基于多传感器信息融合的航空管制员情境意识的计算

Good situation awareness (SA) is highly important for air traffic controllers (ATCos) to maintain the safe, orderly and expeditious flow of air traffic. If we are able to accurately monitor ATCos situation awareness and alert them before their loss of situation awareness, improving their performance and preventing accidents will become a very real possibility. Meanwhile, accurately capturing ATCos situation awareness is the essential prerequisite of basic and applied research on real-time human factors engineering in air traffic control. According to previous research, on the one side, ATCos situation awareness could be affected by some factors, namely SA contributing variables, such as static sector characteristics and dynamic traffic patterns, individual difference variables. On the other side, ATCos situation awareness can be demonstrated by some performance and physiological indicators. In the current proposal, with ATCos as subjects, the radar control simulation experiment, psychological measurement, and expert ratings will be used to collect the sensor data that can bring about changes to and indicate their situation awareness. Our aim is to use multi-sensor information fusion methods (BP neural network and support vector machine) to establish SA computational models based on two different approaches (its contributing variables and indicators), repectively, and further assess performance of these prediction models. The research results are expected to provide methodological supports for monitoring ATCos situation awareness.

航空管制员在工作中保持良好的情境意识（SA）是确保空中交通以安全、流畅的方式运行的必要条件。如果我们能够准确监其测情境意识，并在情境意识丧失前及时告警，那么提高其作业绩效，防止事故发生的可能性就会大大增加。同时，准确监测管制员的情境意识也是空管领域实时人因工程理论与应用研究的需要。管制员的情境意识受到某些因素的影响（即SA影响变量：如扇区静态特征和扇区动态交通模式变量，管制员个体差异变量），也可以由某些指标来表征（即SA表征指标：如某些作业绩效指标和生理指标）。本项目拟在前期研究的基础上，以航空管制员作被试，采用雷达管制模拟实验、心理测量，以及专家评定的方法，采集反映SA表征指标与SA影响变量的传感器数据，借助多传感器信息融合技术（BP神经网络与支持向量机），尝试基于SA表征指标和SA影响变量分别建立管制员情境意识的计算模型，并比较其预测性能。研究结果可为管制员情境意识的监测提供方法支持。

航空管制员在工作中保持良好的情境意识（SA）是确保空中交通以安全、流畅的方式运行的必要条件。如果我们能够准确监测其测情境意识，并在情境意识丧失前及时告警，那么提高其作业绩效，防止事故发生的可能性就会大大增加。同时，准确监测管制员的情境意识也是空管领域实时人因工程理论与应用研究的需要。管制员的情境意识受到某些因素的影响（即SA影响变量：如扇区静态特征和扇区动态交通模式变量），也可以由某些指标来表征（即SA 表征指标：如某些作业绩效指标和生理指标）。本项目以航空管制员作被试，利用雷达管制模拟实验，采取反映SA表征指标与SA影响变量的传感器数据，借助多传感器信息融合技术，尝试基于SA表征指标和SA 影响变量分别建立管制员情境意识的计算模型，并比较其预测性能。项目提出了航空管制员情境意识SPAM变式的测量方法，经实验证实，利用SPAM变式测量管制员情境意识的方法具有较好敏感性，排除了测量结果为工作负荷方面的可能性，研究丰富了现有的情境意识测量方法。项目对情境意识影响变量（扇区复杂性因素）进行了元分析，系统地整理了这些变量及其计算方法，为后续及相关研究，如扇区设计、容量评估与优化、流量自动化管理等奠定了基础。也对拟用于情境意识实时监测的绩效指标与生理指标进行了分析，指出管制员的冲突探测与化解行为与对特定事件的响应速度、时间，对兴趣区（潜在影响交通安全、流畅、秩序的雷达显示信息，如潜在冲突）的关注时间可以作为情境意识监测的有效指标。情境意识涉及到对任务相关信息的觉察、理解与演变的预测，是对任务相关信息与任务目标的整体性思维，是决策的基础。项目探讨了整体性思维与管制员决策之间的关系，发现具有整体性思维的管制员有更高的风险觉察水平，也倾向于对航空器进行更多的干预。据此我们推测，从整体性思维角度考察管制员的情境意识是一个值得思考与努力的方向，且具有较好的科学与应用价值。

内容获取失败，请点击重试