据ainonline网站2022年3月1日刊文，美国南卫理公会大学（SMU）与模拟器制造/训练服务供应商CAE公司合作，拟开发一种生物识别与机器学习技术相结合创新方法，用于未来智能化飞行训练。该系统能够监测飞行员生理反应，实时提供更客观、自动化的训练效果实时测定结果，使飞行训练可定制、更高效。

长期以来，飞行训练始终依赖教员的主观观察和飞行后的分析，以确定学员对某一动作的熟练程度和掌握情况。创新的生物统计学为监测飞行员高负荷工作时的反应提供了一个独特的视角。SMU和CAE公司联合团队拟通过智能化手段，优化飞行训练效果。SMU AT&T虚拟中心研究团队持续开展了四年项目研究，开发测试使用生物识别与机器学习技术，来实现对学员情景意识和认知负荷感应情况的认知，以准确测定学员在飞行模拟器中对各种场景的反应。项目早期目标旨在支持美国国防部自动测定任务关键高阶认知结构（如情景意识）的任务需求，以加快复杂技能训练过程，支持多域作战概念实现。2019年，SMU和CAE公司联合团队首次演示了基于生物识别数据的机器学习技术，实时准确测定人员状态（情景意识、心理变化、工作强度等）的项目成果。

机器学习技术是对能够通过经验和采集数据自动改进算法的研究，是人工智能技术的组成部分。联合团队实施的项目可测定人员的多种物理反应，如视觉凝视状态、瞳孔大小、心率等，以确定飞行测试人员的参与度、工作量、情景意识、压力疲劳状态等。项目研究结果证实，早期的自动生物识别测试结果与经验丰富的人类评估员的评估结果非常一致。因此，SMU团队认为，模拟试验中的生物识别技术测定结果同样能够达到客观、准确评价的效果。

SMU团队遭遇的主要难题是：如何证实使用生物识别技术能够量化测定/感知用户在学习/掌握一种高难度技能过程中达到的各种程度。研发团队拟突破实现采用可定制、自动化的手段展示习得过程的方法，推动该研究领域的进步。

SMU团队在试验中采集生物识别数据的过程是在一个混合现实模拟场景中进行的，使用了集成眼动跟踪器的虚拟现实（VR）头盔。

CAE公司在生物识别传感和机器学习方面具备丰富知识和经验。对于项目所需的在动态、高风险场景（如航空场景）中实现实时测定情景意识这一高阶认知架构目标来说，通过公司机器学习等新技术的应用，能够有效识别学员感知方面的波动，进而对不良状态采取干预措施。通过实时训练复杂性适应研究，系统能够确保学员获得最适应的训练强度，提升训练效果，更有效、迅速地达到任务准备状态。

目前，SMU和CAE联合团队实施的大部分数据采集工作均通过重复测定试验进行。试验由40名具有不同背景和经验水平的学员参与，在受控环境中操控混合虚拟现实飞行模拟系统。该模拟系统使用VR构建军用战斗机作战场景，融合了可视化、平显和高精度手部追踪技术。数据采集设备包括一部带有集成眼动追踪器的VR头盔和一个腕式设备。眼动追踪系统采集眼球凝视、瞳孔反应和眨眼等数据。腕式设备采集心率、皮肤电反应、皮肤电活动（EDA）和手腕加速度等数据。这些生物识别数据通过计算机分析进行关联，以确定学员的认知负荷、精神状态（工作负荷）、刺激或压力水平等。

试验显示，生物识别数据能够反应受试人员的诸多信息，如飞行阶段眼球凝视不佳时，说明学员工作负荷较高；眼球凝视状态较好时，说明学员注意力和表现较好；眨眼较少或眨眼时间较短时，说明学员在执行任务过程中注意力集中；心率变化说明学员在执行任务过程中的心理变化。除了研究单一的生物识别统计数据，联合团队还进行了数据比较分析，以确定不同参数之间是否有更高的关联性。

联合团队的研究成果对于测定飞行员的工作量也具有重要意义。利用生物识别技术和机器学习算法，研究人员可确定学员工作负荷情况。研究团队创造了一种自动化手段，能够客观地评估学员表现和飞行动作所需的“轻松程度”，进而测定飞行员的工作量，以及是否有多余的能力来执行额外的任务。

除了在实验室环境中进行试验测试外，SMU和CAE公司联合团队还在爱德华兹空军基地开展了基于生理传感器系统的外场试验，客观评估了飞行员的工作量。外场试验测试采用波音C-17A飞机完成了两个飞行测试，包括空中加油机动和横向偏移着陆，总共记录了33个机动动作，测试结果良好。该探索性外场测试表明，在真实飞行场景中，系统能够采集到比模拟器环境更高的工作负荷相关数据。

试验证明，在飞行训练场景中使用生物识别和机器学习技术可能最终会改变飞行员的训练方式。学员生理反应的数据记录可能比人员主观评估更能可靠地反应训练实效。虽然SMU和CAE公司联合团队的研究成果只在军用飞机平台上进行了试验验证，但这一过程和相关技术在民用航空中可能也适用，如凝视模式的监测，可能有助于训练提升飞行员在主动飞行路径监控、飞行模式选定和飞行员监控职责发挥等方面效能。

关键词： 飞行训练 机器学习