从美军“PTN”项目看前沿技术在飞行员训练体系中的应用前景

徐 超，杨 帆，何梦临

（航空工业洪都，江西 南昌，330024）

0 引言

随着航空工业的发展，当代作战飞机的飞行性能、系统复杂度、传感器数量、任务能力、制造使用成本都有跨越式的提升，飞行员尤其是执行作战任务的战斗机飞行员的培训任务更加复杂艰巨，必须投入大量资源，组织多级、长时间的训练。飞行员培训没有任何固定的途径，我们需要考虑的是，哪一条路径最佳，哪一种方式最经济且能最快达到训练效果，使飞行员能掌握目标机型的操纵和运用。

为了保证合理的训练阶梯，现代飞行员训练体系一般设置筛选/初级训练、基础训练、高级训练、作战飞机改装训练等训练阶段，训练方式包括课堂授课、飞行模拟器练习和教练机空中飞行训练等不同训练方式。

随着计算机科学的发展，人工智能、虚拟现实、大数据、云计算等前沿技术不断涌现，以上技术作为通用技术，在各个领域都得到了应用，但其应用效果与行业特性、领域需求密切相关。目前在飞行员培训领域，各国均开始尝试将上述技术手段与飞行员培训体系进行结合，但大部分以课题研究形式开展，尤其是在军机飞行员训练系统中实际应用较浅，尚有限制待突破。本文从分析美军PTN（Pilot Training Next）项目入手，结合近年来教练装备和飞行员训练体系发展现状和新兴前沿技术的发展方向，分析其应用前景。

1 美国空军“PTN”项目简介

1.1 项目背景

培养一名承担作战值班任务的飞行员，一般要经历3～4年的时间，经过初级教练机、中级教练机、高级教练机、战斗入门教练机、同型教练机和作战飞机超过500飞行小时的实机飞行训练。培养一名飞行员的费用是惊人的，美国空军培养一名F-16战斗机飞行员，从完成飞行学员训练到F-16改装训练，再经过一年的作战飞行训练后担负作战值班任务，共需670万美元，美国海军航空母舰飞行员人均培训费为800万美元。

近年来美国飞行员缺口很大。美国政府一项调查报告显示，美空军、海军和海军陆战队都有飞行员缺口，其中空军飞行员满编率仅73%。美空军参谋长戴维.戈德费恩表示，由于经济增长乏力，国防预算缩减，飞行训练任务被迫减少，甚至大批飞行员转业到地方民航公司，现在美空军飞行员缺口在2000人以上。因此，如何有效提高飞行员训练效果、降低训练费用一直是美国空军重点研究的课题。早在2015年，随着虚拟现实技术逐步成熟，美国空军教育和训练司令部（AETC）就尝试引入新技术改进训练方法来优化飞行员训练体制，与Reel FX VR及GSD＆M两家公司合作，摸索虚拟现实技术是否能帮助飞行员学的更快和更深入。

PTN项目的全称是Pilot Training Next，即飞行员未来训练项目，由美国空军教育和训练司令部（AETC）负责人史蒂文夸特斯中将直接领导，奥斯丁基地第560和第99飞行中队参与，是美军在前期技术摸索的基础上进一步发展的产物，是美国空军新训练计划的一部分。目的是要验证虚拟现实技术的实际训练效果，同时通过集成先进生理传感器、人工智能和数据分析等技术对训练系统进行逐步改良，构建美国空军虚拟现实训练系统，为后续融入包括红鹰T-7A新高教在内的美军新一代飞行员训练体系做准备。

1.2 实施情况

PTN项目通过单独配置一个训练教室开展实施，配置20台虚拟现实飞行模拟器，每个模拟器配置HTC Vive头显、驾驶杆、油门杆和高性能PC，模拟器占地面积小，可机动部署，模拟器按T-6教练机的座舱环境编程开发，并预留后续其他机型座舱环境整体替换的接口，模拟器之间可以联机训练，同时还布置了心律测试仪、眼动仪等生理监测设备对学员的学习情况进行监测。

PTN项目总体思路是将模拟训练与真机飞行结合，通过训练效率和效果比对进行技术验证。项目第一期始于2018年2月，为期6个月。第一批学员20人，包括15名现役空军军官和5名刚刚完成基础知识培训的新飞行员。2018年8月，24周课程结束，共完成184个学时，其中T-6基础教练机飞行约70-80小时，模拟器训练约80-90小时（不包括学员自己进行的额外训练）。第一期共有13名学员在半年时间内顺利取证毕业，而常规飞行训练周期大概需要一年。项目第一期结束后，美军开发了一款名为“VIPER”的AI飞行教员。

项目第二期于2019年1月开展，这一期目标主要在于提升AI飞行教员能力和生理传感器能力。第二批学员20人，包括10名现役空军军官、2名空军国民警卫队军官、2名美国海军军官，6名英国皇家空军人员，每个人都有不一样的学习背景和不同领域的空军服役经验。2019年8月，第二期学员中14人毕业，1人延期1个月毕业，还有5人被淘汰。14名毕业生分别被分配到美空军战斗机部队、轰炸机部队、海军T-45教练机中队和英国“台风”战斗机部队。

项目第三期于2020年1月开始，充分总结前两期的经验教训，继续优化课程设置，同时加入数字地图导航、机载传感器使用、战术训练任务，方便学员未来向正规部队过渡。同时计划在模拟器中引入增强现实技术，进一步提高沉浸感，提升交互性。

鉴于PTN项目的优良成果，AETC决定：2019年5月31日起，正式将PTN项目的创新内容、经验及训练数据结合到T-6A、T-1A以及T-38C飞机的训练课程中，在飞行学院推广使用。

美军PTN基于虚拟现实技术创建低成本、便捷的训练环境，集成先进生理传感器、人工智能和数据分析技术，使得训练环境可以根据不同学员的实际情况进行调整和配置，提高飞行员训练的效率和效果。从三期训练试验结果来看，在淘汰率基本合理的前提下，使飞行员训练周期缩短近一半，成果显著。参加项目的美国空军军官尤其认可虚拟现实模拟器在基本飞行、应急处理程序和大迎角机动等飞行训练科目上发挥的作用。同时美军披露了项目研究遇到的棘手难题和认定的几个发展方向，一个是当前的AI教练很不完善，需要研究如何将其替换为一个可以根据每个学员具体进度和训练情况进行个性指导的、更加智能化的AI教练，另一个是生理传感器使用不稳定，还需要继续寻求可以监测学员的心律、呼吸、眼动和其他指标的高端生物套件。

图1 美国空军“PTN”项目训练情况

2 虚拟现实和增强现实技术

虚拟现实和增强现实技术（VR & AR）是融合计算机图形技术、三维仿真技术、人机接口技术、显示技术、传感技术等多项技术的通用模拟环境显示实现技术,可以产生多源信息融合的交互式三维动态视景，允许人员以自然的方式与模拟环境中的对象进行交互作用、相互影响，从而“沉浸”于等同真实环境的感受和体验。虚拟现实和增强现实技术具有多感知性（Multi-Sensory）、交 互 性 （Interactivity）、浸 没 感（Immersion）和构想性（Imagination）四个重要特征。

使用虚拟现实和增强现实技术搭建飞行训练平台，相比于实装训练，可以摆脱教练机装备规模、飞行空间、飞行时间的约束，可以随时随地重复开展训练，对薄弱环节重点加强，极大降低了成本、提高了效率。相比于传统模拟器，新的训练平台沉浸感更好、交互性更强、设备成本更低、使用更加便捷。VR & AR技术在飞行训练领域已经得到普遍认可，在飞行课目进入前和飞行中交叉进行模拟训练，可以极大地提升飞行训练效益。真机飞行前，通过模拟训练，学员可以提前了解飞机性能特点、提前熟悉装备情况，初步掌握其作战方法，对起落、仪表、特技、夜航等飞行程序、机上仪表设备功能和操作等进行预习实习，而且可以通过实时更新计算机程序使模拟器与新型号飞机、新机载设备保持一致。从美军的实践结论来看，虚拟现实和增强现实技术尤其适用于进行复杂气象、特技、轰炸和特情处置等危险系数较大的课目练习，优秀的沉浸感和交互性可以加强学员在特情发生环境下的认知体验、生理适应，锻炼学员的心理素质和操纵处置能力。

目前虚拟现实和增强现实技术在飞行训练应用上前景明确，主要是两个应用方向，一是基础飞行训练领域，强调低成本小体积，牺牲一定的模拟显示和交互效果，利用低成本可机动的核心优势下载高端模拟器或实装的任务，打造高性价比的初阶训练平台；二是专项和综合战术训练系统，配置高成本的模拟系统和传感器，对特定飞行科目进行专项加强或者人人、人机组网进行逼真战术对抗训练，取代目前高端综合训练模拟器。

由于相关技术限制，目前虚拟现实和增强现实技术所具有的感知功能仅限于视觉、听觉、运动、力觉等几种，且视场分辨率低、范围小，运动空间定位差、精细捕捉困难，在飞行训练时出现看不清、视野小、操作反应迟滞、运动模型变形、杆力输出与实际飞行差距较大等问题，后续有待扩展触觉、味觉、嗅觉等感知能力。从可操作程度和从模拟环境得到反馈的自然程度来看，交互性还无法适配飞行员在座舱连续操作的要求。基于飞行训练的需求，后续将重点提升多感知性、交互性和浸没感。

3 先进生理传感器技术

美军PTN项目中，学员在胸前安装生理传感器，测量学员的心率、体温、血氧等生理指标，将生理指标作为训练数据库的一部分用于后续训练效果的分析，作为训练失败原因确定和训练方法改进的依据。但是目前传感器能够测量的指标项目仍然比较少，不满足全面生理分析的要求，而且传感器尺寸普遍偏大，影响飞行员的操纵，佩戴舒适度、佩戴稳定性也难以令人满意。

目前生理指标测量主要方法有基于生理信号的检测方法和基于人体反应特征的检测方法。基于生理信号监测主要是借助传感器对人体的生理信号进行实时检测，例如血压、心率、脉搏、血氧、体温、排汗率、脑电波，心电波，眼电波以及表面肌电监测，基于人体反应特征的监测一般采用视觉方法识别判断人体状态，如眼球运动、眼睛开闭、头部运动特性、脸部肌肉反应等。根据这些生理指标，可以分析监测学员特定训练环节的生理状态，也可以作为心理状态监测的基础。微型化不影响训练动作、综合化可测量多种生理生化指标是未来模拟飞行训练中先进生理传感器的发展方向。

4 基于AI的大数据分析及智能教练技术

训练会产生大量的飞行员训练数据，这些数据有巨大的潜在开发价值。训练数据中包含学员在科目训练中的所有操作和反馈，包括生理传感器获取的生物特征，凭借先进的人工神经网络、机器学习等人工智能算法技术对训练数据库进行实时分析，通过生理传感器查看学员对任务的反应程度，通过操作记录查看学员的失误和行为情况，分析制定他们在面临不同程度困难情况下的训练策略，制定后续重点训练项目。开发AI教练将分析结果应用于训练系统，根据学员的训练情况和自身特点，筛选出学生学习的更快的领域和学习困难的领域，分析其擅长的方面和缺乏技术的方面，为其量身定制训练课程，自动提高或降低学员任务和复杂性，可以专注解决学生的不足，节约时间，也可以由学员自行设定训练速度，为持续改进训练过程提供直接和客观的支撑，进而形成个性化训练大纲并优化普适性训练大纲。同时在系统中预置飞行专业知识判据，允许计算机用自动化的方式执行一些完全客观的过程，给出标准化的评估，一方面可以在训练过程中为学员提供即时评分反馈，降低他们在早期训练阶段形成不良习惯的概率，另一方面可以减少对教员的需求，增加对飞行员筛选的效率。

从美军PTN项目实施效果来看，分析训练数据，开发智能教练，根据学员的特点强调个性化学习的确有助于提高训练效率，但是智能化程度较低，学员反馈智能教练错误判断较多、个性化培训调整不明显。目前基础飞行训练领域大数据分析结合人工智能的主要难点在于飞行动作精确识别、综合判决条件设置。对飞行训练练习中，飞行动作的模式识别是进行飞行训练质量评估的前提，为了识别复杂的飞行训练动作，首先需要把飞行动作精细分解成一些基本动作，为每个基本动作设置准确的匹配条件，根据模糊识别技术或神经网络技术，进行样本采集、信息的数字化、数据特征的提取、特征空间的压缩以及提供识别的准则等自动识别出这些基本动作，然后进行合并、细化，进而得到详细的飞行动作并将其与预置动作进行对比，判断其吻合度。综合判决条件设置决定了智能教练的输出效果，系统中海量的数据被整合成时间轴线、飞行动作及轨迹、生理状态、操纵触发点等结构化数据之后，需要设置一系列综合判决条件，由自动算法结合专业知识系统对训练结果给出判断，确定学员训练评分，尤其是给出学员操作失误的原因分析和改进建议，经学员确认后，自动调整课程，实现擅长的科目快速练、失误的科目重复练的效果。

5 结语

现代飞机装备功能、性能跨越式发展，飞行员培训成本快速增长，压缩培训周期、提高训练效果、降低训练费用是牵引当代飞行员训练体系发展的主要动力。虚拟现实、增强现实、先进生理传感器、人工智能和大数据等前沿技术提供了飞行员培训的新方向，各国均尝试将新技术与飞行员训练系统进行整合。美国空军开展的PTN项目证明了利用虚拟现实和增强现实、先进生理传感器、人工智能和大数据集成开发的基础飞行技能训练平台在提高效率、降低费用方面具有显著的实用效果，但仍然有模拟环境沉浸感不足、缺乏先进生理传感器、智能辅助程序开发困难等技术限制有待突破。从整个飞行员训练阶段分析，以上前沿技术手段还具备引入到高级训练、战术对抗训练的可行性，可以与新型教练机装备一同组成更加高效的全周期飞行员综合训练体系。