CN115063274B - 基于虚拟现实的飞行训练方案生成方法、系统、设备 - Google Patents
基于虚拟现实的飞行训练方案生成方法、系统、设备 Download PDFInfo
- Publication number
- CN115063274B CN115063274B CN202210989699.3A CN202210989699A CN115063274B CN 115063274 B CN115063274 B CN 115063274B CN 202210989699 A CN202210989699 A CN 202210989699A CN 115063274 B CN115063274 B CN 115063274B
- Authority
- CN
- China
- Prior art keywords
- training
- index
- pilot
- data
- layer
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims description 61
- 238000011176 pooling Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims description 5
- 238000010399 three-hybrid screening Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/08—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of aircraft, e.g. Link trainer
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于虚拟现实、计算机视觉技术领域，具体涉及一种基于虚拟现实的飞行训练方案生成方法、系统、设备，旨在解决现有飞行训练方案生成方法无法准确、高效的根据飞行员的技术能力自适应的生成训练方案的问题。本系统包括：数据获取模块，配置为获取历史飞行数据、历史训练数据；预处理模块，配置为对输入数据预处理；等级确定模块，配置为通过技术能力等级计算模型，得到飞行员的技术能力等级；场景生成模块，配置为生成训练方案；评价值获取模块，配置为通过预构建的评价网络，得到飞行员训练的评价值；更新循环模块，配置为根据评价值重新生成训练方案。本发明实现了根据飞行员的技术能力自适应的生成训练方案。
Description
技术领域
本发明属于虚拟现实、计算机视觉技术领域，具体涉及一种基于虚拟现实的飞行训练方案生成方法、系统、设备。
背景技术
由于飞机在飞行过程中需要做一些高难度动作，如翻滚、俯冲等，对飞行员的身体素质要求较高，所以成为一名出色的飞行员之前，一系列的飞行训练是必不可少的，以使飞行员适应身体产生的反应，增加抵抗能力。真实训练存在成本和安全问题，可以提供的训练次数有限，模拟训练具有节能、经济、安全、不受场地和气象条件的限制、缩短培训周期、降低培训成本、提高培训效率等突出优点。因此，模拟训练在飞行训练中发挥着非常重要的作用。
其中，虚拟现实技术是现代仿真技术的一个重要方向，通过虚拟现实技术，可以真实构建训练场景（即训练方案），沉浸式、情景式、参与式体验，提高了训练效果，并将训练的安全风险降到最低。VR或AR模拟飞行器训练系统因其低廉的训练开销，便捷的训练准备而被广泛应用于飞行训练以及特种科目训练领域。
个性化的飞行训练方案生成其目的是根据飞行员的技术能力不同设置不同的训练科目或者在同一训练科目中设置不同的难度。在现有的VR或AR模拟飞行器训练系统中，训练方案是由飞行教员根据飞行学员的技术能力，主观地设置训练科目的内容。
基于此，本发明通过分析飞行员的技术薄弱项以及训练科目对飞行员的能力要求，可以由经过训练的神经网络生成合适的训练方案，帮助飞行员在自主VR或AR训练时能够循序渐进地提升技术能力。
发明内容
为了解决现有技术中的上述问题，即为了解决现有飞行训练方案生成方法无法准确、高效的根据飞行员的技术能力自适应的生成训练方案，导致飞行员训练效率低的问题，本发明第一方面，提出了一种基于虚拟现实的飞行训练方案生成方法，该方法包括以下步骤：
S100，获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
S200，所述输入数据预处理，得到预处理数据；
S300，将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
S400，基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
S500，获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
S600，若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转S500；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建。
在一些优选的实施方式中，对所述输入数据预处理，其方法为：对所述输入数据进行数据标准化、数据清洗和异常值处理。
在一些优选的实施方式中，所述技术能力等级计算模型其结构从上到下依次为卷
积层、十二个卷积单元、第一全局平均池化层、全连接层、softmax层；其中，四个卷积单元为
一组，分为三组，组与组之间间隔一个下采样层；第二组卷积单元分为两个小组，每个小组
包含两个卷积单元，第一小组末尾与辅分类单元连接，辅分类单元包括依次连接的平均池
化层、1
1卷积层、2 
2卷积层、第二全局平均池化层；所述第二全局平均池化层与所述第一
全局平均池化层的末尾相连接；其中，所述卷积单元包含两个输入节点，四个中间节点以及
一个输出节点；所述卷积单元用于卷积处理。
在一些优选的实施方式中，所述技术能力等级计算模型，其对应的损失函数为：
其中，
表示技术能力等级的真值标签，
表示技术能力等级计算模型提取到的属
于第
级的特征值， 
表示级别数。
在一些优选的实施方式中，根据所述输入数据，计算飞行员的技术能力指标，其方法为：
获取计算飞行员的技术能力指标的各统计指标；所述统计指标为飞行员在各环境影响因素实例影响下的飞行能力统计指标；
获取所述历史飞行数据、所述历史训练数据中包含各统计指标的统计数据，并进行归一化处理；
根据预设的统计指标与指标层的映射关系，获取各统计指标所属的指标层；将各指标层中统计指标对应的归一化处理后的统计数据进行累加，作为第一累加值；计算所述第一累加值与总累加值的比值，作为当前指标层对应的权重；所述总累加值为归一化处理后的统计数值累加后的总值；
分别计算各统计指标对应的统计数据与设定的统计阈值之间的差值；并将差值与各统计指标所属指标层的权重进行相乘；将相乘后的结果与所述差值相加，将相加后的结果作为飞行员的技术能力指标。
在一些优选的实施方式中，基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标，通过环境因素调整模型生成调整后的环境因素变量和第二指标，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练，其方法为：
基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例；
基于调整后的调整后的环境影响因素实例，设置训练方案，并发送至虚拟现实设备，对飞行员进行训练。
在一些优选的实施方式中，所述评价网络基于N个并行的卷积网络、三个混合网络、一个集成网络构建；所述卷积网络包含五个卷积层，每个卷积层后面连接一个Relu激活函数；所述混合网络基于输入层、隐含层、输出层构建；所述集成网络用于对所述混合网络的输出进行加权求和；
其中，第一个卷积层、第二个卷积层的神经元个数为100；所述第一个卷积层、所述第二个卷积层的输入均为第一数据中不同时刻飞行员的动作及对应的飞行状态；将所述第一个卷积层的输出、所述第二个卷积层的输出进行融合，作为第三个卷积层的输入；第三个卷积层的神经元个数为100；第四个卷积层的神经元个数为10，其输入为第三个卷积层的输出；第五个卷积层的神经元个数为1，其输入为第四个卷积层的输出；
所述混合网络的输入为N个卷积网络的第五个卷积层的输出。
在一些优选的实施方式中，重新生成训练方案，其方法为：
若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，则重新计算飞行员的技术能力指标，作为第三指标；计算第三指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调高环境影响因素实例的设置值，重新生成训练方案；
若所述评价值小于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，否则重新计算飞行员的技术能力指标，作为第四指标；计算第四指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调低各统计指标对应的环境影响因素实例的设置值，重新生成训练方案。
本发明的第二方面，提出了一种基于虚拟现实的飞行训练方案生成系统，该系统包括：虚拟现实设备、远程服务器；所述虚拟现实设备包括VR设备、AR设备；虚拟现实设备与所述远程服务器通信连接；所述远程服务器包括数据获取模块、预处理模块、等级确定模块、场景生成模块、评价值获取模块、更新循环模块；
所述数据获取模块，配置为获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
所述预处理模块，配置为对所述输入数据预处理，得到预处理数据；
所述等级确定模块，配置为将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
所述场景生成模块，配置为基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
所述评价值获取模块，配置为获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
所述更新循环模块，配置为若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转评价值获取模块；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建。
本发明的第三方面，提出了一种基于虚拟现实的飞行训练方案生成设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于虚拟现实的飞行训练方案生成方法。
本发明的有益效果：
本发明实现了根据飞行员的技术能力自适应的生成训练方案，提升了飞行员训练效率。
1）本发明将飞行员的历史飞行数据、历史训练数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级，然后对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目，进而结合飞行员的技术能力指标，即第一指标，结合训练科目对应的环境影响因素实例以及第二指标，生成训练方案。即通过分析飞行员的技术薄弱项以及训练科目对飞行员的能力要求，可以由经过训练的神经网络生成自适应的生成合适的训练方案，实现了训练方案的准确、高效的生成，能够帮助飞行员在自主VR/AR训练时能够循序渐进地提升技术能力，提升训练效率。
2）在飞行员通过生成的训练方案训练后，通过基于依次连接的卷积网络、混合网络、集成网络构建的评价网络对飞行的训练过程进行综合评价，根据评价值调整环境影响因素实例，重新生成训练方案，进一步提升飞行员的训练效率。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于虚拟现实的飞行训练方案生成方法的流程示意图；
图2是本发明一种实施例的基于虚拟现实的飞行训练方案生成系统的框架示意图；
图3是本发明一种实施例的技术能力等级计算模型的结构示意图；
图4是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于虚拟现实的飞行训练方案生成方法，如图1所示，该方法包括以下步骤：
S100，获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
S200，所述输入数据预处理，得到预处理数据；
S300，将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
S400，基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
S500，获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
S600，若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转S500；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建。
为了更清晰地对本发明基于虚拟现实的飞行训练方案生成方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
S100，获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
在本实施例中，先获取待飞行训练的飞行员的历史飞行数据、历史训练数据。
S200，所述输入数据预处理，得到预处理数据；
在本实施例中，对待飞行训练的飞行员的历史飞行数据、历史训练数据进行数据标准化、数据清洗和异常值处理。
S300，将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
在本实施例中，技术能力等级计算模型，如图3所示，其结构从上到下依次为卷积
层、十二个卷积单元、第一全局平均池化层、全连接层、softmax层；其中，四个卷积单元为一
组，分为三组，组与组之间间隔一个下采样层；第二组卷积单元分为两个小组，每个小组包
含两个卷积单元，第一小组末尾与辅分类单元连接，辅分类单元包括依次连接的平均池化
层、1 
1卷积层、2
2卷积层、第二全局平均池化层；所述第二全局平均池化层与所述第一全
局平均池化层的末尾相连接；其中，所述卷积单元包含两个输入节点，四个中间节点以及一
个输出节点；所述卷积单元用于卷积处理。
本发明在技术能力等级计算模型时，添加了一个辅分类单元，辅分类单元包括了
两个池化层，两个卷积层。池化层的操作是将一个窗口内的像素按照平均值加权或选择最
大值来作为输出，一个窗口内仅有一个输出数据。因此，当经过池化层后，图像的尺寸会变
小，计算量也会变小，相比于在池化前使用卷积，池化后同样的卷积大小具有更大的感受
野。卷积由于参数的之间的特性，可以实现不同的数据经过这个卷积时，提取同样的特征，
不同的数据输出不同的特征图，当很多卷积组合在一起时，可以提取数据的很多种特征，当
卷积堆叠起来时，可以提取更大范围的特征和更深层次的特征。因此，通过依次连接的平均
池化层、1
1卷积层、2
2卷积层、第二全局平均池化层构建辅分类单元，一方面提高特征的
感受野，另一方面，提高提取特征的有效性，更有助于飞行员的技术能力等级的细分、划类。
其中，技术能力等级计算模型，其对应的损失函数为：
其中，
表示技术能力等级的真值标签，
表示技术能力等级计算模型提取到的属
于第
级的特征值，
表示级别数。
S400，基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
在本实施例中，从现有的训练内容中提取多个与考察的技术能力相关的环境影响因素实例，包括能见度、风向、风速、雨雪以及机械故障等等，再获取飞行员的技术能力评估指标与训练科目所要达成技术能力指标，最后由神经网络系统根据能力与目标之间的差异，通过调节不同实例间的设置系数，合成一个比现有技术能力要求较高但系统认为能够完成的训练方案，对飞行员进行训练。具体如下：
先基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目。其中，训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系。
然后，根据所述输入数据，计算飞行员的技术能力指标，作为第一指标，具体计算过程如下：
获取计算飞行员的技术能力指标的各统计指标；所述统计指标为飞行员在各环境影响因素实例影响下的飞行能力统计指标；
获取所述历史飞行数据、所述历史训练数据中包含各统计指标的统计数据，并进行归一化处理；
根据预设的统计指标与指标层的映射关系，获取各统计指标所属的指标层；将各指标层中统计指标对应的归一化处理后的统计数据进行累加，作为第一累加值；计算所述第一累加值与总累加值的比值，作为当前指标层对应的权重；所述总累加值为归一化处理后的统计数值累加后的总值；
分别计算各统计指标对应的统计数据与设定的统计阈值之间的差值；并将差值与各统计指标所属指标层的权重进行相乘；将相乘后的结果与所述差值相加，将相加后的结果作为飞行员的技术能力指标。
最后，基于所述训练科目、训练科目对应的环境影响因素实例（环境影响因素实例也是作为生成训练方案的指标之一，例如假设对于科目“测风20节着陆”，对于个人技术指标的考察是着陆距离、与跑道中心线偏离程度、着陆垂直载荷；而科目的最终考核目标是在测风20节的情况下完成良好着陆，那么刚开始生成训练方案时，会根据飞行员的历史技术能力指标，给出风速可能是10节，如果飞行员训练中能够在10节的环境因素下很好的完成技术指标的考核，那么下次生成的训练方案将会将风速提升至15节，继续训练，直至飞行员最终能够完成在测风20节的情况下的良好着陆；如果飞行员在10节的情况下无法完成科目，则会在下次生成训练方案时降低测风为8节，如能够完成，则提高测风，如不能完成则继续降低；如此循环，使飞行员最终能够完成测风20节的科目；对于其他影响因素也是同理，如能见度从0、50、200、400、800到1km，2km，4km以上，天气有晴天、阴天、小雨、大雨、薄雾、浓雾、小雪、大雪等，时间也可分为白天光线良好、黄昏、夜晚等），结合所述第一指标，通过环境因素调整模型生成训练方案，并发送至虚拟现实设备，对飞行员进行训练。即由神经网络系统根据能力与目标之间的差异，通过调节不同实例间的设置系数，合成一个比现有技术能力要求较高但系统认为能够完成的训练方案。
例如：假设输入飞行员的技术能力指标，即个人技术指标a（a1,a2,a3,a4....aN），该第二指标，即目标技术指标A(A1,A2,A3,A4...AN），环境影响因素实例，即训练环境因素参数b（b1,b2,b3,b4...bN），以及训练科目信息（包含训练科目对环境因素参数的约束），通过环境因素调整模型生成调整后的环境因素变量b`和技术指标目标A`。飞行员进行b`设置的场景训练，得到新的个人技术指标a`，与A`进行对比，以它们之间的偏差程度进行训练效果的评价。
其中，环境因素调整模型基于全连接神经网络MLP构建。
上述生成的飞行训练方案为飞行员单人训练的方案。另外，本步骤还包括针对多飞行员协同训练的飞行训练方案生成（如：多飞行员协同进行同一任务（探测、救援等）的训练），具体过程如下：
获取待协同训练的训练任务、以及各飞行员的技术能力指标；
将待协同训练的训练任务按照时间戳进行拆分，获取每一个时间段对应的子任务；并将各飞行员的技术能力指标进行拆分，获取各子任务对应的技术能力子指标；
将各飞行员的技术能力子指标进行降序排序，选取前M个技术能力子指标，以其对应的飞行员作为执行该子任务的飞行员；
结合两两飞行员之间的协作得分，对执行不同子任务的飞行员的技术能力子指标
进行加权，将加权后的结果作为所述待协同训练的训练任务对应的完成得分；所述协作得
分为两两飞行员在协同训练时基于预设的指标统计获取的分数；所述协作得分随时间的增
长而衰减，具体为：
，其中，
分别表示衰减后、衰减前两两飞行
员之间的协作得分，
表示衰减速率，
、
表示获取协作得分的时间，
表示当前时间。
基于所述待协同训练的训练任务（即训练科目）、训练科目对应的环境影响因素实例，结合所述完成得分，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练。
S500，获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
在本实施例中，评价网络基于N个并行的卷积网络、三个混合网络、一个集成网络构建；所述卷积网络包含五个卷积层，每个卷积层后面连接一个Relu激活函数；所述混合网络基于输入层、隐含层、输出层构建；所述集成网络用于对所述混合网络的输出进行加权求和；
其中，第一个卷积层、第二个卷积层的神经元个数为100；所述第一个卷积层、所述第二个卷积层的输入均为第一数据中不同时刻飞行员的动作及对应的飞行状态；将所述第一个卷积层的输出、所述第二个卷积层的输出进行融合，作为第三个卷积层的输入；第三个卷积层的神经元个数为100；第四个卷积层的神经元个数为10，其输入为第三个卷积层的输出；第五个卷积层的神经元个数为1，其输入为第四个卷积层的输出；
所述混合网络的输入为N个卷积网络的第五个卷积层的输出。
本发明通过构建N个并行的卷积网络、三个混合网络，让不同的混合网络关注到全局状态空间的不同子空间，同时通过集成网络整合这些策略从而充分利用全局状态信息，对混合网络进行投票，得到具有准确性的评价值。解决了现有只基于卷积层构建评价网络无法基于飞行员的整个训练过程进行整体、准确的评价的问题。
S600，若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转S500。
在本实施例中，当飞行员无法完成该训练方案要求时，神经网络系统会重新生成一个降低技术要求的训练方案，当飞行员完成该训练方案要求时，系统则更新飞行员的技术能力指标，并由神经网络系统生成一个提高技术要求的训练方案，经过多个训练的闭环，最终帮助飞行员达到训练科目的技术能力要求。具体如下：
若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练方案的生成，飞行员可结束训练或者使用当前场景继续训练，否则若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，则重新计算飞行员的技术能力指标，作为第三指标；计算第三指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调高环境影响因素实例的设置值，重新生成训练方案；
若所述评价值小于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，否则重新计算飞行员的技术能力指标，作为第四指标；计算第四指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调低各统计指标对应的环境影响因素实例的设置值，重新生成训练方案。
本发明第二实施例的一种基于虚拟现实的飞行训练方案生成系统，如图2所示，虚拟现实设备、远程服务器；所述虚拟现实设备包括VR设备、AR设备；虚拟现实设备与所述远程服务器通信连接；所述远程服务器包括数据获取模块、预处理模块、等级确定模块、场景生成模块、评价值获取模块、更新循环模块；
所述数据获取模块，配置为获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
所述预处理模块，配置为对所述输入数据预处理，得到预处理数据；
所述等级确定模块，配置为将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
所述场景生成模块，配置为基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
所述评价值获取模块，配置为获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
所述更新循环模块，配置为若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转评价值获取模块；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的方法的具体的工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于虚拟现实的飞行训练方案生成系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种基于虚拟现实的飞行训练方案生成设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于虚拟现实的飞行训练方案生成方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于虚拟现实的飞行训练方案生成方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图4，其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种基于虚拟现实的飞行训练方案生成方法，其特征在于，该方法包括以下步骤：
S100，获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
S200，所述输入数据预处理，得到预处理数据；
S300，将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
S400，基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
训练方案的生成还包括针对多飞行员协同训练的飞行训练方案生成：
获取待协同训练的训练任务、以及各飞行员的技术能力指标；所述待协同训练的训练任务即训练科目中的训练任务；
将待协同训练的训练任务按照时间戳进行拆分，获取每一个时间段对应的子任务；并将各飞行员的技术能力指标进行拆分，获取各子任务对应的技术能力子指标；
将各飞行员的技术能力子指标进行降序排序，选取前M个技术能力子指标，以其对应的飞行员作为执行该子任务的飞行员；
结合两两飞行员之间的协作得分，对执行不同子任务的飞行员的技术能力子指标进行加权，将加权后的结果作为所述待协同训练的训练任务对应的完成得分；所述协作得分为两两飞行员在协同训练时基于预设的指标统计获取的分数；所述协作得分随时间的增长而衰减，具体为：
其中，
分别表示衰减后、衰减前两两飞行员之间的协作得分，
表示衰减速率，
表示获取协作得分的时间，
表示当前时间；
基于所述待协同训练的训练任务、训练科目对应的环境影响因素实例，结合所述完成得分，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；
S500，获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
S600，若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转S500；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建；
所述技术能力等级计算模型其结构从上到下依次为卷积层、十二个卷积单元、第一全
局平均池化层、全连接层、softmax层；其中，四个卷积单元为一组，分为三组，组与组之间间
隔一个下采样层；第二组卷积单元分为两个小组，每个小组包含两个卷积单元，第一小组末
尾与辅分类单元连接，辅分类单元包括依次连接的平均池化层、1
1卷积层、2
2卷积层、第
二全局平均池化层；所述第二全局平均池化层与所述第一全局平均池化层的末尾相连接；
其中，所述卷积单元包含两个输入节点，四个中间节点以及一个输出节点；所述卷积单元用
于卷积处理；
所述技术能力等级计算模型，其对应的损失函数为：
其中，
表示技术能力等级的真值标签，
表示技术能力等级计算模型提取到的属于第
级的特征值，
表示级别数；
所述评价网络基于N个并行的卷积网络、三个混合网络、一个集成网络构建；所述卷积网络包含五个卷积层，每个卷积层后面连接一个Relu激活函数；所述混合网络基于输入层、隐含层、输出层构建；所述集成网络用于对所述混合网络的输出进行加权求和；
其中，第一个卷积层、第二个卷积层的神经元个数为100；所述第一个卷积层、所述第二个卷积层的输入均为第一数据中不同时刻飞行员的动作及对应的飞行状态；将所述第一个卷积层的输出、所述第二个卷积层的输出进行融合，作为第三个卷积层的输入；第三个卷积层的神经元个数为100；第四个卷积层的神经元个数为10，其输入为第三个卷积层的输出；第五个卷积层的神经元个数为1，其输入为第四个卷积层的输出；
所述混合网络的输入为N个卷积网络的第五个卷积层的输出。
2.根据权利要求1所述的基于虚拟现实的飞行训练方案生成方法，其特征在于，对所述输入数据预处理，其方法为：对所述输入数据进行数据标准化、数据清洗和异常值处理。
3.根据权利要求1所述的基于虚拟现实的飞行训练方案生成方法，其特征在于，根据所述输入数据，计算飞行员的技术能力指标，其方法为：
获取计算飞行员的技术能力指标的各统计指标；所述统计指标为飞行员在各环境影响因素实例影响下的飞行能力统计指标；
获取所述历史飞行数据、所述历史训练数据中包含各统计指标的统计数据，并进行归一化处理；
根据预设的统计指标与指标层的映射关系，获取各统计指标所属的指标层；将各指标层中统计指标对应的归一化处理后的统计数据进行累加，作为第一累加值；计算所述第一累加值与总累加值的比值，作为当前指标层对应的权重；所述总累加值为归一化处理后的统计数值累加后的总值；
分别计算各统计指标对应的统计数据与设定的统计阈值之间的差值；并将差值与各统计指标所属指标层的权重进行相乘；将相乘后的结果与所述差值相加，将相加后的结果作为飞行员的技术能力指标。
4.根据权利要求3所述的基于虚拟现实的飞行训练方案生成方法，其特征在于，基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标，通过环境因素调整模型生成调整后的环境因素变量和第二指标，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练，其方法为：
基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例；
基于调整后的调整后的环境影响因素实例，设置训练方案，并发送至虚拟现实设备，对飞行员进行训练。
5.根据权利要求4所述的基于虚拟现实的飞行训练方案生成方法，其特征在于，重新生成训练方案，其方法为：
若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，则重新计算飞行员的技术能力指标，作为第三指标；计算第三指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调高环境影响因素实例的设置值，重新生成训练方案；
若所述评价值小于设定的评价阈值，且飞行员的技术能力指标未达到所述第二指标，否则重新计算飞行员的技术能力指标，作为第四指标；计算第四指标与第二指标中各统计指标对应的统计数据的差值；若差值大于等于其对应的统计指标差值阈值，则按照设定比例调低各统计指标对应的环境影响因素实例的设置值，重新生成训练方案。
6.一种基于虚拟现实的飞行训练方案生成系统，其特征在于，该系统包括：虚拟现实设备、远程服务器；所述虚拟现实设备包括VR设备、AR设备；虚拟现实设备与所述远程服务器通信连接；所述远程服务器包括数据获取模块、预处理模块、等级确定模块、场景生成模块、评价值获取模块、更新循环模块；
所述数据获取模块，配置为获取待飞行训练的飞行员的历史飞行数据、历史训练数据，作为输入数据；
所述预处理模块，配置为对所述输入数据预处理，得到预处理数据；
所述等级确定模块，配置为将所述预处理数据输入预构建的技术能力等级计算模型，得到飞行员的技术能力等级；
所述场景生成模块，配置为基于预设的训练科目规则表，对飞行员的技术能力等级进行匹配，获取待飞行训练的飞行员的训练科目；
根据所述输入数据，计算飞行员的技术能力指标，作为第一指标；基于所述训练科目、训练科目对应的环境影响因素实例，结合所述第一指标、第二指标，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；所述环境影响因素实例包括能见度、风向、风速、天气、大气压；所述第二指标为训练科目要达成的技术能力指标；
训练方案的生成还包括针对多飞行员协同训练的飞行训练方案生成：
获取待协同训练的训练任务、以及各飞行员的技术能力指标；所述待协同训练的训练任务即训练科目中的训练任务；
将待协同训练的训练任务按照时间戳进行拆分，获取每一个时间段对应的子任务；并将各飞行员的技术能力指标进行拆分，获取各子任务对应的技术能力子指标；
将各飞行员的技术能力子指标进行降序排序，选取前M个技术能力子指标，以其对应的飞行员作为执行该子任务的飞行员；
结合两两飞行员之间的协作得分，对执行不同子任务的飞行员的技术能力子指标进行加权，将加权后的结果作为所述待协同训练的训练任务对应的完成得分；所述协作得分为两两飞行员在协同训练时基于预设的指标统计获取的分数；所述协作得分随时间的增长而衰减，具体为：
其中，
分别表示衰减后、衰减前两两飞行员之间的协作得分，
表示衰减速率，
表示获取协作得分的时间，
表示当前时间；
基于所述待协同训练的训练任务、训练科目对应的环境影响因素实例，结合所述完成得分，通过环境因素调整模型生成调整后的环境影响因素实例，进而生成训练方案，并发送至虚拟现实设备，对飞行员进行训练；
所述评价值获取模块，配置为获取飞行员在生成的训练方案中训练的数据，作为第一数据；将所述第一数据输入预构建的评价网络，得到飞行员训练的评价值；
所述更新循环模块，配置为若所述评价值大于等于设定的评价阈值，且飞行员的技术能力指标达到或超过所述第二指标，则结束训练，否则重新生成训练方案，发送至虚拟现实设备，对飞行员进行训练，并跳转评价值获取模块；
其中，所述训练科目规则表，为预设的飞行员的技术能力等级与预设的训练科目的映射关系；
所述环境因素调整模型基于全连接神经网络MLP构建；
所述技术能力等级计算模型其结构从上到下依次为卷积层、十二个卷积单元、第一全
局平均池化层、全连接层、softmax层；其中，四个卷积单元为一组，分为三组，组与组之间间
隔一个下采样层；第二组卷积单元分为两个小组，每个小组包含两个卷积单元，第一小组末
尾与辅分类单元连接，辅分类单元包括依次连接的平均池化层、1
1卷积层、2
2卷积层、第
二全局平均池化层；所述第二全局平均池化层与所述第一全局平均池化层的末尾相连接；
其中，所述卷积单元包含两个输入节点，四个中间节点以及一个输出节点；所述卷积单元用
于卷积处理；
所述技术能力等级计算模型，其对应的损失函数为：
其中，
表示技术能力等级的真值标签，
表示技术能力等级计算模型提取到的属于第
级的特征值，
表示级别数；
所述评价网络基于N个并行的卷积网络、三个混合网络、一个集成网络构建；所述卷积网络包含五个卷积层，每个卷积层后面连接一个Relu激活函数；所述混合网络基于输入层、隐含层、输出层构建；所述集成网络用于对所述混合网络的输出进行加权求和；
其中，第一个卷积层、第二个卷积层的神经元个数为100；所述第一个卷积层、所述第二个卷积层的输入均为第一数据中不同时刻飞行员的动作及对应的飞行状态；将所述第一个卷积层的输出、所述第二个卷积层的输出进行融合，作为第三个卷积层的输入；第三个卷积层的神经元个数为100；第四个卷积层的神经元个数为10，其输入为第三个卷积层的输出；第五个卷积层的神经元个数为1，其输入为第四个卷积层的输出；
所述混合网络的输入为N个卷积网络的第五个卷积层的输出。
7.一种基于虚拟现实的飞行训练方案生成设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-5任一项所述的基于虚拟现实的飞行训练方案生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210989699.3A CN115063274B (zh) | 2022-08-18 | 2022-08-18 | 基于虚拟现实的飞行训练方案生成方法、系统、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210989699.3A CN115063274B (zh) | 2022-08-18 | 2022-08-18 | 基于虚拟现实的飞行训练方案生成方法、系统、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063274A CN115063274A (zh) | 2022-09-16 |
| CN115063274B true CN115063274B (zh) | 2023-03-24 |
Family
ID=83208369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210989699.3A Active CN115063274B (zh) | 2022-08-18 | 2022-08-18 | 基于虚拟现实的飞行训练方案生成方法、系统、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063274B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222300B (zh) * | 2022-09-20 | 2023-02-28 | 珠海翔翼航空技术有限公司 | 基于智能评价算法的航空模拟器复训时长分配系统和方法 |
| CN116070816B (zh) * | 2023-02-01 | 2023-06-02 | 苏州海易泰克机电设备有限公司 | 一种基于物联网的飞行模拟训练管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109920298A (zh) * | 2019-03-28 | 2019-06-21 | 珠海超凡视界科技有限公司 | 一种基于虚拟现实进行科目训练的装置及方法 |
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019152938A1 (en) * | 2018-02-02 | 2019-08-08 | Access Virtual, LLC | Virtual reality based pilot training system |
| CN110008442A (zh) * | 2019-03-21 | 2019-07-12 | 上海工程技术大学 | 一种基于飞行员综合能力评价的飞行员训练控制方法 |
| CN110111638A (zh) * | 2019-05-28 | 2019-08-09 | 李伟 | 一种ar模拟驾驶方法和系统 |
| CN110321951B (zh) * | 2019-07-01 | 2021-03-16 | 青岛海科虚拟现实研究院 | 一种vr模拟飞行器训练评价方法 |
| CN112396105B (zh) * | 2020-11-18 | 2023-11-07 | 沈阳航空航天大学 | 一种基于贝叶斯网络的飞行训练科目智能生成方法 |
| CN114373360B (zh) * | 2021-12-17 | 2023-01-10 | 清华大学 | 飞行模拟器智能训练系统、方法及装置 |
-
2022
- 2022-08-18 CN CN202210989699.3A patent/CN115063274B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109920298A (zh) * | 2019-03-28 | 2019-06-21 | 珠海超凡视界科技有限公司 | 一种基于虚拟现实进行科目训练的装置及方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063274A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115063274B (zh) | 基于虚拟现实的飞行训练方案生成方法、系统、设备 | |
| CN109118055A (zh) | 一种驾驶行为评分方法及装置 | |
| CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
| CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| CN107133695A (zh) | 一种风电功率预测方法和系统 | |
| CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
| CN110222615A (zh) | 基于InceptionV3网络的被遮挡目标识别方法 | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| CN115018017B (zh) | 基于集成学习的多智能体信用分配方法、系统、设备 | |
| CN110659825A (zh) | 银行网点多学习器的现钞需求量预测方法和装置 | |
| CN108802857A (zh) | 一种基于气象数据的气象预报系统 | |
| CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
| CN118410417B (zh) | 基于小波时频图和轻量级混合神经网络的复杂飞行动作识别方法 | |
| CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN115648204A (zh) | 智能决策模型的训练方法、装置、设备以及存储介质 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN114627331A (zh) | 模型训练方法和装置 | |
| CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
| CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
| CN117275222A (zh) | 一种融合一维卷积与属性增强单元的交通流量预测方法 | |
| CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
| CN116244974A (zh) | 仿真交通流数据真实性评价方法及装置 | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |