基于D-S证据理论的飞行员辅助系统自动化级别动态调整方法

武俊兆，张 安

(西北工业大学电子信息学院，陕西 西安 710129)

0 引言

飞机驾驶舱是飞行员执行飞行任务的主要活动场所。随着现代科学技术的发展，飞机驾驶舱逐渐向智能化、自动化的方向发展。这就使人、机之间的关系也在相应地发生变化，飞行员的决策与管理职能逐渐加强，而操纵职能逐渐弱化。飞行员辅助系统作为具有智能计算功能的机载自动化系统，辅助飞行员完成相应任务，使人与飞机更加有效地相互协调工作［1］。

合理确定辅助系统的自动化等级对于飞行员能否高效、可靠地完成任务具有十分重要的意义。在辅助系统设计阶段确定一个最优的辅助级别是不可行的［2，4］。一方面，如果给飞行员赋予较多的任务，那么在执行任务的过程中，一旦遇到复杂多变的任务环境，飞行员工作负荷可能会超过阈值，导致工作效率下降，严重时会引发飞行事故。另一方面，如果给辅助系统较高的权限，飞行员长时间处在监督状态下，将会导致态势感知能力下降，不能对紧急事件做出快速反应［3］。因此，辅助系统面对不同阶段、不同态势的自动化级别需要根据飞行员状态和任务特性进行动态调整，使飞行员和辅助系统之间的任务和权限可以合理划分，提高人与系统之间的协调和协作能力。

本文以飞机驾驶舱人机关系为研究对象，讨论飞行员辅助系统自动化级别动态调整的调整策略，提出基于D-S证据理论的自动化等级动态调整算法，并用一个实例来说明这种算法的有效性。

1 自动化级别动态调整策略

飞行员辅助系统自动化级别动态调整的基本思想是在辅助系统设计阶段，为其定义几种不同的自动化等级(Level of Automation，LOA)［5］，不同的等级对应不同的人机协作关系，如表1所示。在任务执行过程中，驾驶舱系统根据获得的实时决策信息估计飞行员当前的能力水平，从而调整对应的LOA以满足任务需求。

表1 自动化等级划分

按照决策信息来源的不同，可以将飞行员辅助系统自动化调整分为以下4种策略［4，6］:

(1)基于关键事件的策略。这种策略假设飞行员的工作负荷在发生关键事件时变得难以接受，超出了飞行员当前的能力，此时需要提高辅助系统的LOA。关键事件通常由功能或任务参数来表征，如功能或任务的复杂性和紧迫性等。

(2)基于飞行员任务绩效的策略。辅助系统LOA的调整取决于对飞行员任务绩效的测量值。

(3)基于飞行员生理测量的策略。用脑电图、心电图、呼吸、眼动等生理学测试手段评估飞行员状态，作为辅助系统LOA调整的依据。

(4)基于飞行员性能模型的策略。飞行员性能模型可用来估计当前和预知飞行员的状态，并推断其飞行员工作负荷的水平，进而决定辅助系统的LOA。

表2为以上4种动态调整策略的优缺点对比。由于前3种调整策略中无法单一、准确地反映飞行员完成任务的能力水平，而对于第4种策略，又很难建立飞行员性能模型，文献［2，4］建议采用一种综合前3种策略决策信息的合成方法，图1为该方法的实现模型。该模型首先融合前3种策略的决策信息，包括任务参数(例如事件数量，事件处理的复杂度等)、飞行员任务绩效、飞行员的生理参数，再根据融合的结果获得飞行员当前的能力水平的估计值，从而最终确定辅助系统的LOA。

表2 各种调整策略的对比

图1 动态调整的合成方法

为了实现多种决策信息的融合，可以采用的方法有贝叶斯网络、人工神经网络、模糊推理、D-S证据理论等，其中最为常用的为贝叶斯网络和D-S证据理论。由于D-S证据理论相比贝叶斯网络使用更便捷、灵活，推理机制更简洁，本文采用它实现飞行员辅助系统自动化级别动态调整。

2 基于D-S证据理论的自动化级别动态调整

2.1 D-S 证据理论基本原理［7-8］

假设现有某一需要判决的问题，该问题相互独立的所有可能答案构成一个有限的集合Θ，即Θ={θ1，θ2，…，θn}，称为一个识别框架。用于判断该问题答案的信息称为证据。对于自动化级别动态调整问题，识别框架为所有可行的LOA组成的集合，证据为图1所示的任务参数、飞行员任务绩效、飞行员的生理参数等实时数据。

由识别框架的所有子集组成的一个集合称为Θ的幂集，记作2Θ。证据对识别框架的任一子集的支持程度由基本信任分配函数表示，其定义如下:

定义1 Θ为识别框架，基本信任分配函数m是一个从集合2Θ到[0，1]的映射，A表示识别框架的任一子集，记作A⊆Θ，且满足:

其中，m( A)称为基本信任分配函数。对于子集A，只要m( A)＞0，则A称为焦元。

对于识别框架的任一子集，D-S证据理论还提供了2个证据共同作用下的基本信任分配函数的计算方法。

定义2 设识别框架Θ下的2个证据E1和E2，其相应的基本信任分配函数为m1和m2，焦元分别为Ai和Bj，则D-S合成规则为:

若K≠1，则确定一个基本信任分配函数，否则认为矛盾，不能对证据进行合成。对于多个证据的合成，可采用上述规则进行两两合成。

2.2 证据的基本信任分配

在对多个证据进行合成前，必须首先确定各个证据的基本信任分配。对于自动化级别动态调整问题，本文依据模糊理论中隶属度函数概念确定各个决策信息的基本信任分配。模糊隶属度函数是表征研究对象某项指标属于某种或者具有某种特性的程度，取值范围为0～1，取值越靠近1，表明程度越大，反之越小。常见隶属度确立方法有推理法、模糊统计法、二元对比法、模糊分步法等［9］。本文采用图2所示的三角形和半梯形隶属度函数图确定各个证据的基本信任分配。

设识别框架 Θ = {θ1，θ2，…，θn}，决策信息x的隶属度函数可以用集合表示为:

则证据E1:x=b时，它的基本信任分配为:

图2 三角形和半梯形隶属度函数

以图2为例，证据E1:事件数量M=b的基本信任分配为:

2.3 改进的证据合成规则

对于自动化级别动态调整问题，在融合多个决策信息时产生证据冲突的可能性非常大，其原因主要有2个方面:(1)决策信息采集的不确定性。比如人体生理传感器受到了干扰，使生理参数偏离实际值较大;(2)飞行员个体差异。例如当任务需求非常小时，飞行员由于个人原因(经验、疲劳等)其任务绩效、生理参数处于不正常状态，这时候就产生了证据间的冲突。

因为D-S合成规则对证据冲突处理的结果不能令人满意，本文采用文献［10］提出的基于证据间相似系数的冲突证据合成方法来有效解决冲突证据。证据间相似系数的定义如下:

定义3 设识别框架Θ下的2个证据E1和E2，其相应的基本信任分配函数为m1和m2，焦元分别为Ai和Bj，则证据E1和E2间的相似系数计算公式为:

假设对于某一命题共有n条证据，依据上式可计算出任意2条证据间的相似系数，构成相似系数矩阵如下:

定义4 将相似系数矩阵的第i行所有数据相加得到各个证据对证据Ei的支持度为:

Sup( Ei)表示的是证据Ei被其他证据所支持的程度，即一个证据和其他证据都比较相似，则认为其它证据对该证据支持的程度高，反之则认为对其支持的程度也较低。

为了计算方便，将证据的支持度归一化可得到证据的可信度，即证据Ei的可信度表示为:

获得各证据的可信度之后，再利用Murphy提出的加权分配法对证据进行合成，步骤如下:

(1)把证据的可信度作为权重，对证据的基本信任分配进行加权平均。

(2)用D-S合成规则合成步骤(1)得到的加权平均信任分配。当有n组证据时，将加权平均证据合成n-1次。

3 应用实例

综上所述，基于D-S论据的飞行员辅助系统自动化级别调整的系统流程如图3所示。

图3 基于D-S论据的飞行员辅助系统自动化级别调整

设识别框架中共包含有n个LOA，图3中E1，E2，…，Ek表示从态势感知模块、任务绩效测量模块、生理传感器模块实时获得的k个决策信息，它们是该识别框架下的证据。通过模糊隶属度函数，获得这k个证据对 LOAi的基本信任分配 m1(LOAi)，m2(LOAi)，…，mk(LOAi)，i=1，2，…，n。再按照基于证据间相似系数的冲突证据合成规则，计算得到合成的基本信任分配 m(LOAi)，i=1，2，…，n。合成的结果送到决策逻辑进行判断，将具有最大信任分配且超过一定阈值的LOA作为飞行员辅助系统的辅助级别。

下面将通过一个实例来演示该方法的实现过程。考虑自由飞行环境下飞行员执行空中冲突解决任务的例子［11］。在飞行过程中，当自动化系统检测到飞机可能与其它飞机相碰撞时，飞行员必须对飞机当前的飞行路径进行重新规划，避免碰撞的发生。ASAS(Airborne Separation Assistance System，机载间隔辅助系统)辅助飞行员完成该任务。ASAS可行的LOA为:①飞行员手动修改航路点，但新的飞行航线要得到自动化系统的确定;②自动化系统向飞行员提供多种可行的冲突解决方案，飞行员根据实时情况从中选择一个作为修改之后的航线;③自动化系统直接计算出当前自己认为最佳的航线，飞行员进行确认。以上3种自动化等级的自动化程度按序依次增加，分别对应于表1中的级别1，3，5，所以识别框架为 Θ={LOA1，LOA3，LOA5}。考虑如下决策信息:飞机当前所处空域的交通复杂度TC、距碰撞发生所剩的时间TL、飞行员脑电数据HRV2和心率数据TLI2。其中TC、HRV2、TLI2的取值范围都为[0，1]，TL 的取值范围为[0，10]。假设某一时刻决策信息的数值如表3所示。通过逻辑推理可以发现，虽然该飞行员所面对的情况非常容易处理，但是留给飞行员处理的时间非常有限，生理参数也显示当前飞行员处在一个高脑力负荷状态。在这种情境下，飞行员需要辅助系统给予非常强的辅助才能顺利完成路径重规划任务。表3同时给出了各个证据根据模糊隶属度函数得到的基本信任分配。

表3 证据的基本信任分配

使用基于证据间相似系数的冲突证据合成规则对证据进行合成，可得如下结果。

(1)相似矩阵为:

(2)支持度为:

(3)可行度为:

最终得到的证据合成结果如表4所示，同时使用D-S合成规则得到的结果也显示在表4中。

表4 证据合成结果

4 结束语

本文讨论了飞行员辅助系统自动化级别动态调整的4种策略及其优缺点;针对综合了多种决策信息的合成策略，提出了基于D-S证据理论的自动化级别动态调整模型。在该模型中，多种决策信息的实时取值作为证据，飞行员辅助系统所有可行的自动化等级构成识别框架;运用模糊隶属度函数确定各个证据的基本信任分配，在各证据之间存在强冲突，导致D-S合成规则不适用时，采用基于证据间相似系数的冲突证据合成规则融合各个证据，从而获得当前最佳的飞行员辅助系统辅助级别。实例表明，所提方法具有很好的可操作性和灵活性，为飞行员辅助系统自动化级别动态调整的实现提供依据。

［1］宋晗，陈宗基，孔繁峨.驾驶员辅助系统的辅助级别判定［J］.系统仿真学报，2009，21(1):208-212.

［2］Parasuraman R.Theory and Design of Adaptive Automation in Aviation System［M］.Warminster，PA:Naval Air Development Center，1992.

［3］王阔天.多无人机监督控制系统的人机动态功能分配研究［D］.长沙:国防科学技术大学，2009.

［4］Cook C，Corbridge C，Morgan C，et al.Investigating methods of dynamic function allocation for naval command and control［C］//International Conference on Human Interfaces in Control Rooms，Cockpits and Command Centres.1999:388-393.

［5］Parasuraman R，Sheridan T B，Wickens C D.A model for types and levels of human interaction with automation［J］.IEEE Transactions on Systems，Man，and Cybernetics Part A:Systems and Humans，2000，30(3):286-297.

［6］Coye De Brunelis T，Le Blaye P，Bonnet P，et al.Distance mission management and dynamic allocation of function［C］//Humans Operating Unmanned Systems Conference.2008.

［7］王鹏程，李为民.基于模糊集理论和D-S证据推理的空袭目标识别［J］.现代防御技术，2005，33(5):8-10，41.

［8］李伟生，王宝树.基于模糊逻辑和D-S证据理论的一种态势估计方法［J］.系统工程与电子技术，2003，25(10):1278-1280，1298.

［9］李海英，冯冬，宋建成.中压真空断路器的模糊-证据理论在线状态评估模型［J］.高压电器，2013，49(1):40-45.

［10］王肖霞.冲突证据合成规则的研究［D］.太原:中北大学，2007.

［11］Wing D J，Cotton W B.Autonomous Flight Rules:A Concept for Self-separation in U.S.Domestic Airspace［R］.Technical Report:NASA/TP-2011-217174;L-20058;NF1676L-12830，NASA，2011.

［12］谭源泉，李怡，张柯.基于模糊集与证据理论的敌我识别新方法［J］.电波科学学报，2012，27(3):578-582.

［13］江桥辉，王汝凉，刘志平.基于模糊集与改进证据理论的目标识别［J］.广西师范学院学报:自然科学版，2009，26(2):83-86，101.

［14］肖利平，杨嘉伟.一种基于模糊理论与D-S证据理论的红外小目标与诱饵识别算法［J］.红外技术，2005，27(3):240-244.