安全评估系统 |
| CN113762104A (zh) * | 2021-08-23 | 2021-12-07 | 北京航空航天大学 | 基于脑电信号的情景意识评估方法、装置及电子设备 |
| CN113869749A (zh) * | 2021-09-30 | 2021-12-31 | 中国工程物理研究院总体工程研究所 | 模拟飞行器的飞行训练质量评估系统及方法 |
| CN113869749B (zh) * | 2021-09-30 | 2024-05-10 | 中国工程物理研究院总体工程研究所 | 模拟飞行器的飞行训练质量评估系统及方法 |
| CN114218196A (zh) * | 2021-12-17 | 2022-03-22 | 江西洪都航空工业集团有限责任公司 | 一种面向飞行训练安全的接口数据库设计方法 |
| CN114489097B (zh) * | 2021-12-20 | 2023-06-30 | 西安理工大学 | 基于精密运动手势的无人机飞行姿态脑控方法 |
| CN114489097A (zh) * | 2021-12-20 | 2022-05-13 | 西安理工大学 | 基于精密运动手势的无人机飞行姿态脑控方法 |
| CN114613037A (zh) * | 2022-02-15 | 2022-06-10 | 中国电子科技集团公司第十研究所 | 一种机载融合信息引导传感器提示搜索方法及装置 |
| CN117540626A (zh) * | 2023-10-30 | 2024-02-09 | 南通大学 | 一种基于贝叶斯神经网络的固定翼无人机态势预测方法 |
| CN117540626B (zh) * | 2023-10-30 | 2024-05-14 | 南通大学 | 一种基于贝叶斯神经网络的固定翼无人机态势预测方法 |
| CN117808331A (zh) * | 2023-11-14 | 2024-04-02 | 中国民用航空上海航空器适航审定中心 | 一种基于飞行模拟的人为因素综合评估系统 |
| CN117290747A (zh) * | 2023-11-24 | 2023-12-26 | 中国民用航空飞行学院 | 基于眼动数据的飞行状态监测方法、存储介质及电子设备 |
| CN117290747B (zh) * | 2023-11-24 | 2024-03-12 | 中国民用航空飞行学院 | 基于眼动数据的飞行状态监测方法、存储介质及电子设备 |
| CN117972317A (zh) * | 2024-03-29 | 2024-05-03 | 中国民用航空飞行学院 | 一种面向飞行员胜任能力的韧性画像方法 |
| CN117972317B (zh) * | 2024-03-29 | 2024-06-14 | 中国民用航空飞行学院 | 一种面向飞行员胜任能力的韧性画像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111240350A (zh) | 一种无人机飞行员动态行为评估系统 | |
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
| CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
| CN106447184A (zh) | 基于多传感器测量与神经网络学习的无人机操作员状态评估方法 | |
| CN112149962B (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
| CN109241830A (zh) | 基于光照生成对抗网络的课堂听课异常检测方法 | |
| KR20220026804A (ko) | 역강화학습 기반 배달 수단 탐지 장치 및 방법 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN106997373A (zh) | 一种基于深度置信网络的链路预测方法 | |
| CN114880935A (zh) | 隧道火灾超前预测方法 | |
| CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
| Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
| CN115392015A (zh) | 一种基于数字孪生的自动驾驶推演系统和推演方法 | |
| CN117666785A (zh) | 一种基于数字孪生的自动驾驶人机交互接管训练方法和系统 | |
| CN116738867B (zh) | 一种基于机器学习的无人机防御仿真方法及其系统 | |
| CN113200086A (zh) | 一种智能车转向控制系统及其控制方法 | |
| KR102419667B1 (ko) | 가상현실(vr)/증강현실(ar) 환경에서 협업 딥러닝을 활용한 개인 맞춤형 항공 조종사 훈련시스템 및 그 방법 | |
| Pérez et al. | Model testing and assessment: perspectives from a swarm intelligence, agent-based model of forest insect infestations | |
| CN113486912A (zh) | 一种基于计算机视觉及深度学习在中学实验自动评分方法及系统 | |
| Henninger et al. | On the fidelity of SAFs: Can performance data help? | |
| CN117290747B (zh) | 基于眼动数据的飞行状态监测方法、存储介质及电子设备 | |
| CN115374392B (zh) | 获取目标事件的对象参数的方法、电子设备和存储介质 | |
| CN118013870B (zh) | 一种基于分布函数思想求解ns方程的深度神经网络方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |