基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法

技术领域

本发明涉及动态人机功能分配技术领域，具体涉及一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法。

背景技术

随着信息技术的飞速发展，装甲车辆乘员舱室的自动化水平和智能化水平明显提高。面对装甲车辆驾驶舱复杂的工作环境，不断变化的人的状态和机器性能使得原有的静态人机功能分配方法无法满足实际应用的需求，需要在此基础上，研究动态人机功能分配方法，以实现在系统运行阶段根据人机系统的状态变化将功能在人和系统之间动态分配，使得系统性能保持最优。动态人机功能分配需要解决两个问题，即何时触发及触发后如何分配。

为了实现上述目的，本领域技术人员通过任务复杂度、生理信号建立任务负荷量化评估模型，基于负荷均衡规则确定自动化等级调整方案。或者通过获取预设操作员的工作量及反应时间确定所述操作员的负荷状态，进而确认自动化等级调整方案。可见，本领域技术人员主要从脑力负荷、任务绩效来预测人性能，并以当前状态预测结果来解决是否触发的问题。然而影响装甲车辆舱室人性能指标较多，仅以脑力负荷和任务绩效来确认人性能过于片面，而且以上方法只能依据所预测当前人性能来判断是否触发，而不能预测未来一段时间的性能，无法根据预测结果进行提前预防和调整。在实际作战中，可能因为战场态势的变化导致任务的紧迫性、准确性要求也随之变化，而现有方法无法判断任务属性变化时，人性能是否仍满足需求。而且对人机系统来说，存在调整自动化等级后人机系统性能提升不明显的问题，需要对影响人机系统性能的关键指标进行优化，而现有方法只能正向预测人性能，无法反向寻找致因指标。

发明内容

为了解决上述技术问题，本发明主要面向装甲车辆透明座舱人机功能分配，针对现有方法的不足，需要解决三个问题：(1)现有方法所采用性能指标过于片面，尤其面向装甲车辆作战情况，环境对人和机器性能的影响显著，需要从人、机、环三个方面基于作战环境建立全面有效的人机性能预测模型；(2)应对战场环境下，任务准确性、紧迫性需求多变，现有方法无法判断任务属性变化对人机系统性能的影响；(3)现有方法只能预测当前时刻乘员的性能状态，而不能预测未来一段时间的人性能状态，以便提前进行预防和调整，而且未考虑自动化等级调整后人机系统性能提升不明显时的解决措施。本发明提供一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法，该方法利用动态贝叶斯模型实现了随战场任务属性实时变化的人机系统性能预测方法，可预测未来一段时间内人机系统的性能变化并提前确认自动化等级动态调整方案。当改变自动化等级后人机系统性能提升不明显时，还可根据指标优化优先级顺序，通过改善指标状态，提升人机系统性能。面向复杂多变的战场环境及任务属性需求，本发明对提高未来装甲车辆透明座舱的人机系统效能有很高的应用价值。

本发明目的是提供一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法，包括：

将人机系统性能划分为人性能和机器性能，并将人性能分解为准确性性能和紧迫性性能；获取影响人性能和机器性能的指标；

根据准确性性能、紧迫性性能和机器性能，以及人性能和机器性能的指标，建立动态贝叶斯网络模型结构，并确认动态节点；采用模糊综合评价法确认根节点的先验概率和除根节点外其他节点的条件概率，并确认动态节点的转移概率，对动态贝叶斯网络模型结构进行量化，获取动态贝叶斯网络模型；

根据动态贝叶斯网络模型获得准确性性能、紧迫性性能以及机器性能的预测值；

根据准确性性能和紧迫性性能的预测值获取人性能的预测值；根据人性能的预测值和机器性能的预测值，获取人机系统性能预测值；

设定人机系统性能阈值，当人机系统性能预测值低于阈值时，触发自动化等级的调整；

根据调整后的人机系统性能，与原有人机系统性能进行对比，确认最终调整方案。

优选的，所述建立动态贝叶斯网络模型结构过程中，包括：根据准确性性能、紧迫性性能和机器性能，以及人性能和机器性能的指标，建立故障树模型，将建立故障树模型转化为动态贝叶斯网络模型结构。

优选的，人性能的预测值是按照以下步骤获取：

获取历史的多种任务情况，根据模糊综合评价法建立每种任务情况下的准确性性能和紧迫性性能的权重；根据每种任务情况下的准确性性能和紧迫性性能的权重以及所述准确性性能和紧迫性性能的预测值，获取每种任务情况下的人性能的预测值。

优选的，所述准确性性能、紧迫性性能以及机器性能的预测值是将预测根节点一段时间内的节点证据输入动态贝叶斯网络模型而获取的。

优选的，所述人机系统性能预测值是按照以下步骤获取：

根据当前自动化等级及人和机器在各类型任务上的能力表现，获取人性能和机器性能的权重；

根据人性能和机器性能的权重，以及人性能的预测值和机器性能的预测值，获取人机系统性能预测值。

优选的，当低于阈值时，触发自动化等级的调整，包括：当调整后人性能提升不明显时，进行灵敏度分析，确认各节点优化优先级，并由决策者确定优化方案。

优选的，所述动态节点的转移概率是根据子节点集和父节点集的联合概率而获取的。

优选的，根节点的先验概率利用三角模糊数，对专家评价进行加权平均，归一化后获得概率值。

优选的，除根节点外其他节点的条件概率利用三角模糊数，对专家评价进行加权平均，归一化后获得概率值。

优选的，所述影响人性能和机器性能的指标是从人、机、环三方面而获取的；将人性能基于任务属性要求分解为准确性性能和紧迫性性能。

本发明至少具有如下有益效果：

本发明提供了一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法，该方法将人机系统性能分解为人性能和机器性能，基于任务属性要求将人性能分解为准确性性能和紧迫性性能，从人、机、环三方面确认影响人性能的指标；基于故障树模型确认动态贝叶斯网络模型结构；采用模糊综合评价法确认根节点的先验概率和节点条件概率，基于专家经验确认动态节点及转移概率；根据任务列表信息确认可预测根节点一段时间内的节点证据，输入构建的动态贝叶斯网络模型，获得乘员准确性性能和紧迫性性能以及机器性能的预测值；总结可能出现的任务情况，通过模糊综合评价法建立准确性和紧迫性性能权重库，根据任务实时情况进行调用，获得人性能预测值；根据当前人机自动化等级，计算人机系统性能，设定人机系统性能阈值，低于阈值时，触发自动化等级的动态调整；当调整后人性能提升不明显时，通过溯因分析，确认各节点优化优先级，并由决策者确定优化方案。

本发明利用动态贝叶斯模型实现了随战场任务属性实时变化的人机系统性能预测方法，可预测未来一段时间内人机系统的性能变化并提前确认自动化等级动态调整方案。当改变自动化等级后人机系统性能提升不明显时，还可根据指标优化优先级顺序，通过改善指标状态，提升人机系统性能。面向复杂多变的战场环境及任务属性需求，本发明对提高未来装甲车辆透明座舱的人机系统效能有很高的应用价值。

本发明从综合考虑了人性能和机器性能的变化，从人、机、环三个方面基于作战环境建立了全面有效的人机性能预测模型。本发明将人性能基于任务的准确性和紧迫性需求分解为准确性性能和紧迫性性能，根据战场环境实时调用准确性和紧迫性权重，进而计算当前乘员性能。本发明利用动态贝叶斯网络模型所构建的人机系统性能预测模型，通过输入一段时间内可预测节点的预测证据，可获得未来一段时间内人机系统的性能预测值，有利于提前进行预防决策。而且在自动化等级调整后性能提升不明显时，可通过灵敏度分析，确定各性能指标的优化顺序，从根节点上解决问题。

附图说明

图1人机系统性能故障树模型。

图2准确性性能、紧迫性性能和机器性能的DBN模型。

图3工作时长隶属度。

图4为基于动态贝叶斯网络的人机性能建模方法的流程图。

图5为动态人机功能分配的流程图。

具体实施方式

为了阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合实施例，进行详细说明。

本发明主要考虑了任务属性对装甲车辆驾驶舱人机系统的影响，基于动态贝叶斯理论建立了人机系统性能预测模型及自动化等级动态调整方法，解决了何时触发，触发后如何分配的问题。

一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法，包括：

S1、将人机系统性能划分为人性能和机器性能，并将人性能分解为准确性性能和紧迫性性能；获取影响人性能和机器性能的指标；

所述影响人性能和机器性能的指标是从人、机、环三方面而获取的；将人性能基于任务属性要求分解为准确性性能和紧迫性性能。

在本实施例中，将人机系统性能划分为人性能和机器性能，基于任务属性要求将人性能分解为准确性性能和紧迫性性能，从人、机、环三方面通过专家意见和文献研究确认影响人性能机器性能的指标。

其中，所述从人、机、环三方面获得的性能指标如下；人方面：任务负荷、乘员能力、任务复杂度、任务工作量、任务难度、时间压力、精神疲劳、工作时长、信任水平、任务绩效；机方面：故障频率；环境方面：温度、振动、整体工作环境。具体性能指标的关系及其影响效果如表1所示。

表1：人机系统性能指标及其影响效果

S2、根据准确性性能、紧迫性性能和机器性能，以及人性能和机器性能的指标，建立动态贝叶斯网络模型结构，并确认动态节点；采用模糊综合评价法确认根节点的先验概率和所有节点的条件概率，并确认动态节点的转移概率，对动态贝叶斯网络模型结构进行量化，获取动态贝叶斯网络模型；

所述建立动态贝叶斯网络模型结构过程中，包括：根据准确性性能、紧迫性性能和机器性能，以及人性能和机器性能的指标，建立故障树模型，将建立故障树模型转化为动态贝叶斯网络模型结构。

所述动态节点的转移概率是根据子节点集和父节点集的联合概率而获取的。

根节点的先验概率利用三角模糊数，对专家评价进行加权平均，归一化后获得概率值。

除根节点外其他节点的条件概率利用三角模糊数，对专家评价进行加权平均，归一化后获得概率值。

在本实施例中，分别对准确性性能、紧迫性性能和机器性能建立故障树模型，并将其转化为动态贝叶斯网络模型结构；

具体的，获得准确性性能和紧迫性性能的故障树模型如图1所示；故障树模型中，其各指标间相互独立，转化为贝叶斯网络模型时，需要根据性能指标间的因果关系添加有向弧；动态节点指上一时刻节点状态会对下一时刻造成影响的节点，具体包括：精神疲劳、信任水平；最终获得的准确性性能模型及紧迫性性能模型如图2所示。

在本实施例中，采用模糊综合评价法确认根节点的先验概率和节点条件概率，基于专家经验确认动态节点的转移概率，并在GeNIe软件中完成动态贝叶斯网络模型的构建。

具体的，动态节点只与上一时刻状态有关，其转移概率利用联合概率公式计算。

其中，P(X

由于该领域数据的获得难度，根节点先验概率及条件概率需要基于行业专家评价的模糊评价方法获得，具体如下：

步骤一：设定评语等级集V＝{非常不符合，不符合，较不符，中等，较符合，符合，非常符合}，三角模糊数用M＝(l，r，m)表示，如式(2)所示，每个语言变量可以转化为对应的三角模糊数；

步骤二：以P

步骤三：采用面积均值法将得到的三角模糊数进一步转换为明确的概率值：

具体的，先验概率可通过步骤一至步骤三计算，对最后获得的概率值进行归一化处理，使根节点各状态概率和为1，即为该根节点的先验概率。

具体的，条件概率指给定父节点状态下子节点发生的概率，可通过步骤一至步骤三计算，对最后获得的概率值进行归一化处理，使根节点各状态概率和为1，即为该根节点的条件概率。

需要说明的是，先验概率和条件概率都是依据专家评价来进行计算的，比如先验概率是专家对该根节点的先验状态做出评价，再加权平均，条件概率是专家对给定父节点状态下的子节点的状态进行评价，再加权平均，两者的运算过程相同。

S3、根据动态贝叶斯网络模型获得准确性性能、紧迫性性能以及机器性能的预测值；

所述准确性性能、紧迫性性能以及机器性能的预测值是将预测根节点一段时间内的节点证据输入动态贝叶斯网络模型而获取的。

在本实施例中，根据任务列表信息、环境预测信息及当前时刻可获得的节点值确认可预测根节点一段时间内的节点证据，输入构建的动态贝叶斯网络模型，获得准确性性能、紧迫性性能以及机器性能的预测值。其中，任务列表信息如未来一段时间的任务难度、任务工作量、对应任务类型下的乘员能力值、乘员的累计工作时长及根据任务完成时间要求获得的时间压力，环境预测信息包括温度、振动、噪音和有害气体浓度的值，当前时刻获得可获得的节点值包括信任、任务绩效和故障频率的值。

本实施例中，可预测节点包括：温度(机)、温度(环)、振动(机)、振动(人)、噪音、有害气体、乘员能力、任务工作量、任务难度、工作时长和时间压力，只能获得当前时刻证据节点包括：信任、任务绩效、故障频率。

可获得具体数值的节点包括：温度(机)、振动(机)、温度(环)、振动(人)、工作时长、噪音、有害气体。以工作时长为例，基于三角模糊数，设工作时长分别有5种数值范围，小于1h、0.5h-2h、1.5h-4h、3h-7h、大于6h。得出隶属度函数与工作时长变化相应得分如图3所示。若当前时刻当工作时长为6.2h，则工作时长属于长的节点概率为0.8，属于短的隶属度为0.2。

先验概率不可计算节点包括：乘员能力、任务工作量、任务难度和时间压力，和条件概率都需要基于专家模糊综合评价利用公式(2)和(3)确认。

S4、根据准确性性能和紧迫性性能的预测值获取人性能的预测值；根据人性能的预测值和机器性能的预测值，获取人机系统性能预测值；

设定人机系统性能阈值，当人机系统性能预测值低于阈值时，触发自动化等级的调整；当低于阈值时，触发自动化等级的调整，包括：当调整后人性能提升不明显时，进行灵敏度分析，确认各节点优化优先级，并由决策者确定优化方案。

人性能的预测值是按照以下步骤获取：

获取历史的多种任务情况，根据模糊综合评价法建立每种任务情况下的准确性性能和紧迫性性能的权重；根据每种任务情况下的准确性性能和紧迫性性能的权重以及所述准确性性能和紧迫性性能的预测值，获取每种任务情况下的人性能的预测值。

其中，所述人机系统性能预测值是按照以下步骤获取：

根据当前自动化等级及人和机器在各类型任务上的能力表现，获取人性能和机器性能的权重；

根据人性能和机器性能的权重，以及人性能的预测值和机器性能的预测值，获取人机系统性能预测值。

在本实施例中，总结可能出现的任务情况，并通过模糊综合评价法建立每种情况下的准确性和紧迫性性能权重库，根据任务实时情况进行调用，获得人性能预测值。

其中，将准确性和紧迫性划分为7个等级，包括：非常高、高、较高、中等、较低、低、非常低；基于三角模糊数，确定7个等级对应的隶属度分别为：0.975、0.875、0.7、0.5、0.3、0.125、0.025。设任务准确性和紧迫性的隶属度分别为T

需要说明的是，当准确性要求为“高”、紧迫性要求为“较低”时，准确性性能权重W

则人性能HMS

HMS

在本实施例中，基于当前自动化等级及人和机器在各类型任务上的任务表现，确认人性能和机器性能权重，进而获得人机系统性能预测值，整体流程如图4所示；其中，需要根据任务类型进行自动化等级的划分。假设共有4级自动化等级，当处于第3级时，人性能自动化等级权重为W

W

机器的性能的权重为：

W

人机系统性能计算公式为：

HMS

人机系统性能阈值需要有经验的专家来确定。设阈值为0.5，当人机系统性能低于0.5时，触发自动化等级的调整，对每个备选调整方案通过式(7)-(9)，计算调整后的人机系统性能，与原有人机系统性能进行对比，确认最终调整方案。

S5、根据调整后的人机系统性能，与原有人机系统性能进行对比，确认最终调整方案。

在本实施例中，各根节点优化优先级计算方法如下，设指标A的灵敏度为S

P＝S

假设当前自动化等级调整后，发现人机系统性能仍低于0.5，且此时振动的优化优先级最高，则可通过降低行驶速度、重新规划路线等方式降低振动对人机系统的影响以提高效能。整体流程如图5所示。S3-S5具体实施例如下：Sheridan把自动化等级从完全手动到完全自动划分为10级，更高的级别代表着自动化系统拥有更高的参与度和决策权。参照该自动化等级划分表以及装甲车辆实际情况，确定各类型任务的自动化等级，假设如表2所示：

表2：各类型任务自动化等级划分表

假设未来一段时间内某乘员需要在人机自动化系统上执行任务列表及人机能力水平如表3所示：

表3：任务列表

根据战场路况，可获得未来一段时间的舱内温度、舱内振动情况、整体环境状况、任务工作量、任务难度、时间压力、乘员能力、工作时长的预测值，可获得当前情况下信任水平、任务绩效和故障频率的值，如表4所示。根据以上预测结果，对未来一段时间乘员性能及机器性能进行预测，进而判断是否触发动态人机功能分配。

表4：根节点证据

基于公式(2)-(3)获得各任务的准确性要求评价如表5所示：

表5：准确性要求

驾驶任务更注重任务完成的时间，操作是否精确对驾驶过程影响不大，而侦察、决策、打击和评估任务更注重任务完成的准确性。根据公式(4)-(5)获得准确性性能及紧迫性性能的权重比值如下

表6：权重比值

基于动态贝叶斯网络，输入表4中的节点证据，根据公式(6)获得人的性能，根据公式(7)-(9)获得人机系统实时能力预测结果。进而获得不同紧迫性条件下的性能预测结果如表7至表8所示：

表7：时间压力为0.1时性能预测结果

表8：时间压力0.9时性能预测结果

设当人机系统实时能力水平低于0.5时，触发自动化等级的调整，可根据公式(7)-(9)计算自动化等级提高或降低后的人机性能可靠性，与更改前的人机性能可靠性比较后确定是否提高或降低自动化等级。如果调整后未有明显提升，可通过敏感性分析确认影响人机性能的关键因素，进而由人进行决策，确认改进方案。如表8所示，当任务的时间压力较小时，可发现打击阶段T

表9：自动化等级调整前后人机系统性能

通过分析表9可知，在时间压力较小时，T

表10：根节点优化优先级

通过表10可以发现T

本发明提供的一种基于动态贝叶斯网络的装甲车辆驾驶舱人机功能分配方法，有效解决了装甲车辆驾驶舱动态人机功能分配的问题，较准确的建立了人机系统性能模型，以此解决了何时触发以及触发后如何调整的问题，具有一定创新性。且提出的方法具有通用性,对其他领域的人机功能分配研究提供了新的研究思路。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。