40、通过数字人实现任务模拟自动化：应对驾驶舱火灾与烟雾紧急情况

通过数字人实现任务模拟自动化：应对驾驶舱火灾与烟雾紧急情况

在航空领域，驾驶舱火灾和烟雾紧急情况是极其危险的状况，需要飞行员立即采取行动。传统的设计评估方法在处理这类紧急情况时存在诸多局限性，而数字人技术（DHM）的出现为早期设计的人机工程学研究带来了新的机遇。本文将详细介绍一种基于数字人的自动化框架，用于模拟驾驶舱火灾和烟雾紧急情况下的任务分析。

1. 问题陈述

1.1 驾驶舱火灾和烟雾紧急情况

驾驶舱内的烟雾或火灾事件是最危险的紧急情况之一，需要立即采取行动。在发生此类事件时，如果自动飞行系统未受火灾影响，飞行员可借助自动驾驶仪执行必要步骤，如查阅制造商的检查表。然而，许多火灾和烟雾事件发展迅速，常伴有多个系统故障，需要紧急降落。此时，飞行员需脱离自动驾驶仪，手动操作飞机。

烟雾的积累是驾驶舱火灾事件中最严峻的问题之一，它会严重影响飞行员执行必要任务的能力。充足的能见度对于安全飞行至关重要，但火灾产生的烟雾会迅速降低能见度，使飞行员难以查阅检查表和操作飞机，尤其是在手动导航时，这对飞行员的身体和认知能力都是巨大的考验。

1.2 建模驾驶舱火灾和烟雾紧急情况

过去几十年，人机交互的计算建模和仿真在产品和系统设计中越来越受欢迎，因为它允许在实际使用条件下运行“假设”场景。然而，大多数人类因素工程（HFE）工作采用传统方法，即通过全尺寸物理模型收集大量人类受试者数据。这种方法在探索或开发新方法和算法时是首选，但对于概念设计活动来说既缓慢又昂贵，特别是在交通设计的早期HFE工作中。

随着计算工具和数据收集技术的进步，数字人技术（DHM）成为早期设计人机工程学研究的重要资产。DHM是一种在计算机辅助设计（CAD）或虚拟环境中可视化、模拟和分析人类肌肉骨骼和认知属性的技术。早期的人类模型最初在航空领域开发，近年来，更集成的DHM软件包不断涌现，具备基于CAD的综合人机工程学分析能力。

然而，目前的DHM研究主要集中在理想或接近理想条件下的人机工程学评估，缺乏对紧急情况或异常工作条件下工作场所设计和任务分析的自动化研究。此外，DHM设计依赖手动场景设置和人机工程学分析，这增加了时间和精力成本，并提高了模拟误差，因此需要一个自动化框架来解决这些问题。

2. 方法论

2.1 案例研究

飞机驾驶舱是一个独特的工作环境，其中复杂的人机交互相互交织。在概念设计阶段，驾驶舱包装变量必须仔细筛选，因为设计元素直接影响飞行员的表现。例如，设计师应评估突出的控制表面是否会遮挡仪表板上的显示屏。此外，设计研究还应考虑非正常工作条件和紧急情况，如火灾和烟雾紧急情况会降低飞行员的性能。

本研究基于商业驾驶舱包装研究的设计探索，针对火灾和烟雾紧急情况制定了人机工程学设计问题。研究使用了简化版的波音767飞机驾驶舱模型，评估了两个方面的人机工程学结果：（1）伸手可及的差距；（2）亮度损失百分比。主要设计变量包括前仪表板上控制旋钮的位置、飞行员座椅位置、人体测量学变化以及驾驶舱内的烟雾积累。

2.2 模拟模型

• 层次任务分析（HTA） ：尽管并非每个紧急情况场景都相同，但火灾和烟雾事件以及飞行员的行动在许多情况下会有重叠。本研究构建了一个紧急情况场景，代表了火灾紧急情况后驾驶舱内大量烟雾积聚时的常见事件和任务序列。自动化的DHM模拟从识别飞行员在火灾和烟雾紧急情况下执行的任务开始，使用了美国国家运输安全委员会（NTSB）提供的烟雾和火灾紧急程序检查表。

以下是飞行员在实际火灾和烟雾场景中通常需要执行的任务序列：
1. 查看机组警告和警报控制
2. 操作警告控制
3. 查看垂直速度指示器
4. 操作垂直速度控制
5. 查看发动机指示和机组警报系统（EICAS）显示屏
6. 操作发动机指示和机组警报系统（EICAS）显示屏

在自动化序列开始之前，假设飞行员已经戴上了氧气面罩。

• 参考人体模型用于姿势和位置校准 ：一个参考数字人体模型被设置为中性姿势，代表舒适但警觉的飞行员姿势，即直立姿势，手放在操纵杆上，脚放在方向舵踏板上。使用西门子Jack的乘员包装工具包中的舒适评估工具箱，根据Porter和Gyi的研究，通过调整上下身关节角度在可接受的舒适范围内来校准姿势。这个参考姿势用于消除不同人体测量学的人体模型在定位和姿势设置方面的误差。

• 人体模型和人体测量学 ：在驾驶舱包装评估中，充分利用人体测量学数据来覆盖广泛的用户群体至关重要。在本研究中，针对两个不同的人机工程学结果使用了不同的人体测量学数据。

在伸手可及差距分析中，使用美国ANSUR II数据，选择了五个特定的人体模型（第1百分位女性、第5百分位女性、第50百分位女性、第95百分位男性和第99百分位男性）和三个目标点（目标1、目标2和目标3），且仅考虑理想的驾驶舱条件（非紧急情况，无烟雾积累）。

在亮度损失百分比研究中，考虑了五个目标人群数据库（美国ANSUR II、日本、韩国、加拿大和中国）、五个标准人群百分位（第1、第5、第50、第95和第99百分位）的男性和女性、四种不同的环境条件（理想、轻度烟雾、中度烟雾和重度烟雾）以及三个目标（目标1、目标2和目标3）。

任务条件	设计研究	人口	人体模型	环境	目标	输出
伸手可及差距	伸手可及差距	美国ANSUR II	第1百分位女性	理想	目标1	距离（厘米）
伸手可及差距	伸手可及差距	美国ANSUR II	第5百分位女性	理想	目标2	距离（厘米）
伸手可及差距	伸手可及差距	美国ANSUR II	第50百分位女性	理想	目标3	距离（厘米）
伸手可及差距	伸手可及差距	美国ANSUR II	第95百分位男性	理想	-	距离（厘米）
伸手可及差距	伸手可及差距	美国ANSUR II	第99百分位男性	理想	-	距离（厘米）
亮度损失百分比	亮度损失百分比	美国ANSUR II	第1百分位男性、女性	理想	目标1	亮度（%）
亮度损失百分比	亮度损失百分比	日本	第5百分位男性、女性	轻度烟雾	目标2	亮度（%）
亮度损失百分比	亮度损失百分比	韩国	第50百分位男性、女性	中度烟雾	目标3	亮度（%）
亮度损失百分比	亮度损失百分比	加拿大	第95百分位男性、女性	重度烟雾	-	亮度（%）
亮度损失百分比	亮度损失百分比	中国	第99百分位男性、女性	重度烟雾	-	亮度（%）

• 工作环境 - 驾驶舱和烟雾模型 ：本研究中的工作环境由计算驾驶舱和烟雾模型组成。驾驶舱模型基于通用的三维（3D）波音767 CAD驾驶舱，包括方向舵踏板、操纵杆、前仪表板、中央控制台和氧气面罩。此外，使用Blender 3D建模软件创建了烟雾模型，烟雾源位于最右侧的通风口处，模拟了烟雾随着时间逐渐积聚的过程。通过计算流体动力学（CFD）求解器在Blender中建模了三个代表不同烟雾浓度（从轻度到重度）的烟雾网格，同时设置了无烟雾条件以代表理想工作状态。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px

    A(开始):::process --> B(构建驾驶舱模型):::process
    B --> C(创建烟雾模型):::process
    C --> D(设置烟雾积聚场景):::process
    D --> E(模拟不同烟雾浓度):::process
    E --> F(设置无烟雾理想条件):::process
    F --> G(结束):::process

在下半部分，我们将详细介绍自动化框架的实现以及如何通过该框架计算伸手可及差距和亮度损失百分比。

通过数字人实现任务模拟自动化：应对驾驶舱火灾与烟雾紧急情况

2.3 自动化框架

本研究使用的自动化框架是在西门子 Jack 软件中借助 Jackscript 模块开发的。Jackscript 模块是一个基于 Python 的集成开发环境（如 Spyder、PyCharm），包含模拟和人机工程学分析脚本，可让设计师实现数字人操作的自动化。我们运用前面提到的层次任务分析（HTA）来生成 Jackscript 函数，同时利用工具命令语言（TcL）模块调用 Jackscript 代码，自动执行任务模拟、计算人机工程学评估结果，并将分析结果保存到 CSV 文件中。以下是自动化计算伸手可及差距和亮度损失百分比的详细方法：

伸手可及差距

在测量末端执行器与目标区域之间的差距时，我们采用了 ReachHold 逆运动学（IK）方案。ReachHold 函数是西门子 Jack 应用程序编程接口（API）的一部分，它能计算手臂位置，在用于触及空间中的特定点时，默认将手掌中心作为末端执行器。为了模拟飞行员完全伸展手臂的伸手姿势，我们还结合使用了前臂末端执行器和手掌中心。起初，我们考虑将拇指尖和手掌中心作为理想的末端执行器组合，但使用拇指尖末端执行器的 ReachHold IK 方案生成的姿势不太真实（显得很别扭）。

末端执行器（手掌中心）和预先定义在前端飞行仪表板上的控制目标（目标 1、目标 2 和目标 3）在空间中代表一个三维向量。因此，我们使用欧几里得距离方法（公式 1）来测量两个向量之间的距离（例如，手掌中心与垂直速度旋钮之间的差距）。
[d(A,B)=\sqrt{(x_a - x_b)^2+(y_a - y_b)^2+(z_a - z_b)^2}]
其中，
手掌中心：(A=(x_a,y_a,z_a))；
目标：(B=(x_b,y_b,z_b))。

此外，在数字人模拟模型中，我们使用“锁定躯干”运动学约束来代表在层次任务分析中所描述的任务相关的凝视和伸手活动期间的常见静态姿势。“锁定躯干”运动学选项使人体模型只能从肩部和躯干进行凝视和伸手操作，同时限制腰部活动。这样一来，不符合操作飞机时典型凝视和伸手姿势的身体姿势就被排除了。

亮度损失百分比

自动化代码还会从数字人界面中人体模型的双目视野范围内收集眼窗屏幕截图（如图 4 所示）。这些截图展示了人体模型在数字人环境中所看到的内容。在西门子 Jack 中收集的每张截图都会被存储在一个文件夹中，然后使用 MATLAB 的图像处理模块来计算亮度值（公式 2）。批处理函数将真彩色 RGB 截图转换为灰度图像，这种方法在保留亮度的同时消除了色调和饱和度数据。
[L = mean_2(rgb2gray(im))]
在本研究中，可见度损失用亮度损失来描述。我们采用了 Yuki 等人提出的亮度率降低方法来计算亮度损失百分比，具体公式如下：
[Percent\ Loss\ in\ Luminance=\frac{\vert L_1 - L_2\vert}{L_1}\times100]
其中，
(L_1) = 理想条件下物体的亮度；
(L_2) = 烟雾附着后物体的亮度。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px

    A(开始):::process --> B(执行 HTA 任务模拟):::process
    B --> C(使用 ReachHold IK 计算伸手可及差距):::process
    C --> D(收集眼窗屏幕截图):::process
    D --> E(使用 MATLAB 计算亮度值):::process
    E --> F(计算亮度损失百分比):::process
    F --> G(保存分析结果到 CSV 文件):::process
    G --> H(结束):::process

通过这个自动化框架，我们能够高效地模拟驾驶舱火灾和烟雾紧急情况下的任务，并对人机工程学指标进行评估。该框架不仅解决了传统数字人设计中手动操作的繁琐问题，还能在早期设计阶段为驾驶舱包装设计提供有价值的参考，帮助设计师更好地考虑非正常工作条件和紧急情况，提高驾驶舱的安全性和舒适性。

综上所述，基于数字人的自动化框架为驾驶舱设计的人机工程学研究带来了新的突破。它能够自动执行任务模拟和评估，减少了手动操作的时间和误差，同时考虑了多种人体测量学数据和不同的工作环境条件。未来，这种方法有望在航空领域以及其他交通领域得到更广泛的应用，为产品设计和系统优化提供有力支持。