《用于战斗机实时飞行性能预测和评估的人工智能框架》

这项研究探索了人类数字孪生（HDT）概念的应用，通过预测和评估飞行员的表现来提高航空安全。HDT 利用生理测量数据和个人特征对飞行员行为进行动态呈现。这里使用的人工智能（AI）框架包括两个子系统：预测性能的预测 AI 和评估安全系数的策略 AI。预测人工智能使用时态融合变换器（TFT）来生成准确的预测结果，而策略人工智能则使用分层高斯过程（GP）来评估飞行安全。新数据被不断用于完善数字人工智能系统，提高模型的准确性，减少误差范围的估计。数字人工智能系统的洞察力还可用于培训飞行员，找出影响飞行性能的关键因素，从而有助于改进决策和航空安全。通过提供数据驱动的见解，这项研究可以解决管理飞行安全和确保任务成功方面的关键军事挑战。

物理系统数字化

数据是在美国陆军飞行员在 UH-60 模拟器中完成三个不同的飞行任务时收集的，每个任务持续约 10 分钟，总共约 30 分钟的飞行时间。在每次任务期间，都会连续记录飞行性能数据和生理数据。这些数据包括脑电图（EEG）和心电图（ECG），它们代表了人体系统的生理、感知和认知属性。年龄、飞行经验和情绪状态等个体特征会影响决策和反应时间，从而对飞行员的表现产生重大影响（例如，O'Hare & Wiggins, 2011, [3]）。因此，还收集了人口统计学信息和长期精神状态（如抑郁），以捕捉这些个体特征。因此，数据的组合提供了人类系统更全面的信息，使模型能够预测动态飞行性能，作为人类系统行为结果的指标。在本研究中，动态性能被定义为飞机相对于地面的高度。这一选择基于对高度分布的观察，即飞行员通常会避开较低的高度，而选择更安全、更高的高度。这种一致性强调了高度是衡量不同场景和不同个体飞行性能的可靠指标。

人工智能框架——数字系统

人工智能系统旨在预测和评估人类飞行员的动态飞行性能。通过早期识别潜在的安全风险，数字系统可提供及时的信息，供自动化系统使用，以提高飞行员的安全性，防止不安全状况升级。为实现这些目标，建议的框架包括两个子人工智能系统：预测动态飞行性能的预测人工智能和建立和评估可接受安全系数的政策人工智能。这种双系统方法使数字系统不仅能准确预测动态飞行性能，还能有效评估其安全性。通过这样做，它可以确保预测有用，并支持飞行员适应不断变化的飞行条件。之所以需要两个不同的系统，是因为对动态飞行性能的预测和评估有着根本不同的要求。准确的预报需要详细考虑生理和神经生理措施以及个体差异，如飞行员的飞行经验或长期精神状态（如抑郁），以确保准确的预报。相反，评估安全系数则需要更广泛的方法。政策人工智能从单次飞行中提取飞行员共有的一般原则，使系统能够有效地将这些概括性见解应用于新情况，并确保在各种情况下进行稳健的安全评估。预测的特殊性和安全评估的通用性之间的这种平衡，强调了在数字空间中采用两种互补的人工智能系统的合理性。