当前位置: 首页 > news >正文

智能驾驶研究:飞机座舱人机交互对飞行员情景意识的影响

研究背景

随着科技的发展,航空航天飞机驾驶座舱逐渐向智能化方向发展。HUD(平视显示器,Head Up Display)的使用可以使飞行员在平视情况下,对飞机飞行的各种状态信息进行集成呈现的透明显示器。HUD投射的资料主要与飞行任务有重要关系,譬如飞行高度,飞行速度,航向,垂直速率变化,飞机倾斜角度等等。使用于战斗环境时,还会加上目标资料,武器与发射相关资料,预估命中点等等。这些显示的资料能够根据不同状况而变换,让飞行员更能够很好的理解当前的情境。

高仿真度模拟飞行驾驶场景

对于这种人机交互方式如何影响飞行员在飞行过程中的飞行行为就成为一个重要的人因工程学问题。本研究使用带有HUD的模拟飞行器对飞行员不同飞行阶段的情景意识水平进行研究,以对飞机座舱的人机交互界面提供设计建议和参考,更好的保证飞行安全。

研究目的

结合ErgoLAB人机环境同步测试云平台,采用P3D模拟飞行软件及模拟飞行场景,多模态生理及行为设备,探究飞行员在使用传统操作界面和HUD操作界面飞行过程中情景意识差异,以此考察不同飞机座舱人机交互界面设计对飞行员飞行任务的影响情况。

研究方法

本研究选取5名对模拟飞行软件较为熟悉,能够熟练使用操纵杆进行操作的成年被试通过飞行模拟器完成模拟飞行操作任务,自变量为不同飞机座舱人机交互界面,因变量为飞行员情景意识水平。采用眼动、脑电、生理等多模态人因数据对情景意识水平进行评估。

本研究采用ErgoLAB人机环境同步测试云平台记录被试在模拟飞行过程中的多通道指标并进行定量化分析,数据结果通过ErgoLAB人机环境同步测试云平台分析功能模块进行数据的过滤、提取与统计。

飞行员情境意识研究流程示意图

ErgoLAB可穿戴眼动模块同步记录在模拟驾驶飞行过程中被试的眼动数据,通过追踪被试的瞳孔直径与眨眼次数,来分析不同交互界面下被试的注意程度与疲劳程度。

ErgoLAB可穿戴生理模块实时记录并分析被试在模拟飞行过程中的生理唤醒水平。在本研究中,主要采用耳尖脉搏PPG传感器采集与分析心率变异性HRV时域指标SDNN,皮电传感器EDA采集与分析皮电SC指标。生理唤醒程度越高,代表被试当前飞行阶段投入的认知努力越高。

ErgoLAB可穿戴脑电模块实时记录并分析被试的认知负荷状态,同步分析指标为α、β波。ErgoLAB综合分析模块对时空数据与生理数据交互分析并形成可视化报表。

某被试多维度数据同步回放界面

研究结果

ErgoLAB人机环境同步测试云平台生理分析模块对被试在不同人机交互界面完成模拟飞行任务中的皮电EDA和心率变异性HRV进行统计分析。研究结果发现,被试在传统操作界面的皮电EDA指标SC与心率变异性HRV指标SDNN是要高于HUD操作界面,说明被试在传统操作界面飞行过程中的生理唤醒程度更高,在传统操作界面进行飞行过程中可能表现出更多的认知努力。

不同操作界面生理状态的变化

使用ErgoLAB人机环境同步测试云平台脑电模块对脑电频谱数据进行分析。结果发现,被试在传统操作界面的β频谱能量要高于HUD操作界面的能量,α频谱能量要低于HUD操作界面段,说明被试在在传统操作界面进行操作时相较于在HUD操作界面进行操作时更加紧张,注意程度以及认知努力程度更高。

不同操作界面脑电数据的变化

使用ErgoLAB人机环境同步测试云平台眼动分析模块,对被试在注视不同人机交互界面的眼动数据进行了分析,结果发现,被试在注视传统操作界面相较于注视HUD操作界面眨眼次数更多,瞳孔直径更大,说明被试在注视传统操作界面时的注意力更加集中,认知负荷相较于注视HUD操作界面更大。

不同操作界面眼动指标的变化

通过ErgoLAB人机环境同步测试云平台中的综合统计模块进行可视化分析,在可视化分析功能中通过交叉分析,在ErgoLAB综合分析模块对生理唤醒程度进行高、中、低划分,与眼动行为数据进行交叉分析,对某一被试在不同操作界面的飞行过程中的状态进行了可视化分析,以此来分析某一飞行过程中,不同生理唤醒程度与眼动行为的关系,从多模态数据综合分析飞行员在模拟飞行任务中的情景意识。

某被试不同飞行阶段下的皮电与眼动的交叉分析

研究结论与讨论

本研究使用ErgoLAB人机环境同步测试云平台,采用皮电、心电、脑电与眼动等多通道的生理及眼动行为指标进行同步记录与分析被试在不同飞行座舱人机交互界面完成模拟飞行任务过程中认知负荷,努力程度及情景意识水平变化情况。结果发现,在传统人机界面中,被试需要关注多项数据来进行飞行任务,相较与HUD操作界面,认知负荷更大,情景意识水平更低。本研究结果为未来HUD界面的飞行驾驶座舱的研究设计提供了依据与参考。

参考文献

[1] 龙英. 进近着陆阶段飞行员使用HUD的脑力负荷评估研究[D].中国民航大学,2018.

[2] 李琳君,李向南.飞行负荷评价技术与方法[J].直升机技术,2019(02):37-41+46.

[3] 魏水先,孙有朝.基于生理测量的飞行模拟试验方案设计[J].中国民航飞行学院学报,2015,27(02):46-49.

- End -

http://www.cnnetsun.cn/news/89958.html

相关文章:

  • 【视频帧提取效率翻倍秘籍】:Dify帧率设置背后的黄金参数揭秘
  • 在C#上运行YOLOv11模型---CPU版
  • 关于uniapp vue2 canvas重绘元素节点时,提示cos of null相关异常警告,导致js线程崩溃,vue响应式丢失的问题
  • 【微服务稳定性提升利器】:基于Dify与Spring AI的异常熔断与恢复策略
  • concurrent hashmap原理,扩容,扩容时怎么保证线程安全?
  • 空间转录组降维必杀技:5步用R语言完成PCA、t-SNE与UMAP优化
  • 【R语言与量子计算加速新突破】:GPU如何将量子模拟效率提升10倍?
  • AWS专家Greg Coquillo提出的 6种LLM ORCHESTRATION PATTERNS解析
  • “.商标”不等同于商标权:企业做知识产权保护,别把“后缀名”当“确权证”
  • 面向削峰填谷的电动汽车多目标优化调度策略
  • 如何在30分钟内完成Dify与Spring AI的无缝部署?资深架构师亲授秘诀
  • 【Vue知识点总结】Vue中的namespaced命名空间详解
  • 告别单一生态限制,构建R-Python一体化可视化工作流
  • 论基于REST服务的Web应用系统设计
  • R语言在气象数据分析中的应用(相关性建模全攻略)
  • 揭秘Docker Compose中的Agent健康检测机制:如何避免服务假死?
  • Python期末复习:30个核心知识点完全详解
  • 大模型训练数据全攻略:从数据处理到高质量数据集构建(建议收藏)
  • 企业级容器安全迫在眉睫,Docker Scout如何实现小时级响应?
  • 12th Live2D Creative Awards(2025)获奖名单公布!
  • 【稀缺资料】:Dify重排序系统调优的3个黄金法则与实测数据验证
  • 【混合检索的Dify查询优化秘籍】:揭秘提升查询效率5倍的核心策略
  • 告别 “自动化孤岛”,解锁实验室真正智能
  • Dify版本历史管理的秘密武器:实现安全、可控、可追溯的回滚体系
  • 13.长视频和短视频的目标追踪(yolo_insightface模型)
  • 前端开发必备:JavaScript 核心事件详解与实战
  • 为什么你的服务总崩溃?:Docker MCP 网关负载均衡未正确配置的3大隐患
  • 专利检索漏查1个参数,千万研发卡壳量产线
  • 自动化测试团队效率提升指南
  • LobeChat能否通过等保测评?国内合规性达标