一种远程塔台空中交通管制员态势感知评估模型建立方法

技术领域

本发明涉及人机交互的态势感知评估技术领域，具体为一种远程塔台空中交通管制员态势感知评估模型建立方法。

背景技术

远程塔台(Remote Tower)又称虚拟塔台、数字塔台(Digital Tower)，使用图像和语音等数据采集传感器、图像处理和数据传输技术，得到比传统塔台更加丰富的管制信息从而为管制员呈现高可靠态势信息，从而为远端机场提供安全水平不低于物理塔台的空中交通管制服务。远程塔台管制员主要通过增强型全景视频和场面雷达态势设备完成塔台管制员的指挥要求。

因此，如何有效地处理远端机场采集的多元异质态势信息，并形成能够满足管制需求的高可信表征是远程塔台管制决策的关键和基础。其中，管制员进行态势感知与决策的能力是评价对多元异质态势信息的处理是否达到高可信表征的关键依据之一。

但是目前我国远程塔台评估研究发展仍不成熟，特别是对于人机交互的功效与评估指标研究和验证较为缺乏，对远程塔台管制员态势感知能力的评估也缺少系统的方法，如何准确分析出有哪些因素对管制员态势感知与决策产生影响以及相应的权重值是亟待解决的问题。

发明内容

针对上述问题，本发明的目的在于提供一种远程塔台空中交通管制员态势感知评估模型建立方法，旨在通过该模型分析出影响远程塔台管制员态势感知与决策的因素以及对应的权重，进而为远程塔台系统在人机交互评估与设计方面提供一定参考，重点将心理学、生理学等人体学科知识应用于系统的优化，从而提高远程机坪塔台系统效能，有效提高舒适感和工作绩效。技术方案如下：

一种远程塔台空中交通管制员态势感知评估模型建立方法，包括以下步骤：

步骤一：基于SAGAT冻结测量表将远程塔台管制员态的任务执行分为三个阶段：

第一阶段：管制员感知到静态信息及其变化，并不进行任何处理；

第二阶段：管制员对信息进行理解并和目标进行关联，不过仅仅将理解存储于个人认知；

第三阶段：管制员结合前两个阶段的理解结合先前经验，对信息发展态势进行预判；

设置相应分值从而获取管制员态势感知能力的主观数据；采用穿插提问的方式，确保操作的连续性，采用穿插提问的方式，确保操作的连续性；

步骤二：采用基于视频的眼动跟踪与分析技术来获取管制员态势感知时的眼动数据，包括视线转移频率、注视时长、眨眼频率和瞳孔直径，并利用Wickens注意力-态势感知模型对眼动数据进行分析从而得到管制员态势感知能力评价的客观数据；

步骤三：利用层次分析法，通过建立递阶层次结构对步骤一和步骤二得到的主观数据和客观数据进行分析；根据所选定的评价对象和评价指标作出层次结构图，再通过yaahp软件确定判断矩阵，并计算一致性指标和一致性比例、判断矩阵的一致性是否可以接受，最终得到态势感知影响因素模糊权重值；

步骤四：利用BP网络能学习和存贮足够多的输入-输出模式映射关系，将各要素的具体权重值、每次任务中态势感知的相关要素的评价分值、眼动数据的客观评分值这些数据特征表征数据融合作为BP神经网络的输入变量-相关要素；将被试者的最终绩效值作为BP神经网络的输出变量，从而构建远程塔台管制员态势感知的评估模型。

进一步的，所述步骤一中，根据远程塔台管制员的工作特点，设计不同场景并通过SAGAT冻结测量获取管制员态势感知主观数据，包括硬件设备、工作量、工作复杂度、心理状态以及生理状态的因素，冻结测量表基于Endsley的态势感知模型将远程塔台管制员的任务分为三个阶段进行，并包括以下三个要素：

信息感知：航空器位置、航向、航路交叉点、航空器呼号；

信息理解：与飞行员沟通、与其他管制员沟通、与机场沟通；

信息预测：航空器水平间隔、垂直间隔、航空器高度层及穿越；

最后通过比较同一场景下得分差值作为对应元素对于态势感知影响的重要性模糊评价的依据。

更进一步的，所述步骤三中，层次结构图包括目标层、准则层和方案层三个要素；其中，目标层为影响远程塔台管制员态势感知的关键要素，包括硬件设备、工作量、工作复杂度、心理状态以及生理状态等因素；准则层为Endsley的态势感知的三阶段，包括信息感知、信息理解和信息预判；方案层为远程塔台管制员态势感知能力或绩效。

更进一步的，所述步骤四利用主客观融合数据、实际绩效数据、模糊权重值训练BP神经网络，最终得到远程塔台管制员态势感知的评估模型，具体过程如下：

设每次管制员完成的任务中态势感知的相关要素分别为X

其中，W

隐藏层神经元H

其中，f表示称为激活函数或转移函数；W

具体执行的步骤如下：

步骤1：基于上述步骤所述的模糊权重值作为每层的权系数W初值；

步骤2：输入一个样本X(X

步骤3：计算各层的输出并得到最终输出Y'，具体为公式(1)与公式(2)；

步骤4：利用神经网络反向传播求每次的学习误差d：

步骤5：通过梯度下降策略，修正每层权系数W：

其中，W

步骤6：当求出各层各个修正后的权系数之后，判别是否满足误差要求；如果满足要求，则算法结束；如果未满足要求，则返回步骤3执行，直到满足所有输入输出要求为止，并用已知数据进行检验，进而得到每层权重以及绩效和态势感知的相关要素之间的具体函数关系，最终构建出远程塔台管制员态势感知的评估模型。

本发明的有益效果是：本发明从人机交互、工作量、工作复杂程度、工作经验、生理心理等因素对远程塔台管制员态势感知能力的影响进行研究，提出一种基于冻结测量、层次分析法和BP神经网络的态势感知影响因素综合建模评估的方法。首先通过冻结测量法，针对远程塔台管制工作特点，设计态势感知测量表，对不同工作场景下的管制员态势感知能力进行评估，获得不同场景下的分值作为不同元素对于态势感知影响的重要性模糊评价的依据；之后基于得分情况通过层次分析法，计算出各要素对远程塔台管制员态势感知的详细权重值；最后通过远程塔台管制员态势感知各影响因素的详细权重值结合冻结测量得出的分值作为BP神经网络的预训练数据，最终构建出评估远程塔台管制员态势感知的模型，最终用已有数据进行验证，进而为远程塔台系统在人机交互评估与设计方面提供一定参考，重点将心理学、生理学等人体学科知识应用于系统的优化，从而提高远程机坪塔台系统效能，有效提高舒适感和工作绩效。

附图说明

图1为本发明远程塔台空中交通管制员态势感知评估模型建立方法的流程图。

图2为本发明层次分析法设计图。

图3为本发明BP神经网络设计结构图

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。

本发明提出一种远程塔台空中交通管制员态势感知评估模型建立方法流程图如图1所示。详细步骤下：

步骤一：获取管制员态势感知主观数据。

基于SAGAT冻结测量表设计问卷咨询，根据Endsley的态势感知模型将远程塔台管制员态的任务执行分为三个阶段，并设置相应分值，从而获取管制员态势感知能力的主观数据；完成后统计回答正确率与完成时间，结合每个问题的重要性专家赋值的不同分数以及对应不同完成时间所赋分数，最后得到总分数。

本发明选用态势感知全面评价技术(Situational Awareness GlobalAssessment Technology，SAGAT)对三个维度设计问卷咨询，该方法是对操作员态势感知水平的直接测量，也称作冻结测量。问卷的设计理论来源于Endsley的态势感知的三阶段：

第一阶段：管制员感知到静态信息及其变化，并不进行任何处理；

第二阶段：管制员对信息进行理解并和目标进行关联，不过仅仅将理解存储于个人认知；

第三阶段：结合前两个阶段的理解结合先前经验，对信息发展态势进行预判。

即感知-理解-预测三个阶段。并设置相应分值从而获取管制员态势感知能力的主观数据；由于实验过程中人为因素会有波动性，并不能完全保证单一变量。因此冻结问题测量结果并不能直接作为最后权重依据，只能作为各要素对态势感知影响重要性的依据(一般重要、重要、比较重要、非常重要)。由于飞机状态变化是个实时的过程，因此采用穿插提问的方式，确保操作的连续性。

完成后统计回答正确率与完成时间，结合每个问题的重要性专家赋值的不同分数以及对应不同完成时间所赋分数，最后得到总分数。

并设置相应分值从而获取管制员态势感知能力的主观数据；

同时，根据远程塔台管制员的工作特点，设计不同场景并通过SAGAT冻结测量获取管制员态势感知主观数据，包括硬件设备、工作量、工作复杂度、心理状态以及生理状态等因素。

冻结测量表基于Endsley的态势感知模型将远程塔台管制员的任务分为三个阶段，并包括以下三个要素：信息感知(航空器位置、航向、航路交叉点、航空器呼号)、信息理解(与飞行员沟通、与其他管制员沟通、与机场沟通)以及信息预测(航空器水平间隔、垂直间隔、航空器高度层及穿越)。

最后通过比较同一场景下得分差值作为该元素对于态势感知影响的重要性模糊评价的依据。比如实验场景一的分值差小于场景二的分值差，则说明工作复杂度对态势感知的影响更大，重要性也较大。

在远程塔台管制员态势感知中：发现待目标(待指挥飞机)为一个阶段；初步确定指挥任务为一个阶段；对飞机发出指挥命令为一个阶段。通过一系列阶段便可完成目标，这些操作流程可定义为“势”，即对目标判断以及趋势的感知(下文简称“势元素”)，在指挥过程中，管制员需要掌握飞行航迹及航班信息等信息，这些信息定义为“态”(下文简称“态元素”)基于上述理论，实验数据分为主观数据以及客观数据。主观测量见过管制员态势感知能力的分析和评价分为三个维度：“个人态元素”、“任务流程”、“多任务处理”，分别对应于“态元素”、“势元素”、“势元素”。

问卷的具体使用场景以及详细设计如下：

(1)实验设置不同场景：

A.同一个人分别在传统物理塔台和远程塔台，相同复杂度及工作量的指挥工作(人机交互对管制态势感知的影响)；

B.同一个人在远程塔台，不同指挥工作复杂度(工作复杂度对态势感知的影响)；

C.不同人在远程塔台，相同指挥工作(工作经验对态势感知的影响)；

D.同一个人在远程塔台，不同指挥工作量(工作量对态势感知的影响)；

E.同一个人在远程塔台，持续工作态势感知的变化(生理、心理对态势感知的影响)。

(2)问卷构成要点：

信息感知(航空器位置、航向、航路交叉点、航空器呼号)；

信息理解(与飞行员沟通、与其他管制员沟通、与机场沟通)；

信息预测(航空器水平间隔、垂直间隔、航空器高度层及穿越)。

具体设计图如表1。

表1SAGAT冻结测量设计图

由于飞机状态变化是个实时的过程，因此采用穿插提问的方式，确保操作的连续性。

由于实验过程中人为因素会有波动性，并不能完全保证单一变量。因此冻结问题测量结果并不能直接作为最后权重依据，只能作为各要素对态势感知影响重要性的依据(一般重要、重要、比较重要、非常重要)。

通过比较同一场景下得分差值作为该元素对于态势感知影响的重要性模糊评价的依据。比如实验场景一的分值差小于场景二的分值差，则说明工作复杂度对态势感知的影响更大，重要性也较大。

步骤二：获取管制员态势感知客观数据。

为使数据采集的实验环境更贴合日常工作环境，采用基于视频的眼动跟踪与分析技术来获取管制员态势感知时的眼动数据，包括眼球的注视中心、视线转移频率、注视时长、眨眼频率和瞳孔直径；并利用Wickens注意力-态势感知(A-SA)模型将眼动数据转化为远程塔台管制员的有效注意力水平值，并将该值作为管制员态势感知能力评价的客观数据。

不同于传统的通过眼动仪等传感设备采集管制员的眼部、行为的关注位置等数据方式，为降低传感器对管制员的干扰，该步骤采用基于视频的眼动跟踪与分析技术来获取管制员态势感知时的眼动数据来获取管制员态势感知客观数据，得到眼球的注视中心、瞳孔直径、眨眼频率、视线转移频率等参数，基于Wickens注意力-态势感知(A-SA)模型，将眼动参数转化为远程塔台管制员的有效注意力水平值，并将该值作为管制员态势感知能力评价的客观数据。通过实时对比分析远程机坪塔台于传统塔台场景下的眼动和心理指标特征，识别管制员人机交互策略，评价管制员的人因功效水平。

步骤二不同于传统的通过眼动仪等传感设备采集管制员的眼部、行为的关注位置等数据方式，为降低传感器对管制员的干扰，该步骤采用基于视频的眼动跟踪与分析技术来获取管制员态势感知时的眼动数据来获取管制员态势感知客观数据，得到眼球的注视中心、瞳孔直径、眨眼频率、视线转移频率等参数，基于Wickens注意力-态势感知(A-SA)模型，将眼动参数转化为远程塔台管制员的有效注意力水平值，并将该值作为管制员态势感知能力评价的客观数据。

步骤三：数据分析得到态势感知影响因素模糊权重值。

利用层次分析法，通过建立递阶层次结构对步骤一和步骤二得到的主客观数据进行分析；根据所选定的评价对象和评价指标作出层次结构图，包含目标层、准则层和方案层三个要素；其中，目标层为影响远程塔台管制员态势感知的关键要素，包括硬件设备、工作量、工作复杂度、心理状态以及生理状态等因素；准则层为Endsley的态势感知的三阶段，包括信息感知、信息理解好和信息预判；方案层为远程塔台管制员态势感知能力或绩效。之后通过yaahp(层次层次分析法软件)确定判断矩阵，并计算一致性指标和一致性比例、判断矩阵的一致性是否可以接受，最终得到态势感知影响因素模糊权重值。

将获取到的主观数据通过特征表征的方式进行数据融合，通过层次分析法得到模糊权重值。根据管制员任务决策的递阶层次：第一层要素包括硬件设备、工作量、工作复杂度、心理状态、生理状态等；第二层要素包括管制员对任务的感知、理解和预判的三个步骤；层次分析的最终目标对象为远程塔台管制员态势感知能力的最终评估，即为第三层。

先根据所选定的评价对象和评价指标作出层次结构图，图中包含目标层、准则层和方案层三个要素，具体如图2所示。其中，第一层为影响远程塔台管制员态势感知的关键要素，包括硬件设备、工作量、工作复杂度、心理状态以及生理状态等因素；第二层为Endsley的态势感知的三阶段，包括信息感知、信息理解好和信息预判；第三层为远程塔台管制员态势感知能力或绩效。之后通过yaahp(层次层次分析法软件)确定判断矩阵，并计算一致性指标和一致性比例、判断矩阵的一致性是否可以接受。

步骤四：构建远程塔台管制员态势感知的评估模型。

利用BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程的特点，将各要素的具体权重值、每次任务中态势感知的相关要素的评价分值、眼动等数据的客观评分值等数据特征表征数据融合作为BP神经网络的输入变量-相关要素；将被试者的最终绩效值作为BP神经网络的输出变量，从而构建远程塔台管制员态势感知的评估模型。

本发明利用主客观融合数据、实际绩效数据、模糊权重值训练BP神经网络，最终得到远程塔台管制员态势感知的评估模型，也是该模型建立的最关键的一步，具体实施如下：

将各要素的具体权重值、每次任务中态势感知的相关要素的评价分值、眼动等数据的客观评分值等数据进行特征表征数据融合作为BP神经网络的输入变量；将被试者的最终绩效值作为BP神经网络的输出变量。设每次管制员完成的任务中态势感知的相关要素分别为X

如图3所示为BP神经网络的拓扑结构，设计三层网络，即输入层、中间层(也称隐藏层)和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。其中，输入层包含n个节点，输出层包含1个节点，可以看作是一个n维向量到一个1维向量的映射。输入层与隐藏层所连接的权重值分别为W

隐藏层神经元与输出层神经元关系表示为：

其中，f表示称为激活函数(Activation Function)或转移函数(TransferFunction)，本发明选用sigmoid函数。

算法的执行的步骤如下：

(1)基于上述步骤所述的模糊权重值作为每层的权系数W初值；

(2)输入一个样本X(X

(3)计算各层的输出并得到最终输出Y'，具体为公式(1)与公式(2)；

(4)利用神经网络反向传播求每次的学习误差d：

(5)通过梯度下降策略，修正每层权系数W：

其中，W

(6)当求出各层各个权系数之后，判别是否满足误差要求(根据具体情况设置误差阈值)。如果满足要求，则算法结束；如果未满足要求，则返回(3)执行，直到满足所有输入输出要求为止，并用已知数据进行检验，进而得到每层权重以及绩效和态势感知的相关要素之间的具体函数关系，最终构建出评估远程塔台管制员态势感知的具体模型。