这篇研究论文重点研讨了如何通过人工智能技术改善空军飞行员培训，并使用 Maneuver ID Challenge 数据集应用多种方法提高飞行模拟器的性能和数据分类。

Nov, 2022

快速发展的人工智能以人工指导为基础的合作副驾驶模式，与仅仅是工具的角色相比，正在改变知识工作的各个方面，并将其影响扩展到日常生活和专业领域。本论文旨在从与人机交互和人因工程学等学科相关的研究和文献中强调在人工智能交互中保持人类监督的重要性，并呼吁通过强调积极的人类参与、控制和技能提升来设计人工智能合作伙伴关系，以促进和谐、有效和赋能的人工智能关系。

Nov, 2023

本文介绍了一种简单而高效的基于重复的模块化系统，以加速空中交通管制员的培训。该系统通过融合不同的人工智能技术，开发和集成一种伪飞行员代理，实现了对管制员语音通讯的理解，并生成响应以提高其训练效率。

Dec, 2022

本文提出了一种新颖的虚拟模拟飞行员引擎，该引擎利用不同的人工智能工具加速空中交通管制员（ATCo）的培训，并且采用了自动语音识别和理解、高级空中交通管制相关实体解析、文本到语音子模块等先进工具，能够模拟控制操作场景、生成模拟机长的话语并提高实时监视数据的辨识准确度，是首次基于开源 ATC 资源和 AI 工具的研究。

Apr, 2023

近年来，随着机器学习的快速发展，创建在模拟空中战斗中表现逼真的代理人已成为一个引起广泛兴趣的领域。该调查探讨了机器学习技术在模拟空中战斗行为建模方面的应用，旨在增强基于模拟的飞行员培训。当前的模拟实体往往缺乏逼真的行为，并且传统的行为建模需要大量劳动力并容易在开发过程中丢失基本领域知识。加强学习和模仿学习算法的进步表明代理人可以从数据中学习复杂的行为，这可能比手动方法更快且更具可伸缩性。然而，使自适应代理人能够执行战术机动和操作武器和传感器仍然是一项重大挑战。该调查研究了应用、行为模型类型、普遍的机器学习方法以及开发自适应和具有逼真行为的代理人所面临的技术和人类挑战。另一个挑战是将代理人从学习环境转移到军事模拟系统以及标准化的需求。为此，提出了四个主要建议，包括加强对超视距场景、多代理机器学习和合作、利用分层行为模型以及标准化和研究合作的重视。这些建议旨在解决当前问题，指导开发更全面、适应性更强、更逼真的基于机器学习的空中战斗行为模型。

Apr, 2024

提出了一种用于构建敏捷飞机的数据驱动机动生成模型的方法，该方法能够在广泛的修正条件和飞机模型参数范围内进行泛化。通过利用模拟模型和有限的真实飞行员数据，结合模仿学习、迁移学习和强化学习等技术，实现了对目标飞机的机动生成模型的优化和调整。验证为该方法在开发敏捷飞机的强大和适应性模型方面的有效性。

Dec, 2023

提出了一种基于注意力特征的空气监护系统，并通过强化学习在固定翼飞机模拟环境中对其进行训练，实现了飞行中人工驾驶员和自主机器人的并行自治，最终在固定翼飞机和真实无人机平台上的模拟飞行试验中证明了该方法的有效性。

Dec, 2022

AI 决策支持在航空等高风险领域有望提高人类决策能力，但由于过度依赖和与用户决策不一致等挑战，其应用常受限制。本研究旨在比较推荐为中心的支持与连续支持这两种不同范式在航空改航决策中的效果，考察结果表明连续支持结合推荐有助于飞行员向前思考超出系统限制的更多可能性，提供更快速的决策，而前向支持可能会受到干扰。参与者的陈述进一步建议将设计目标转移到支持快速信息获取，为超越全流程推荐的更有帮助和有效的 AI 决策支持提供了设计思路。

Jun, 2024

本文介绍了一种新的基于人工智能协作的优化学习方法，即 HACO，它能够在保证训练安全的同时，并非常高效地利用少量的人类干预来训练出一个性能很高、泛化性很好、且适用于各种交通情景的自主驾驶代理。

Feb, 2022

通过结合不同形式的人机交互，本研究利用人类示范和干预学习来安全地实时训练自主系统，从而加快训练速度并提高性能

Oct, 2018