AI自主接管一定更轻松？飞行模拟器研究给出反直觉答案：谁掌握“交还权限”，谁决定疲劳程度
发布时间：
2026-09-20 14:03
来源：
自动化程度越高，人就越轻松？在飞行模拟器和真实空管环境里做的实验，给出了一个反直觉的答案：把操作权限交给AI，疲劳未必下降；真正决定疲劳程度的，是“交还权限”握在谁的手里。这项问题背后，是一条贯穿航空安全、神经科学与人机控制的研究链路。
01 航空安全与生理测量：疲劳是“可测的果”
AVIATION SAFETY & PHYSIOLOGICAL MEASUREMENT
疲劳是航空业公认的安全隐患。综述数据显示，68%–91%的商业航线飞行员报告过飞行中的疲劳；在军用领域，疲劳被认定是12%美国海军A级（最严重）事故和25%美国空军夜间战术战斗机A级事故的成因；约4%的飞行事故与疲劳相关，造成32人死亡、损失超过20亿美元。另有调查显示，78%的海湾地区商业飞行员承认至少有一次“疲惫到不该坐进操控位”[1]。
生理测量正在追赶疲劳的脚步。南京航空航天大学团队采集飞行员心电信号，用时域、频域特征训练LVQ神经网络识别疲劳状态，识别准确率达到81.94%，比传统BP神经网络高12.84%，比支持向量机高9.02%[2]。而对52名重症监护轮班人员的研究则揭示了疲劳的“欠账机制”：连续夜班之间的睡眠仅5.74±1.30小时，夜班结束时的主观困倦评分与反应时均显著劣于白班，且第一个夜班结束时困倦程度最高[3]。
这些研究的共同结论是：疲劳可以量化，但传统手段测出的是疲劳的“结果”，而难以回答一个更关键的问题——疲劳是在哪一刻、因为什么样的权限安排而累积的。
02 工作负荷与认知状态测量：反直觉答案从何而来
WORKLOAD & COGNITIVE STATE MEASUREMENT
答案藏在认知状态的实时测量里。在高度逼真的空管模拟环境中，研究者搭建了一套被动脑机接口系统：它根据操作员的脑电信号实时估计心理负荷，只在负荷偏高时才触发AI自适应接管。结果显示，操作员的主观负荷显著下降，任务绩效反而显著提升[4]。反过来看，无差别的AI接管并不天然减负——如果人被彻底“挪出”控制回路（Out-of-the-Loop），警觉与情景意识会持续流失，而学界至今对这一状态的定义与测量都没有共识[5]。
近红外光谱（fNIRS）在飞行模拟器中的实验进一步补上了细节：任务越复杂，前额叶氧合血红蛋白浓度越高，但激活强度与任务绩效并不清晰相关——它反映的是“这个人有多用力”，而不是“他干得好不好”[6]。也就是说，交出去的是操作，未必交得出去警觉；负荷可以转移，疲劳的账仍然记在人的神经系统上。
“人与自动化交互的诸多顽疾，源于人读不懂机器，或机器读不懂人——设计的基本共识是：人应当与系统保持连续交互，并保留最终权限。”[7]
03 人机控制的运动生物力学解决方案：让权限交接有据可依
HUMAN-MACHINE CONTROL × MOTION BIOMECHANICS
破解反直觉，目前的路线图在两条线上合流。其一是权限治理：触觉共享控制主张人机之间连续交互、由人保留最终权限，让控制权“平滑转移”而非瞬间切换[7]；人机编队（Human–Autonomy Teaming）研究则主张把AI当队友而非开关，围绕信任与沟通重构分工[8]；条件自动驾驶下的接管请求（Take-Over Request）综述同样表明，交接窗口怎么给、给多久，直接决定接管质量[9]；而良好的人机界面设计，前提是人与机器能互相读懂对方的意图[10]。
其二是让机器读懂人的身体。疲劳首先是一个人体运动生物力学现象：姿势塌陷、动作迟滞、肌肉激活模式改变——这些恰恰是“该不该交还权限”的身体信号。在运动捕捉与疲劳监测环节，SMART-DX EVO 智能运动捕捉系统能够高精度捕捉操作者与运动者的关节运动轨迹，把姿态变化变成可分析的定量数据；随后由 BOB 人体运动生物力学分析软件建立肌骨模型，计算肌肉力与关节负荷，将疲劳监测从主观量表推进到运动生物力学指标层面。这种“运动捕捉—肌骨建模”的闭环，与脑电、心电等生理测量互为印证，正好为“何时把权限交还给人”提供了身体层面的客观判据。
在航空座舱、驾驶舱与运动训练场景中，人机控制的核心不再是“AI能不能接管”，而是“系统能否读出人的状态、在正确的时机交还权限”——这正是运动生物力学可以给出的增量答案。
AI接管不是减负的开关，权限的治理才是。谁掌握“交还权限”，机器能否读懂人的身体，谁就掌握了疲劳程度的走向。
参考文献
[1] WINGELAAR-JAGT Y Q, WINGELAAR T T, RIEDEL W J, et al. Fatigue in aviation: Safety risks, preventive strategies and pharmacological interventions[J]. Frontiers in Physiology, 2021, 12: 712628.
[2] PAN T, WANG H, SI H, et al. Identification of pilots' fatigue status based on electrocardiogram signals[J]. Sensors, 2021, 21(9): 3003.
[3] GANESAN S, MAGEE M, STONE J E, et al. The impact of shift work on sleep, alertness and performance in healthcare workers[J]. Scientific Reports, 2019, 9: 4635.
[4] ARICÒ P, BORGHINI G, DI FLUMERI G, et al. Adaptive automation triggered by EEG-based mental workload index: A passive brain-computer interface application in realistic air traffic control environment[J]. Frontiers in Human Neuroscience, 2016, 10: 539.
[5] MERAT N, SEPPELT B, LOUW T, et al. The "Out-of-the-Loop" concept in automated driving: Proposed definition, measures and implications[J]. Cognition, Technology & Work, 2019, 21(1): 87-98.
[6] CAUSSE M, CHUA Z, PEYSAKHOVICH V, et al. Mental workload and neural efficiency quantified in the prefrontal cortex using fNIRS[J]. Scientific Reports, 2017, 7: 5222.
[7] ABBINK D A, MULDER M, BOER E R. Haptic shared control: Smoothly shifting control authority?[J]. Cognition, Technology & Work, 2012, 14(1): 19-28.
[8] LYONS J B, SYCARA K, LEWIS M, et al. Human-autonomy teaming: Definitions, debates, and directions[J]. Frontiers in Psychology, 2021, 12: 589585.
[9] MORALES-ALVAREZ W, SIPELE O, LÉBERON R, et al. Automated driving: A literature review of the take over request in conditional automation[J]. Electronics, 2020, 9(12): 2087.
[10] CARSTEN O, MARTENS M H. How can humans understand their automated cars? HMI principles, problems and solutions[J]. Cognition, Technology & Work, 2019, 21(1): 3-20.
人机控制,人体运动生物力学分析,运动捕捉技术,人体疲劳监测