陈　为，李世其，付　艳，王春慧，田　雨，田志强

(1. 华中科技大学机械科学与工程学院，武汉 430074;2. 中国航天员科研训练中心人因工程国防科技重点实验室，北京 100094 )



手控交会对接任务认知行为建模

陈为1，李世其1，付艳1，王春慧2，田雨2，田志强2

(1. 华中科技大学机械科学与工程学院，武汉 430074;2. 中国航天员科研训练中心人因工程国防科技重点实验室，北京 100094 )

摘要:载人航天器的手控交会对接因为有航天员的参与而显得十分复杂，须开展交会对接过程中人的认知行为建模，以确保任务的成功率和控制的灵活性。通过对手控交会对接任务认知行为和操作绩效的分析，基于一种QN-ACTR认知体系框架，提出了将认知行为融入于人机交互的建模方法；建立了符合手控交会对接操作的认知行为模型；进行了模型进行有效性仿真验证；表明了此建模方法可以将人的行为绩效视为人机系统绩效的补充并进行交互的整体分析。

关键词:交会对接；QN-ACTR；认知建模；行为绩效

1引言

载人天地往返、航天员出舱活动和交会对接是载人航天工程的关键技术，是我国载人航天工程“三步走”战略的组成部分[1]，其中航天器交会对接作为承上启下的关键环节，更是今后建造空间站、展开更大规模空间探索的基础。

交会对接的控制方式主要分为两种，一种是以人监控为主的自动控制方式，一种是以人操作为主的人工控制方式。目前在国际上，美国较多的采用后者，而俄罗斯则是更偏重于前者。两种方式相比较而言，手控交会对接的成功率更高[2-3]。这是因为自动对接虽然是智能程序控制，响应迅速、控制精准，但是一旦出现意外状况，自动系统就会失去作用。手动控制因为航天员完全参与到人机环中，特别是在自动控制模式出现意外状况时，能灵活及时地应变解决紧急问题，提高了系统的可靠性和任务成功的概率。但是在此控制方式下，航天员仅依靠显示屏的图像观察目标飞行器的位置，判断追踪飞行器与目标飞行器的相对运动速度、方向和姿态，并通过平移和姿态控制手柄进行控制，加重了自身的体力和脑力负荷。

手控交会对接中航天员面临的信息量杂而多，反应与决策行为集中且要求的可靠性和精确性高，其中涉及大量的认知问题。认知研究人类感知和思维信息处理过程，研究“在认识过程中信息是如何传递的”，包括从感觉的输入到复杂问题求解，从人类个体到人类社会的智能活动，以及人类智能和机器智能的性质[4-5]。认知行为模型是描述人类认知结构和行为过程的模型。认知行为建模目的是利用诸如逻辑分析和计算机模拟解释“在认识过程中信息是如何传递的”，即通过建立类似于信息加工系统的模型进而探索和研究人的信息处理机制。现在比较典型的认知符号建模体系有ACT-R、EPIC、MHP/GOMS和SOAR，四者的研究方向、适用范围以及学习难易程度不尽相同，各有特点[6]。其中ACT-R认知体系已在心理学领域和其领域均(如教育、人机交互等)得到成功应用，且已有的大量实验结果被证明可以直接被研究工作使用[7]。ACT-R具有较为成熟的基于组块激活度的陈述性知识(任务和环境陈述性信息)和基于产生式规则的程序性知识(跟任务有关的技能性知识)系统，通过在感知、学习、记忆、决策等认知过程中使用这些知识描述对信息处理过程进行模拟仿真，其应用领域已涵盖了主要的人机交互领域，实例包括语言学习、航空管制、汽车驾驶[8]以及飞机驾驶[9]等。

因此，通过建立合适的认知模型实现对航天员的认知过程和负荷状况进行实时分析仿真和动态预测，可以对即将出现的认知超负荷提前采取对策，防止超负荷的发生和减少操作错误的可能性，能为手控交会对接任务的操作流程设计、认知负荷异常预警及控制方案提供定量的分析和测试手段。本文分析和讨论了手动控制模式下交会对接的认知过程，并建立相关的认知模型模拟人的决策输出及任务绩效。

2认知建模方法

Queueing network(QN)排队网络是一个关于离散时间排队系统的数学理论，适合于模拟复杂框架或结构的并行活动，以达到某些指标最优的目的。Michigan大学的Yili Liu在1996年提出了使用QN模拟人的加工信息反应时的方法，提供了一种对认知脑力负荷的客观模拟的定量方法[10]。2007年，Liu、Feyen 和Tsimhoni提出的QN-MHP(Queue Network-Model Human Processor)作为一种认知建模工具，融合了工程数学理论和符号主义理论，通过功能模拟方法实现认知过程的模拟，适用于实时行为的数学建模及仿真模拟[11]。

Liu在2009年首先研究了QN和ACT-R的整合构架在多任务绩效建模理论上的价值[12]。Cao和 Liu在2011年提出了两者结合的认知框架，希望整合认知符号模型(ACT-R)与数学模型(QN)系统[13]，结构示意图如图1右图所示。图中左图代表ACT-R认知计算框架。它由一系列模块组成，每一个模块专门处理一种信息。首先视觉模块在视觉区识别外部信息，通过视觉缓冲把收集信息送入中央产生系统；中央产生系统实现各个模块间的调节和信息处理，且不被其他活动模块感知，而只对存放在这些模块的缓存信息做出反应，将各模块中信息调入缓冲区；陈述性知识模块从记忆中检索信息，查询对应的陈述性知识进行匹配，未能匹配信息则不被激活；匹配的信息则通过目标缓冲区进入目标模块，跟踪当前的目标和意图，同时触发一条或多条产生式，将执行结果送入手动模块缓冲并执行。图中右图的QN-ACTR框架则通过流程网络图的方式表现人脑信息处理的结构，不仅符合认知科学中的信息加工理论，也能够实时显示认知行为的编译过程。ACT-R中各模块和它们的缓冲区可以被视为网络图中的服务器，服务器之间的路径即信息流，包含信息的实体在服务器中流动，缓冲请求，产生式规则，以及条件结束的通知，这些因素的设置都会触发下一个服务器的工作。

综上所述，该框架不仅继承了ACT-R认知体系结构，可以使用ACT-R认知编程语言或已有的实验结果，同时也整合了QN的数学建模优势，能够全面地模拟人脑认知过程；其次传统认知心理学理论大多使用定性分析的方法，而认知模型使用的都是定量的、可计算的算式和方程，因此能够数量化地模拟和预测人的绩效，如反应时、正确率、决策结果等等，有助于找到提高人的绩效和发现降低脑力负荷的方法。鉴于以上的优势，本文通过实现此认知框架作为面向手控交会对接认知行为的建模方法。

图1　ACT-R和QN-ACTR结构框架Fig.1　ACT-R and QN-ACT-R cognitive architecture

3手控交会对接认知行为描述

手控交会对接认知描述主要有三类组成部分：一是认知决策，手控交会对接的策略构思过程，即思维决策。二是手控交会对接任务特点，目标飞行器与追踪飞行器以及空间环境下的互动，即观测；三是完成手控交会对接任务所需的操作，即操作控制；这三类过程交替出现、共同作用使人的认知过程处在一个稳定的状态。

1)手控交会对接认知决策是感知(观察)、信息加工决策与控制追踪飞行器完成与目标飞行器交互对接任务的过程，如图2所示。在此任务中涉及平移偏差与姿态偏差调节控制中的基本认知过程包括：视觉搜索过程、距离/速度知觉过程、判断情景过程等。在实际的手控交会对接任务中，由于操作者同时要考虑多个参数的状态变化，任务中还涉及视觉注意分配的过程，或与他人沟通交流的注意转移过程，这都会增加人脑的认知负荷[14]。

本文主要针对认知行为中最重要的决策过程进行模拟，即感知追踪飞行器与目标飞行器两者的信息，并将这种信息进行加工作为输出控制的决策依据。感知具体为依靠视觉通过观察显示屏上实时输出的目标飞行器或对接机构的位置及其速度，对追踪飞行器状态做出判断，同时提取相关符合控制飞行器状态的知识作出控制，当观察飞行器之间有新的状态出现即重复以上过程作出新的决策，最终实现两飞行器的成功对接。

2)手控交会对接特定的任务和环境也对人的认知过程有直接影响。分析任务特点能在交互时更好地实现二个认知系统的兼容性，使人的作业性质在人机系统中更加明显。手控交会对接任务的最终目标是通过改变追踪飞行器的位置和飞行状态，实现目标飞行器与追踪飞行器的对接。此外，手控交会对接也包括一些其他附带的任务，这些附带任务可能和手控交会对接任务有关(如切换宽窄视场、和地面控制室对话等)，它们可能影响正常对接过程，这些附带任务的认知行为在完善模型时也需考虑。

3)手控交会对接中的操作包括人机交互部件及提取相关操作知识。人机系统涉及的交互设备主要包括综合电子显示屏、控制手柄等。在任务进行中，主要是通过对三自由度手柄的控制来操作位置和姿态，先由自动控制或地面控制室控制到达指定的对接入口点位置，再通过人控操作姿态手柄和移动手柄控制[15]。

图2　手控交会对接认知决策过程Fig.2　Cognitive process of manual RVD task

4手控交会对接认知建模

4.1模型组成

手控交会对接任务认知建模，即对任务特性和与任务交互的过程进行甄别和归纳，将认知特征融合于认知行为过程的三类主要组成部分，如图3所示。认知行为模型中关键性的目标：观测、决策和控制的认知过程，分别是由图1右图中的感知子网络、认知子网络和动作子网络进行编译和实现。首先，观测过程通过感知子网络中的视觉模块或听觉模块感知目标飞行器的状态信息，如果由视觉获得有价值的信息，使用视觉缓冲区查询，同时通过视觉缓冲把收集信息送入认知子网络中；由程序性模块和产生式模块分别处理信息的存储和加工，决策过程即将经过查询与陈述性知识(陈述性记忆中定义任务或环境下的影响变量或变量值)匹配的信息通过目标模块进入目标缓冲的目标内容，触发一条产生式或多条产生式，未能匹配信息则被丢弃，匹配则将结果送入运动缓冲；执行过程最后通过动作子网络中的操作模块完成，并将控制的结果反馈给外部环境。包括观察、决策和控制子目标的整个认知过程即外部信息的获取、储存、判断由一条或多条产生式规则触发产生决策，并将决策输出的结果反馈给任务仿真器，驱动飞行器运动，在上述过程中完成人机系统下人的认知行为过程的模拟。

图3　手控交会对接的认知行为模型Fig.3　Cognitive behavior model in manual RVD

在建模概念层面上，认知建模就是将人的认知行为在人脑区及视觉、操作功能的响应过程映射到模型中的各个功能模块，实现人的行为发生机理的仿真以完成整个认知行为[16]，进而解释人脑感知和思维信息处理的过程。为了完成每个图子目标或过程，需要将认知行为在人脑区加工及视觉、操作功能的响应映射到基于网络图的各个功能模块中以实现模拟人脑加工的过程。例如目标飞行器船体出现在显示屏中对应视觉定位模块(visual-location)，显示屏的十字靶标和对接机构的背景圆盘信息对应视觉模块(visual module)；偏差状态的信息在视神经中的传导以及加工过程对应视觉缓冲(visual buffer)和陈述信息块(declarative chunks)；记忆知识在人脑中的提取以及决策过程对应程序性知识(procedure knowledge)和模式匹配(pattern match)；控制操作对应操作模块(manual module)。

认知正是依靠知识对外部信息进行加工和解释，在建模中提取知识的表达是需要重点考虑的问题。在认知行为模型中，认知能力体现为一种程序性知识，是按某种规则或操作流程顺利完成过程的能力，它是经过多种条件下的训练和积累学习得到的。模型的产生式规则(程序性知识)：目前交互的感知主要依靠视觉[15]，如果在远视场观测发现目标飞行器始终在显示屏的十字标尺中心中间，即处于指向对齐目标飞行器，则作出始终保持追踪飞行器此时状态的决策；如果继续观测目标飞行器和追踪飞行器两者的相对位置和姿态，发现存在六个维度上的偏差信息，则判断在某个维度上的误差是否是最大偏差或最大偏转，若是模型则把视觉转移到这个维度，并在陈述知识记忆中查看当前这个维度需要选择的操作策略。如果在近视场观测发现目标飞行器有相对移动和姿态偏差(此时的场景为显示屏上的十字标尺中心与目标飞行器突出十字和靶标底盘中心偏离的情况)，则作出控制飞行器平移或姿态的决策，并调用知识记忆中单维度下应对这种趋势的操作。如果继续观测到单维度下目标飞行器保持平稳的飞行状态(体现在无偏差或偏差在某个允许的误差范围内)，则作出观测其他维度的决策，并重新回到判断最大偏差的规则上直到所有维度的偏差消除。

图4为手控交会对接的认知行为模型产生式规则示意图，由中央处理模块(产生式模块)协调各模块之间的序列加工过程，包括顶层任务(Manual Tracking Operation)和每个子任务(Tracking-Monitor-Display; Decide-Dimension-Correction; Tracking-Control; Check-Dimension)。每个任务名称下面表示此目标所包含的产生式规则，箭头则表示这些子任务目标之间的主要控制流。

图4　产生式规则Fig.4　Production rules in RVD

在实际控制追踪飞行器的平移或姿态手柄时，假设在手柄控制中，需要对某一单维度的偏差量进行连续控制量纠正，以避免同时多维度融合的偏差纠正(因为航天器的平移控制和姿态控制耦合，多维度上控制量的同时输出会增加飞行器的不稳定状态；其次可以较准确地描述认知行为反映的知识调用)；模型中的陈述性知识则是与手控交会对接任务相关的知识与事实，指的是操作两飞行器追踪所必需的相关技能。主要包含对环境的描述，目标飞行器识别的描述，记忆知识中在单维度下对姿态或平移偏差进行速度控制的策略描述，如表1所示。

表1单维度下控制-偏差/速度的关系

Table 1The relationship between deviation and velocity for error correction in a single dimension

速度大偏差中偏差小偏差快(偏差呈减少趋势)中或小无或反方向小反方向大或中中(偏差呈减少趋势)大或中中或小反方向中或小慢(偏差呈减少趋势)大中或小反方向小负(偏差呈增大趋势)大大中或小

4.2模型实现

模型的框架由离散仿真建模工具Micro Saint Sharp进行构建。Micro Saint Sharp[17]软件是一款面向各种离散事件流程模拟的仿真软件，具有良好的用户界面和编程扩展性，可以通过网络流程图快速地开发和建立相关模型的原型，很好地将流程进行可视化仿真，并对其中的一些关键参数进行设置。

模型仿真实现分为定性和定量两个层面，使用软件中的离散网络图功能和C#语言编写逻辑关系实现QN-ACTR认知框架和与手控对接任务环境相关因素的定量化结合(例如表1所体现的关系)。在描述认知过程时，通过已有的知识表达编写包含任务特性的陈述性知识，从而使这些知识对应框架中的各个功能模块进而实现具体环境特性与决策的融合；同时使用ACT-R语言定性地编写人认知过程的产生式，实现对组块的运行特性以及各组块间关系的模拟，即实现网络图中的每一个网络服务器以及服务器间的逻辑调用关系，并在软件中实现可视化的过程。图5表示模型模拟时认知模块的可视化，显亮模块表示在某时刻认知模型中正在运行的模块，由满足当前认知条件下的产生式规则决定。

图5　认知模块的可视化Fig.5　Visualization of cognitive module simulation

为满足手控交会对接任务的陈述性知识以及产生式规则与实际认知行为一致，需要进行相关的人因学实验确定彼此的逻辑关系。在任务部分，通过开发C#通信模块使用UDP传输实现认知结果与交会对接任务仿真器的实时连接，即通过实时更新的任务场景进行上述认知决策，同时将认知决策输出结果反馈给任务仿真器进行实时模拟任务过程，最后将模型绩效与人的实际操作绩效进行对比，根据对比结果进行模型参数调整，并对模型进行修正。流程图如图6所示。

图6　认知建模流程图Fig.6　Flowchart of cognitive modeling

4.3模型验证

模型仿真平台如图7所示，左边的计算机运行认知模型，右边的计算机运行交会对接任务模拟器。通过模型模拟的绩效结果和被试者的实际行为绩效结果进行比较，来验证模型的有效性。

图7　模型仿真图Fig.7　Snapshot of computer simulation

选取典型的手控交会对接任务进行验证。选择一组常用的交会对接任务起始位置[120,10,10,0,0,0]T作为任务的起始数据，表示两航天器起始相对距离为120 m，相对起始位置的水平方向和垂直方向偏差均为10 m，暂不考虑起始相对角度偏差，因为姿态偏差在真实对接任务时的起始值相比平移偏差小的多且姿态偏差消除易操作，所以姿态偏差起始值暂忽略不计。同时选择四名平均年龄为28.5(±4.0)岁，具有良好视力和心理承受能力，且至少具有学士学位的被试模拟相应的实验场景，每个被试都具有丰富的手控交会对接任务训练的背景和经验，曾经或现在能够独立地完成手控交会对接任务。由于手控交会对接任务的特殊性，被试样本针对一定范围内的特殊人群，故不突出性别的差异，选择的被试均为男性。

任务模拟器由计算机、模拟软件(场景显示)和操作手柄组成。被试通过显示器观察模拟场景，依据目标飞行器相应的状态变化操控手柄完成手控交会对接任务。实验从初始视景呈现开始，被试控制追踪飞行器进行水平和垂直方向的追踪对齐过程，姿态由自动控制系统完成，在距离前进和后退方向上，追踪飞行器以不超过0.25 m/s的速度向目标飞行器运动，一方面保证实验环境模拟真实条件；另一方面被试需要在相对距离不断减小的影响下，作出在平移方向是加速、减速还是保持此速度的决策，并操作平移手柄消除对应自由度上的偏移量，悬停并保持在偏移量约为零的位置直至实验结束，同时获取每位操作者行为的数据。

图8　实验与模型数据比较Fig.8　Comparison of the human performance and model data

本实验中的操作者行为数据均建立在人的准确操作基础上，暂忽略人的误操作行为。由于被试数据的随机性、离散性，相同的任务每一个偏差指标都会有所不同，因此选择模拟真实任务中被试者平均绩效曲线最稳定的一次实验进行数据的对比。统计图比较能够直观地判断两组数据吻合程度，如果两组数据吻合得好，行为趋势一致，从定量程度上说明模型是有效的。图8表示基于追踪飞行器的三个维度上对接过程指标参数的变化曲线，实线表示被试的偏差操作变化曲线，虚线表示认知模型驱动的偏差操作变化曲线。即通过水平Y方向和垂直Z方向偏移维度和X方向距离维度的运动轨迹来说明手控操作和模型操作在认知行为上的差异，统计图结果显示人决策驱动和认知模型驱动对接飞行器的飞行轨迹趋势基本一致。 在统计对比指标时，首先通过统计图形直观地比较被试数据与模型数据的差异，然后计算二者之间的Pearson相关系数和均方根误差，进一步补充结论。相关系数越大，说明认知模型的绩效指标随时间的变化趋势与被试越相似；均方根误差越小，说明认知模型的绩效指标跟被试之间的偏离程度越小；相关系数越大，同时均方根越小，说明两者的相似程度越高，认知模型的模拟效果越好。

经过计算认知模型与被试对于平移方向上绩效指标的相关系数是ry=0.9921，rz=0.9964；均方根误差结果为RMSEy=0.1506，RMSEz=0.7115。结果发现相关系数大，误差小，说明被试数据与模型的在水平Y方向和垂直Z方向上的离散程度小，且相似程度高；而X方向距离维度则发现被试数据与模型的离散程度一般，且相似程度一般。这主要可能是前进和平移偏差的两类操作对彼此造成耦合影响，人在决策时往往会综合考虑，两类操作会交替进行，而模型现在只能单独模拟两类操作的认知过程，优先进行平移偏差的操作，缺乏综合的动态融合决策，导致距离方向的调整滞后于人的真实操作。

5结论

1) 融入手控交会对接任务认知特征的感知、决策和操作过程的认知行为模型较符合手控交会对接任务操作者的思维决策认知过程，说明此模型对于模拟手控交会对接中人的认知过程的合理性和实用性。

2) 模型任务完成总时间比人操作总时间要长约35 s，主要因为人有时候在选择维度调整决策时会同时思考二个维度，节省了决策时间；但模型暂时只能在某一时刻对单一维度的决策去模拟认知过程。

3) 如何在认知实验时能更完善地获取操作者的认知过程，避免多维度思考(任务可靠性要求)，以及通过模型绩效与真实绩效的对比去修改模型中的参数，修正模型使之达到更拟人化的目的，这也是未来模型的研究重点。

参考文献(References)

[1]周建平. 载人航天交会对接技术[J]. 载人航天, 2011, 17(2):1-8.

Zhou J P. Rendezvous and docking technology of manned space flight[J]. Manned Spaceflight, 2011, 17(2): 1-8.(in Chinese)

[2]Fehse W. Automated Rendezvous and Docking of Spacecraft[M]. NewYork: Cambridge University Press, 2003：1-6.

[3]杨进, 姜国华, 晁建刚. 基于靶标图像的航天员手控交会对接方法[J]. 宇航学报, 2010, 31(5): 1398-1404.

Yang J, Jiang G H, Chao J G. A cross drone image-based manual control rendezvous and docking method[J]. Journal of Astronautics, 2010, 31(5): 1398-1404.(in Chinese)

[4]周昊天, 傅小兰. 认知科学——新千年的前沿领域[J]. 心理科学进展, 2005, 13(4): 388-397.

Zhou H T, FU X L. Cognitive science——the scientific frontier of new millennium[J]. Advances in Psychological Science, 2005, 13(4):388-397.(in Chinese)

[5]王新鹏. 认知模型的研究和应用[D]. 兰州: 兰州理工大学, 2007.

Wang X P. The Research and Application on Cognitive Model[D]. Lanzhou: Lanzhou University of Technology, 2007.(in Chinese)

[6]Jones R M. An introduction to cognitive architectures for modeling and simulation[C]//Proceedings of the Interservice/Industry Training, Simulation and Education Conference. I/ITSEC, Orlando, FL. 2004.

[7]Anderson J R, Bothell D, Byrne M D, et al. An integrated theory of the mind[J]. Psychological Review, 2004, 111 (4): 1036-1060.

[8]Salvucci D D. Modeling driver behavior in a cognitive architecture[J]. Human Factors, 2006, 48(2): 362-380.

[9]Zemla J C, Ustun V, Byrne M D, et al. An ACT-R model of commercial jetliner taxiing[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. Sage Publications, 2011, 55(1): 831-835.

[10]Liu Y. Queueing network modeling of elementary mental processes[J]. Psychological Review, 1996, 103(1): 116-136..

[11]Liu Y, Feyen R, Tsimhoni O. Queueing Network-Model Human Processor (QN-MHP): A computational architecture for multitask performance in human-machine systems[J]. ACM Transactions on Computer-Human Interaction (TOCHI), 2006, 13(1): 37-70.

[12]Liu Y. QN-ACES: Integrating queueing network and ACT-R, CAPS, EPIC, and Soar architectures for multitask cognitive modeling[J]. International Journal of Human-Computer Interaction, 2009, 25(6): 554-581.

[13]Cao S, Liu Y. Integrating queueing network and ACT-R cognitive architectures[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. SAGE Publications, 2011, 55(1): 836-840.

[14]王萌, 张宜静, 杜晓平,等. 手控交会对接中操作者的情境意识和脑力负荷研究[J]. 载人航天, 2014, 20(4):378-385.

Wang M, Zhang J Y, Du X P, et al. Investigation on operator’s situation awareness and mental workload during manually controlled rendezvous and docking[J]. Manned Spaceflight, 2014, 20(4):378-385.(in Chinese)

[15]王春慧, 蒋婷. 手控交会对接任务中显示-控制系统的工效学研究[J]. 载人航天, 2011, 17(2): 50-54.

Wang C H, Jiang T. Study on ergonomic design of display-control system in manual-control rendezvous and docking[J]. Manned Spaceflight, 2011, 17(2):50-54.(in Chinese)

[16]陈为, 李世其, 付艳, 等. 精细追踪类监控作业行为认知建模研究[J]. 工业工程, 2013, 16(6): 1-7.

Chen W, Li S Q, Fu Y, et al. A research on cognitive modeling for precise tracking and monitoring task behavior[J]. Industrial Engineering Journal, 2013, 16(6): 1-7.(in Chinese)

[17]Bloechle W K, Schunk D. Micro saint sharp simulation software: micro saint sharp simulation software[C]//Proceedings of the 35th conference on Winter simulation: driving innovation. Winter Simulation Conference, 2003: 182-187.

Modeling of Cognitive Behavior in Manual Rendezvous and Docking

CHEN Wei1, LI Shiqi1, FU Yan1, WANG Chunhui2, TIAN Yu2, TIAN Zhiqiang2

(1. School of Mechanical Science and Engineering，Huazhong University of Science and Technology, Wuhan 430074, China;2. National Key Laboratory of Human Factors Engineering, China Astronaut Research and Training Center, Beijing 100094, China)

Abstract:Manual Rendezvous and docking (RVD) of manned spacecraft is very complex due to the involvement of astronauts. To ensure the mission success and the control flexibility, the modeling of the human cognition and behavior in RVD is necessary. According to the analysis of the cognition behavior and performance in manual RVD, a computational modeling method that could integrate cognitive behavior into the man-machine interaction system was proposed based on the QN-ACTR cognitive architecture. Then the effectiveness of the model was verified by simulation. It is demonstrated that this modeling method can be used to carry out the integrated analysis of the interaction performance with the human performance as the supplement to the man-machine system performance.

Key words:rendezvous and docking; QN-ACTR; cognitive modelling; human performance

收稿日期：2015-06-15；修回日期：2016-02-25

基金项目：国家重点基础研究发展计划资助(2011CB711000)

作者简介：陈为(1983-)，男，博士研究生，研究方向为人因工程、认知工效学。E-mail：Mileschan@hust.edu.cn

中图分类号：V526；V527

文献标识码：A

文章编号：1674-5825(2016)03-0386-08