以人工智能、物联网、大数据与云计算为代表的新一代信息技术正在全球范围内引发新一轮科技革命，并将深刻影响未来30年的产业变革。得益于中国政府对于战略新兴产业长期与连贯的政策支持[1-3]，人工智能等新一代信息技术保持了迅猛发展，并逐步与传统行业渗透交融。在国际航空产业，以波音、空客为代表的领军企业正积极探索人工智能技术在航空领域的应用，实践了包括航空数据分析实验室、智慧天空平台、AnalytX数据平台等“人工智能+航空业”融合应用。
从民用飞机主制造商的视角，民机全生命周期的各个环节为新兴技术提供了广阔的应用平台，例如融合自主决策及人机协同的智能飞行技术、基于数字飞机及知识工程的智能设计技术、利用5G互联与动态规划的智能制造技术、依托海量数据与机理模型的智能运维技术等都是“人工智能+”助力民用航空领域高质量发展的典型，而智能飞行技术是其中最具行业特征并可能带来颠覆性变革的研发方向。
智能飞行技术通过逐步提升航空器的智能/自主能力与内外协同能力，实现飞行驾驶中的职责转换与功能优化，重构未来飞行的人机交互模式与空域管理架构，与国际航空业发展趋势一脉相承。NASA承袭20世纪80年代“Free Flight”愿景，在进行下一代空管体系升级的同时，始终将推动航空器实现安全的自主化作为其航空战略实施重点[4-5]，并对商用飞机单一飞行员驾驶等领域进行了探索研究[6]。欧洲航空安全局(EASA)同样关注自主/无人飞行器在未来运行场景下的安全应用[7]，其对于人工智能协助下的辅助飞行进行了细致的规划，并协同科研机构与企业在开展了人工智能适航论证等方面的研究[8]。而包括波音、空客等行业领军企业也对于未来的智能化飞行寄予厚望：波音公司收购了开发“机器人驾驶员”的极光科学飞行公司，并尝试推动单一飞行员驾驶货运飞机的适航方法研究，空客公司在启动城市飞行器Vahana的同时，推进基于视觉的自主场面运行与起降项目研发。
本文尝试从智能飞行的内涵与规划入手，概述民航领域飞行器融入并实现智能飞行的路径与方法，针对智能飞行技术应用过程中适航与人因方向的基础研究方向进行讨论，综述民用飞机智能飞行技术。
1 智能飞行愿景规划智能飞行是在对现有高级自动化与智能化技术总结的同时，对飞行领域未来技术发展方向与目标进行的规划。基于美国国家航空航天局(NASA)的《航空战略实施规划》[4]和EASA的《人工智能路线图》[8]中对未来空地协同体系演化趋势的判断，中国商飞在公司“十三五”设计研发能力规划中提出了“有人监督、无人驾驶”的自主驾驶技术理念，并在2020年“十四五”规划中提出了“有人监督模式下的大型客机自主飞行技术研究”技术指南，智能飞行技术作为该指南的关键技术内容，依据其功能实现能力以及NASA和EASA的短/中/长期计划，将公司的智能飞行愿景划分为3个阶段，并对短中长期的研究方向进行指引，如图 1所示。
|
| 图 1 智能飞行三阶段规划 Fig. 1 Three-phase planning for intelligent flight |
1) 辅助智能飞行阶段(2020—2025年)，面向集中式运输管理体系、兼容现有飞行器驾驶的辅助智能模式，增强飞机综合感知能力，实现全飞行场景机组决策辅助，具备全飞行阶段自动驾驶能力。
2) 增强智能飞行阶段(2025—2035年)，面向空地协同的运输管理体系、创新飞行驾驶方式的增强智能模式，具备完善的飞机全势态感知能力，实现在机组监督下的自主运行。
3) 完全智能飞行阶段(2035—2050+年)，面向空天地一体的自主智能模式，具备完善的飞行场景感知与辨识能力，实现基于统一规则的协同决策，实现满足人类弹性需求的全自主飞行。
在辅助智能飞行阶段，利用灵敏的传感器与高速地空通信通道，智能飞行不断拓展对于飞机本体、机组状态与周边环境的感知能力；面向以地面指令为核心的空管体系，智能飞行技术针对实时飞行场景，为机组决策提供适宜、准确的综合信息，有效降低舱内认知负荷；面向多类飞行器混同运行场景与复杂多变天气环境，智能飞行技术优化自动驾驶功能的适用范围，改善机组操作负荷，提升客户效益潜力。
在增强智能飞行阶段，基于实时空地信息交互与数字孪生技术，智能飞行进一步实现全态势感知与飞行状态预测功能；实现对于标准/预设飞行场景的理解，通过空地协同实现空域全局最优背景下的飞行器自主任务决策；优良的人机交互界面保障机组的情景感知能力与应急操作能力，实现单一飞行员驾驶。
在完全智能飞行阶段，基于一体化的空天地信息融合平台，智能飞行实现对于复杂飞行场景的完整理解，利用空地-空空协同不断完善人类弹性出行需求，实现全自主的“自由飞行”。
2 民用飞机智能飞行推进方案民用飞机类型众多，按照运输类飞机适航标准分为25部、23部、轻型运动类，不同规章对于民用飞机安全性、可靠性、验证过程要求不同。
虽然智能飞行分为L1~L3这3个阶段，但不同类型民用飞机实施阶段不同。
2.1 25部运输类飞机推进辅助智能飞行25部运输类飞机对于设计要求最为严苛，运行过程安全性要求最高，现阶段从技术成熟度、适航符合性、飞行员与旅客接受度以及可信商业模式等方面，L2级以上智能技术暂时不具备应用条件。针对当前25部运输类飞机所面临的实际问题(飞行员负担重、复杂场景决策难、人为错误不断、航迹优化不足、飞行效率低)以及现阶段人工智能技术能力，开展辅助智能飞行技术研究与应用具备可实施性。
辅助智能飞行以人(飞行员)为根本核心，飞行员是飞行过程的决策主体。一切智能化功能均围绕飞行员决策需求和操作需求开发，包含扩展现有自动驾驶能力的辅助驾驶技术和新增飞行员决策支持能力的决策辅助技术。
辅助驾驶技术：实现正常场景，标准飞行流程下门到门全自动驾驶(场面滑行、起飞着陆)，具备检查单等相关准备工作全自动执行能力。
目前25部运输类飞机通过飞行管理+自动飞行系统已经实现起飞高度400 ft(1 ft=0.304 8 m)以上至下降决断高度区间的自动飞行，但在机场场面、起飞和最终着陆过程仍需要飞行员人工操作，过程安全性严重依赖飞行员能力，且由于人为失误难以避免，70%以上的航空事故发生在上述过程。虽然ILS盲降系统可实现自动着陆，但仍严重依赖机场运行引导设施和相关程序，成本高昂，可靠性不足，适航运行批准难度大。
辅助驾驶技术通过新增图像(可见光、红外)、激光雷达等机载传感器，实现传感器融合提升在场面运行、起飞及着陆阶段的飞行态势感知能力，集成自动飞行系统，完成自动飞行引导、监视监控和飞行控制，打通飞机门到门全过程的自动运行。辅助驾驶将降低飞机对地面导航设施依赖性，实现更高精准的滑行与航迹运行。辅助驾驶所提供的自动驾驶能力相对现阶段自动驾驶不仅扩展了可用阶段，同时可针对过程中的突发状况进行预警与提示。图 2为辅助驾驶功能与飞行阶段对应关系。
|
| 图 2 辅助驾驶功能与飞行阶段对应关系 Fig. 2 Correspondence between auxiliary flight and flight phase |
辅助驾驶虽然扩展了现有自动驾驶能力，但与传统自动驾驶相同，仍然无法应对突发状况(如系统失效、外部环境突变)，脱开辅助驾驶后需要飞行员迅速接管飞机。
决策辅助技术：针对运行场景(正常、非正常)，为飞行员决策提供指引以及信息融合(含空管、交通服务等)显示，具备全飞行阶段操作决策支持，机组告警系统(Crew Alerting System，CAS)信息自动关联，系统故障分析与预测等能力。
目前飞行员根据机上仪表显示信息和外部环境视觉，依靠驾驶能力与经验独立完成决策。决策辅助则是基于飞行手册、标准规范、运行规章、驾驶经验等依据，构建限定任务场景决策辅助知识图谱，构造飞机当前状态(含故障等)与决策操作指引之间的关联模型，实现全飞行流程不同任务场景的可信决策辅助。
决策辅助重点解决：①飞行员在关键复杂场景(起飞、着陆等阶段遭遇系统故障、外部环境突变)决策难的问题；②飞行员对于级联故障难以准确定位和诊断问题；③飞行员关键时刻信息查询时间周期长的问题。通过运行大数据+机理建模，进一步提升系统故障识别准确度和系统性能预测的准确度；利用语音识别和自然语言理解，开发更加优化与便捷的人机交互接口；基于知识图谱和结构化数据以及决策树等技术，形成具有飞行驾驶决策能力的数字模型，如图 3所示。
|
| 图 3 决策辅助功能实现示意图 Fig. 3 Schematic diagram of implementation of auxiliary decision |
决策辅助虽然可以提供全飞行阶段的决策辅助，但在L1阶段仅限于已知场景(发生过并有明确记录)，对于未知突发场景，上述算法并不具备应对处理能力。
综上可以看到，辅助智能飞行不改变25部运输类飞机的双人机组驾驶模式，不降低飞行员从业资格，在满足安全要求的前提下减轻飞行员负担，降低人为事故，优化飞行航迹，具有落地可实施性，是此类民用飞机智能化推进着力点。
2.2 23部运输类飞机和轻型运动类飞机推进增强智能飞行23部运输类飞机和轻型运动类飞机相对于25部而言，在安全性、可靠性以及验证过程降低要求，考虑到推广普及性和降低成本需要，更加适合推进降低飞行驾驶员能力需求的增强智能飞行技术。
增强智能飞行是以系统为根本核心，飞行员是飞行过程的监督主体，但仍然拥有飞行控制的最高权限。一切智能化功能均围绕提升系统智能化驾驶能力(应对多种复杂场景)、降低对飞行员驾驶技能需求和飞行成本、提升飞行效率、更加容易适航为目标。包含全阶段自动飞行、应急自动着陆、主动风险规避、智能网联运行核心技术。图 4为增强智能功能实现示意图。
|
| 图 4 增强智能功能实现示意图 Fig. 4 Schematic diagram of implementation of enhanced intelligence |
全阶段自动飞行技术：实现从任意A点(起飞)到B点(着陆)的全过程自动飞行，飞行员在过程中无需任何操作。可适应多种构型(固定翼、旋翼、混合翼等)。全自动飞行与辅助智能飞行中的辅助驾驶技术功能相似，主要是利用卫星导航、惯导、视觉相机、激光雷达、定高雷达等传感器融合构建完整飞机态势感知能力，使得飞机可以完成在正常场景下的全过程自动驾驶。
应急情况自动着陆技术和主动风险避让技术：这2项技术是增强智能的核心能力表现。是飞机面临内外部风险时的决策与控制。
飞机在飞行过程中主要面临2类风险：①内部风险，包括导航系统故障、飞行系统故障、电池/发动机故障、结构受损等；②外部风险，包括天气异常、空域管制、非合作目标入侵、地面干扰等。所有风险根据对飞机安全影响不同，又分为一类风险和二类风险。
应急着陆和主动风险避让体现在飞机面临风险时的主动决策能力。通过对风险的主动判断与评估，飞行控制能力的评估、从而做出最优决策(避让、返航、迫降、继续飞行)，并且可以自动规划新航迹、找寻最优降落位置。飞机做出的任何决策将自动上报至地面网联平台，由网联平台进行关联空域内其他航空器的调度。
应急着陆功能还包含基于视觉和雷达的安全区域查找与评估，利用人工智能算法获取最优的迫降着陆点降低对飞机、地面人员以及建筑的损伤，这项功能将有助于未来城市空中交通运行等高风险场景运行的适航批准。
智能网联是飞机搭载新一代通信系统、自主飞行系统等装置，融合新一代通信与网络技术(5G、北斗、低轨高通量卫星)，实现飞机与X(飞机、网联平台、人、云等)无缝信息交换、共享，通过基于云的服务架构和基于WEB的显示，利用端、边、云的信息框架，实现飞机一张网监管，一朵云服务，最终实现飞机在规定空域内的安全、高效运行。智能网联技术是空中交通管理模式的改变，需要利用泛在低空互联网，实现飞机与地面的高度协同。
当前国家正在对低空空域进行改革，在23部运输类飞机和轻型运动类飞机推进增强智能飞行技术将大幅提升这类飞机的空域运行效率，增强飞行安全性，降低飞行门槛，促进新场景(城市空中交通)的适航批准。
3 智能飞行应用基础技术人工智能技术是实现智能飞行的关键核心，但民用飞机具有特定行业的特殊要求，无论是大型客机辅助智能，还是中小型运动类飞机增强智能，人工智能技术在落地型号商业实施的前提都需要突破适航可信性、人机协同这2大应用基础技术。为保障智能飞行的实施落地，需要从研发初期就考虑这2个应用基础技术的研究方向与技术途径。
3.1 适航可信性关键技术人工智能可信度以及如何证明，一直是行业的焦点问题，尤其是在民机的适航体系中，需要通过正向分析证明技术的可靠性，有必要对智能飞行技术开展详细的适航可信性论证过程，以此向适航当局提供足够证据表明：采用智能飞行技术的软硬件设备能够在预期运行环境和使用限制下能够持续保持飞行安全性，通过有效的适航符合性验证方法建立公众对智能飞行技术安全性的信任。图 5为航空数据传输和质量需求传输示意图。
|
| 图 5 航空数据传输和质量需求传输示意图 Fig. 5 Schematic diagram of aeronautical data and relevant quality requirements transportation |
智能飞行技术给民航运输体系所带来的挑战大，从依赖于机械自动化的民用航空发展体系跳跃到依赖于数据的智能航空发展体系，需要从技术的可解释性、安全鲁棒性、监管机制、数据治理和隐私保护、数据公正和透明性以至社会和环境的影响全方位地向公众和利益相关方证实人工智能技术的适航安全性。对于以数据驱动的智能飞行技术而言，从数据准备、模型架构、算法选型直到超参数调整的整个学习过程依赖于数据的完整性和正确性，然而整个学习过程中的神经网络模型参数众多、结构复杂，很难对所有的数据质量和模型质量进行精确的追溯。因此，基于数据驱动的人工智能学习模型因为缺乏足以令人信服的可追溯性架构和指导性文件证明，造成实际的应用落地较为困难，如何提升人工智能技术的可解释性，从而更好地发挥其技术优势为民航发展服务，已经是国际上的重要研究课题。学术、工业、国防领域都对这个课题进行了大量的研究，欧盟和美国采用不同的技术路线进行研发，欧盟的技术路线是通过研发一种评估人工智能系统对于社会影响程度的方法、建立一条评估人工智能模型鲁棒性的标准流程、公开发布一系列人工智能模型航空应用风险评估报告、提出一种基于航空用户基本需求的可解释智能模型设计理念这4个方面加强和人工智能技术研发人员的交流合作，形成良性互动的人工智能社区[9-13], 欧洲航空安全局(EASA)也与Daedalean机构合作开展了人工智能发展蓝图[8]用以明确未来EASA在人工智能适航规章方面的指定路线。美国的技术路线是以美国高等研究计划署机构(DARPA)开展的可解释人工智能项目作为牵引，在5年来资助多所高校联合研发各种融合可解释性理论的新型机器学习技术，从而生成形式多样的可解释模型(例如UC Berkeley小组的显式回顾解释模型[14]、事后解释模型[15]、Charles River Analytics小组的学习过程因果模型[16]、Carnegie Mellon小组的解释增强学习模型[17]等)，这些模型通过性能度量和解释性度量的权衡空间进行互相比较，形成可视化的数据分析曲线、互动交流的问答对话机制以及交互式机器学习模型，使得用户能够直观理解并且信任这些不断涌现的人工智能系统应用。
本文在总结欧美技术发展经验的基础上，充分考虑国内民用航空的实际发展情况，提出了智能技术适航可信性关键技术的5个发展方向：
1) 航空数据质量保证技术研究方向
在RTCA国际标准规范E-76A/DO-200B的章节2.3.2中，航空数据的质量保证指的是“确保数据在终端系统的使用过程中满足安全需求的能力”，规定了飞机主制造商、数据供应商、航电设备制造商、终端用户、航空信息发布这5个利益相关方之间航空数据传输过程，如图 5所示，在数据传输过程的每个节点，都有响应的数据质量要求(Data Quality Requirements, DQRs)进行航空数据质量保证。本报告主要从航空数据的准确性、可追溯性、完整性进行论证研究。英国安全系统协会(Safety-Critical System Symposium, SCSC)关于数据质量安全方面开展了进一步的研究，发布了自主安全保障指南[12]和数据安全指南[13]，如图 6所示。
|
| 图 6 形式化验证过程 Fig. 6 Process of formal verification |
2) 训练模型可解释性研究方向
训练模型学习过程的可解释性是一个以人为中心的概念，专注于研究模型解释输入和输出之间推理因果关系的能力。可解释性按照粒度不断细化可以分为多组预测的局部可解释性、单预测的局部可解释性、模块级别的全局模型可解释性、全局模型可解释性、算法透明度。关于人工智能算法可解释性方面主要是从梳理智能算法实现过程中的可解释性实际问题[14-15]来开展形式化验证过程。
3) 算法鲁棒性和模型鲁棒性研究方向
算法的鲁棒性是一种在训练数据集发生扰动的情况下，智能飞行算法在该数据集上生成的模型依旧不会变化太大的评估方式。模型的鲁棒性是在模型输入参数发生变动的情况下模型本身发生显著变化的风险评估，是一种确保训练模型输入输出关系稳定性的评估方式。如何在这种生产环境中继续稳定地保持算法的准确性和模型的稳定性，是衡量人工智能算法和模型实用性的重要指标，二者的区别详见表 1。
| 阶段 | 输入 | 输出 | 相关扰动 | 稳定性类型 |
| 设计阶段 | Dtrain | F(Dtrain) | 训练数据集的扰动(数据点的替换、添加噪声、标签错误等) | 学习算法稳定性 |
| 运行阶段 | x∈X, F(Dtrain) | F(Dtrain)(x) | 数据输入和预测输出或者模型本身的变动 | 模型稳定性 |
4) 模型输出数据不确定性分析研究方向
智能飞行模型在接受原始的传感器输入之后，将会首先执行底层特征抽取和分类，然后将得到的结果输入高级别的系统进行轨迹规划以及决策。在这种多个环节串行的应用场景下，模型本身不仅仅需要是正确性评估，也需要给出不确定性度量的评价。如果在底层神经网络中得到各种预测的精准不确定性度量，那么在高层神经网络中将会舍去那些不确定性太高的结果，从而避免高层级模型盲目依赖一些不准确的输入得到无效的预测结果。模型在现实运行过程中不可避免会遇到各种不可预料的非确定性情况，通过现实中的各种输入进行较为全面的分类，有助于避免一些超出分布范围的异常场景所带来的风险。
5) 智能飞行软件适航符合性验证流程
传统的航空电子设备及系统软件开发基于2011年发布的ED-12C/DO-178C适航标准进行V型全技术开发过程的质量保证。这种适航符合性论证技术是按照需求不同层级之间的双向可追溯性来控制的。
然而，这种全技术开发阶段质量保证的框架并不适用于智能飞行辅助驾驶技术的数据驱动开发模型。智能飞行辅助驾驶技术是侧重于数据本身的一种学习过程，全技术开发过程涵盖数据准备、模型架构、算法选择、调整超参数的全新过程，因此需要添加相应的核心节点“学习过程验证”作为过渡，从而形成W型技术开发框架，如图 7所示。
|
| 图 7 传统V型与智能飞行适航可信W型技术开发框架对比 Fig. 7 Comparison of reliable airworthiness frameworks between custom flight's V-shaped development and intelligent flight's W-shaped development |
自第二次世界大战以来，人为因素在航空领域的重要角色逐渐被业内重视起来。航空事故中，大约75%是由于人为因素引起的，并且事故很少由单一原因造成，一旦被引发，经常会造成灾难级的事故链[15]。1992年，空客310-300，加德满都：复飞时，机组正在查看区域图，接通了自动驾驶仪系统，确定飞行管理系统的坐标，并手动输入新坐标，这一操作本应在进近前完成，此时近地警告报警，机组没有拉起飞机，而是在等管理员的许可，15 s后，飞机撞山。
由于历史上此类事故的频发，飞行器设计公司在正向设计的过程中均会通过广泛地征询、缜密的设计、充分的测试迭代来完善舱内人为因素相关设计以最大限度地避免悲剧的发生。通过对事故根因的分析不断地积累经验，逐渐形成针对于航空驾驶舱内交互设计的默认标准范式。也正因为此，近20年来由于人为因素而造成的灾难级事故比例大幅减少[16-17]。
近十年来，智能化技术的崛起为智能飞行技术提供了良好的发展环境，智能化技术与航空技术融合逐渐成为发展趋势。与此同时，技术融合过程中，将不可避免地对现有的舱内驾驶任务分配、交互方式、驾驶主导权方面产生巨大的影响。无论从人为因素设计的评价维度上还是模型能力上，传统的默认标准范式都难以支撑应对智能化技术的引入而带来的对人为因素考量的全新挑战。人为因素考量的研究重心也逐渐转移到对情景意识、人机协同、人机信任、控制权接手等方面。如果无法系统全面地思考智能化技术引入而带来的变革因素，将会极大地降低航空飞行的安全性[18]。2018年，世界各地发生多起与波音737-MAX相关的事故。其根本原因是波音公司为了补偿波音737-MAX在飞行过程中出现抬头趋势的隐患专门增加了一个机动特性增强系统(MCAS)。由于增强系统的操作权限在飞行员之上，飞行员在驾驶过程中无法控制飞机，形成飞行员与机动特性增强系统反复争夺控制权，最终酿成悲剧。
因此，除去解决纯技术层面的问题，未来智能飞行技术的发展还应结合航空舱内人为因素的特点设计开发。以下选取3个典型的航空人为因素考量角度，结合智能飞行技术的特点，尝试具象化地给出智能飞行技术的发展思考。
1) 工作负荷
航空舱内工作负荷起伏大。在例如巡航阶段、部分执行空中交通管制(Air Traffic Control, ATC)操作的阶段，驾驶员仅需保持住足够的警惕与相关的系统状态意识，具有较低的工作负荷；在例如飞行计划变更或放行指令变更等场景下，存在驾驶员的工作负荷过大的情况。驾驶员工作负荷过载除了会引发生理指标的异常以外，在高压力下，短时间内执行包含一些复杂操作的任务会不可避免地增加其产生疏忽、错误和违规行为的概率[19]。
基于此，驾驶员的尖峰工作负荷阶段对应的任务是一个合适的智能飞行技术融合的切入点。以此为技术融合的切入点，对智能飞行的眼下发展和长期发展都是有利的。首先，短期来看，选取尖峰负荷对应的驾驶任务作为智能飞行技术的切入点对当前的航空技术发展具有实际意义，在不对当前航空技术体系和驾驶模式产生较大影响的前提下，使智能飞行技术逐步与航空技术相融合，通过技术的迭代和实际应用的打磨，积累智能化技术融合的经验。从长期来看，这一发展路线与其他航空发展趋势的路线图相吻合，其研究和发展成果将助力于单一飞行员驾驶、减机组驾驶乃至自主驾驶的发展目标。
2) 情景意识与系统模式意识
在不同层级的工作负荷要求之间的切换同样存在由于人为因素而造成的隐患。在低工作负荷阶段，驾驶员极容易产生自动化诱发的自满情绪、警惕性降低、无聊等情绪现象。这些消极情绪在紧急情况或其他需要进行人机控制权交接的情况下将会极大地降低情景意识与人在环水平，从而最终降低驾驶员接手飞行器控制权后的表现甚至导致灾难性的后果。
除此之外，驾驶方式的变化将会极大地影响驾驶任务的认知模型。从目视飞行到仪表飞行，驾驶员的驾驶任务和任务模型本身都发生了深刻的变化[20]。同样，当引入智能飞行技术之后，驾驶员除了将面临上述提及的的变更之外，还有可能引发飞行员从飞机驾驶员向飞机管理者角度的转变，即实现从飞行的实际控制者向飞机资源调度者身份的转变[21]。但是，值得强调的是即使完成了上述角色的转变，驾驶员将仍会被要求具备时刻接管飞机的能力，即在智能飞行技术失效时的驾驶员具备问题恢复的能力和手动驾驶模式下完成各场景下飞行任务的能力。
结合上述讨论，智能飞行技术的发展应当遵循在技术层面更可靠、更安全、力争能够完全“取代”驾驶员，独立执行完成模块任务；与此同时，在应用模式的设计中，应当使驾驶员充分地融入，“依赖”于人，力求使驾驶员在各飞行场景下能够拥有足够的情景意识接管飞机。
3) 交互界面更替
正如上文提及的，智能飞行技术的引入将极大地影响当下的驾驶任务和认知模型。随之而来的是对包含舱内布置、交互方式、交互内容的颠覆性改变。这些改变在适应新智能飞行技术、最大化交互效率的同时还需兼容在智能飞行技术失效时，切换为手动驾驶模式下，仍具备不低于现行驾驶舱内手动驾驶的安全性。这意味着智能飞行技术、手动驾驶模式与舱内交互方式与布局三者需要相互妥协，寻求一个设计的平衡点。可以预料的是这个舱内设计变更的过程需要不断地结合智能飞行技术的发展状况进行。考虑到舱内设计的迭代、人机功效测试、全场景验证周期长的特点，在布局智能飞行技术长期发展路线时，应当提前做出规划，兼顾舱内设计迭代，使其迭代过程以逐层递进的模式发展，而非设计迭代之间相互颠覆替代的模式。
4 结论与展望本文综述了民用飞机智能飞行的定义与愿景，概述了其技术体系与关键应用基础技术，从技术发展趋势上分享了对于智能飞行的思考。从长远来看，智能飞行技术在轻小型、运动型以及大型客机的发展上拥有广阔的发展前景且已成为主流的发展趋势之一。然而，全面地推动该技术在业界的发展应用仍需综合考量诸多其他因素。其中，智能化技术的引入对舱内人为因素设计产生的影响以及智能化技术无法被置于现行适航体系框架之中的问题已成为当下业内聚焦的研究要点。处理好智能飞行技术与其他相关因素之间的关系是智能飞行技术获得长足发展的根本前提。
| [1] |
中华人民共和国国务院. 国务院关于加快培育和发展战略性新兴产业的决定32号[R]. 北京: 中华人民共和国国务院, 2010. The State Council of the People's Republic of China. The state council's regarding accelerating cultivation and development decision of strategic emerging industries No. 32[R]. Beijing: State Council of the People's Republic of China, 2010(in Chinese). |
| [2] |
中华人民共和国国务院. "十三五"国家战略性新兴产业发展规划67号[R]. 北京: 中华人民共和国国务院, 2016. The State Council of the People's Republic of China. "13th Five-Year" national strategic emerging industry development plan No. 67[R]. Beijing: State Council of the People's Republic of China, 2016(in Chinese). |
| [3] |
中华人民共和国第十八届中央委员会. 决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利[R]. 北京: 中华人民共和国第十八届中央委员会, 2017. The 18th Central Committee of the People's Republic of China. Decisive victory to build a well-off society in an all-round way and win the great victory of socialism with Chinese characteristics in the New Era[R]. Beijing: 18th Central Committee of the People's Republic of China, 2017(in Chinese). |
| [4] | ROBERT P. NASA aeronautics strategic implementation plan[R]. Washington, D.C. : NASA Aeronautics Research Mission Directorate, 2020. |
| [5] | National Research Council of the National Academies. Autonomy research for civil aviation: Toward a New Era of flight[R]. Washington, D.C. : National Academies Press, 2014. |
| [6] | COMERFORD D, BRANDT L, LACHTER J, et al. NASA's Single-pilot operations technical interchange meeting: Proceedings and findings[R]. Washington, D.C. : NASA Ames Research Center, 2013. |
| [7] | PATRICK K. The European plan for aviation safety: EPAS2020-2024[R]. Cologne: EASA, 2019. |
| [8] | PATRICK K. Aritificial intelligence roadmap: A human-centric approach to AI in aviation[R]. Cologne: EASA, 2020. |
| [9] | HAMON R, JUNLEWITZ H, SANCHEZ I. Robustness and explainablity of artificial intelligence[R]. Brussels: JRC Technical Report, European Commission, 2020. |
| [10] | NATHALIE S. European commission high level expert group on artificial intelligence[R]. Cologne: EASA, 2020. |
| [11] | MIKE P. Assuring safe autonomy[C]//Proceedings of the 28th Safety-critical Systems Symposium, 2020. |
| [12] | PAUL H. Data safety guidance V3.2, 127E[M]. Heslington: SCSC, 2020. |
| [13] | ERIC J, ALEXANDRE A. Challenges to the certification of machine learning for safety critical systems[C]//ERTS, 2020. |
| [14] | MELANIE D, SEBATIEN G, JAYANT. A high-probability safety guarantee for shifted neural network surrogates[C]//Safe AI 2020, 2020. |
| [15] | DEBONS A. Human engineering research 22-01-022 Part 11, Progress E[R]. 1950. |
| [16] | Federal Aviation Administration. Crew resource management training: Advisory Circular AC 120-51B[R]. Washington, D.C. : FAA, 1995. |
| [17] | FITTS P. Psychological research on equipment design[R]. Washington, D.C. : Army Air Forces Aviation Psychology Program, 1947. |
| [18] | FLANAGAN J. The aviation psychology program in the army air[R]. Washington, D.C. : Army Air Forces Aviation Psychology Program, 1947. |
| [19] | FOUSHEE C, MANOS K. Information transfer within the cockpit: Problems in intracockpit communications: TP-1875[R]. Washington, D.C. : NASA Ames Research Center, 1981. |
| [20] | GORDON T. The airline pilot a survey of the critical requirements of his job and of pilot Evaluation and selection procedures[J]. Journal of Applied Psychology, 1949, 33(1): 122-131. |
| [21] | HOPKIN D. Human factors in air traffic control[M]. London: Taylor & Francis, 1995. |