技术摘要：FleetScape：用于可扩展无人机集群空间监督与控制的混合现实沙盘

问题陈述

随着自主无人机部署从单体单元向协同集群规模化发展，人类操作员的角色正从直接驾驶转向高层级监督。目前的界面通常将多无人机控制视为单无人机操作的规模化版本，依赖于碎片化的 2D 视图（独立的摄像机馈送、遥测面板和地图），这些视图无法支持复杂任务对空间、时间及安全性的需求。这种碎片化增加了认知负荷，产生了心理旋转问题，并降低了态势感知（SA）能力，尤其是在机队规模增长时。目前缺乏关于空间界面如何呈现并发的机队与任务信息，并促进在全球监督与直接控制之间进行无缝转换的研究。

研究方法

系统设计：FleetScape

作者提出了 FleetScape，这是一个以 3D 沙盘为核心的混合现实（MR）界面。该系统将分层的实时任务、安全和环境数据外部化，实现了在人工干预与自主监督之间的流体转换。

• 硬件与平台： 系统运行在配备 Meta Touch Pro 控制器的 Meta Quest 3 头显上。
• 核心组件：
  • 3D 沙盘： 作为中央工作区，代表操作环境的空间缩影。它集成了多个数据层：建筑边界、巡检航点、实时点云以及无人机微缩模型。系统采用了聚焦感知设计，为选定的无人机渲染详细信息，同时抽象化其他无人机以减少视觉杂乱。
  • 辅助视图： 2D 小地图提供稳定的俯视概览，机队状态板则提供紧凑的文本遥测和警报信息。
  • 无人机控制面板： 流式传输聚焦无人机的摄像机画面，并允许切换模式。
• 交互模式：
  • 边界交互： 用户将视图放置在周边视觉区域。
  • 地图交互： 用户操纵沙盘（平移、缩放、旋转）以对齐视角。
  • 控制转换： 系统支持在 自主巡检、直接手动控制（通过摄像机画面）和 半自主路径规划（交互式航点编辑）之间进行无缝切换。转换过程设计得非常平缓（缩放并居中），以保留机队层级的上下文信息。

仿真环境

为了评估该系统，作者开发了一个高保真多无人机建筑巡检模拟器。

• 环境： 使用来自 City Pack (©Mindravel Interactive) 的城市资产，包含建筑包围盒和占用图。
• 动力学： 集成了无人机动力学（改编自 UnityDroneSim）、传感器模块（SafeSpect）和 A-star 寻路算法。
• 压力测试： 包括可配置的参数，如机队规模、电池状态以及 导航不确定性（模拟 GPS 误差和风力漂移）以诱发安全事件。

用户研究

作者对 六名经验丰富的专业无人机飞手（五名持证人员，一名具有资深业余经验）进行了探索性用户研究。

• 流程： 参与者在 7 分钟的巡检任务中管理规模分别为 5、10 和 15 架 的无人机机队。
• 指标：
  • 态势感知（SA）： 通过在三个层面（感知、理解、预测）进行模拟冻结，利用 全球态势感知评估技术（SAGAT） 来测量任务进度和无人机状态。
  • 工作量与主观 SA： 通过 Bedford 工作量量表 和 态势感知评级技术（SART） 进行测量。
  • 接受度： 通过 技术接受模型（TAM） 进行测量。
  • 性能： 按每架无人机的生产力（覆盖的航点数）和交互模式进行追踪。

核心贡献

1. 空间交互设计空间： 一个支持任务与安全态势感知的框架，利用多模态方法（3D 沙盘、2D 小地图、1D 状态板）进行机队监督。
2. FleetScape 原型： 一个功能性的 MR 界面，能够在统一的空间上下文中实现分层空间可视化以及在不同控制模式（手动、半自主、自主）间的流体转换。
3. 实证评估： 通过专业飞手的评估，识别了可管理机队规模的极限，揭示了监督策略，并为可扩展的无人机机队监督设计提供了参考。

结果

定量发现

• 态势感知 (SA)：
  • 任务 SA： 感知层（Level 1）随机队规模增加而提升（0.65 → 0.80），但理解层（Level 2）和预测层（Level 3）随着机队规模从 5 增至 15 而显著下降。
  • 无人机/安全 SA： 所有层级的 SA 均随机队规模增加而下降。整体无人机安全 SA 从 0.86（5 架无人机）降至 0.61（15 架无人机）。
• 工作量： 主观工作量（Bedford 量表）呈单调递增（4.17 → 6.33），而感知 SA（SART）呈下降趋势（7.67 → 4.83）。
• 性能： 每架无人机的生产力随机队规模增加而下降（5 架无人机时为 39.6 个航点/架，15 架时为 32.1 个航点/架）。
• 接受度： 参与者报告了较高的感知易用性（5.5/7）和积极的态度（5.83/7），尽管由于现实工作流的考量，感知有用性略低。

定性发现

• 策略： 飞手从主动优化（5 架无人机时）转变为 反应式、基于异常的监控（15 架无人机时）。
• 界面使用： 沙盘是空间推理的主要界面，而小地图则用于在 3D 深度线索不足时进行定向。
• 局限性： 飞手反映在密集环境中难以选择移动中的无人机，并指出视觉杂乱（如点云）可能会造成干扰。
• 可扩展性极限： 大多数飞手认为 5–10 架 无人机是有效监督的现实极限。管理 15 架无人机需要显著的策略转变，例如预设航点或对无人机进行分组，且往往会导致详细安全意识的丧失。

意义与主张

本文声称，将无人机机队监督重新定义为 空间交互 能有效支持态势感知并明确控制模式的转换。然而，作者也谦虚地承认，随着机队规模的增加，存在 态势感知的极限。

• 实证极限： 研究确定了单人维持高层级态势感知的实证极限约为 10 架 无人机。超过此规模后，认知负荷增加，导致转向反应式监控。
• 设计启示： 作者得出了四项针对可扩展界面的设计启示：
  1. 空间表示： 使用共享 3D 框架以减少心理旋转，但允许可配置的分层以管理细节与杂乱之间的平衡。
  2. 流体转换： 在共享空间上下文中支持快速定位问题，但需提高在密集环境中的输入效率。
  3. 自适应可视化： 根据机队规模动态平衡细节与抽象程度（例如，对无人机进行分组、颜色编码）。
  4. 工作流重构： 将认知需求从实时干预转向任务前规划与优先级排序（例如，控制组、基于异常的警报）。

作者总结道，虽然 FleetScape 证明了 MR 沙盘在减少心理旋转和支持转换方面的价值，但未来的可扩展系统必须结合抽象机制和自适应可视化，才能有效处理规模超过 10 台单位的机队。