Analiza parametara leta i pokreta oka u izmenjenim uslovima simulacije korišćenjem slobodnog softvera – Eksperimenti sa primenom koncepta digitalne obuke i selekcije pilota

PSSOH 2024, DOI: https://doi.org/10.5281/zenodo.13891863 Analiza parametara leta i pokreta oka u izmenjenim uslovima simulacije korišćenjem slobodnog softvera – Eksperimenti sa primenom koncepta digitalne obuke i selekcije pilota Aleksandar Knežević Univerzitet odbrane – Vojna akademija, 11000, Beograd, Srbija [email protected] REZIME Potreba da se na avionima sa naprednim kokpitom obuka izvede na najefektivniji način dovela je do toga da se u obuci posveti veća pažnja korišćenju trenažera leta i sumulatora različitih nivoa vernosti. Procena napretka u obuci bitna je stavka u tom procesu kao i u realnoj obuci na avionima. Da bi se izbegla pristrasnost koju u ocenjivanje unosi ljudski faktor pored simulacionih softvera koji pokreću trenažere i simulatore moguće je primeniti niz manjih softvera koji mogu da zabeleže parametre leta i putanju aviona u simulaciji, koji se kasnije mogu iskoristiti za analizu uspešnosti leta. Pored performansi i putanje leta jedan on naprednijih načina za analizu primene znanja stečenih na teorijskim pripremana u toku samog leta na trenažeru je i analiza interakcija između čoveka i mašine u vidu raspreda pomeranja pažnje, odnosno strategije osmatranja instrumenata i prenošenja pogleda sa jednog instrumenta na drugi. U ovom radu biće reči o upotrebi slobodnog softvera u R programskom jeziku koji pruža mogućnosti za izradu niza funkcija i potprograma za prikupljanje podataka o performansama leta i indikatorima pokreta oka u toku leta i njihovu kasniju analizu i prezentaciju. Ključne reči: letačka obuka, parametri leta, pokreti oka, trenažeri, simulacija, slobodni softver. 1 Uvod Zbog razvoja automatizacije i integracije sistema u kokpitima modernih civilnih aviona, prethodne metode obuke fokusirane na vežbanje specifičnih situacija putem ponavljanja više nisu dovoljne ukoliko se u letu pojavi potreba za reagovanjem u neočekivanim situacijama [1]. U skladu sa prethodnim tvrdnjama su i rezultati istraživanja Lefranciois i drugi [2] gde su kaže da su piloti postali „zavisni“ od automatizacije i zapostavili veštinu manuelnog letenja. Kao posledica toga došlo je do učestale pojave previda (ne kontrolisanja) pokazivanja instrumenta što je rezultovalo kritičnim situacijama posebno u toku sletanja. Sličan tip automatizacije u nekoj meri primenjen je u 1 izgledu kopita modernih aviona za obuku a koji se pre svega ogleda u primeni integrisanog Elektronskog sistema letnih instrumenata (EFIS – eng. Electronic Flight Instrument System). Ovakav tip aviona za obuku je poznatiji pod nazivom Tehnološki napredni avion (TAAeng. Technically Advanced Airplane) [3]. Razlika koja je očigledna u odnosu na stariji tip instrumentalne table gde je postojalo šest osnovnih instrumenata kružnog oblika („six pack“) ,umesto dva ili tri digitalna ekrana kako izgleda sada, proteže se i izvan samog izgleda. Problem je u tome što niko od proizvođača nove avionske opreme nije prezentovao etiku korišćenja, odnosno osmatranja, digitalnih instrumenata na način kao što je to bilo razrađeno za stariju generaciju. U mnogim studijama, konvencionalna simulirana okruženja visoke i niske vernosti korišćena su kao radna okruženja u eksperimentima sa indikatorima performansi leta i pomeranjem pogleda. Efikasnost simulatora različitih vernosti u obuci je uglavnom procenjena proučavanjem sposobnosti prenosa obuke (Transfer obuke eng. TOTTransfer of Training) iz simulatora u stvarni avion. Međutim, oslanjanje na ljudske sakupljače podataka (Instruktore i Ispitivače) za proučavanje ovog prenosa obuke izazvalo je zabrinutost u vezi sa potencijalnim predrasudama koje mogu uticati na tačnost rezultata. Analizom rezultata i postavki prethodnih studija koje su se bavile tematikom napretka u obuci istraživački tim Vojne akademije je pokušao da otkloni neke nedostatke i uveo kontinuirano digitalno praćenje performansi leta u proceduru evaluacije napretka obuke kako bi se prikupio maksimalni uzorak podataka i na taj način prevazišli pre svega problemi sa malom grupom pilota kao veličinom uzorka. Mogućnost prenosa obuke iz simulatora u stvarni avion zavisi od više faktora a jedan od njih je i vernost simulatora, odnosno mere do koje simulator oponaša stvarni avion. Prema jednoj studiji [4] postoje četiri kvalitativna pokazatelja koji određuju stepen vernosti i to: Vizuelna vernost (vernost prikaza scenarija van kabine aviona); Fizička vernost (vernost prikaza instrumenata i oblika i veličina poluga i prekidača u kabini); Kretna vernost (simulacija sila i momenata kretanja aviona kroz prostor); Kognitivna vernost (mogućnost izvođenja kompleksnih zadataka). Variranjem stepena i odnosa pojedinih pokazatelja vernosti menjaju se uslovi simulacije, odnosno dobija se drugačiji tip simulatora. Poređenjem performansi tokom izvođenja letačkih zadataka na pravom avionu, koje polaznici obuke postižu, može se utvrditi razlika doprinosa obuci različitih tipova simulatora. Praćenje performansi izvođenja letačkih zadataka i napretka u obuci u simuliranom okruženju potrebno je da bi se identifikovali pokazatelji vernosti koji imaju uticaja na takav ishod. Imajući u vidu da sve veću dostupnost trenažera zasnovanih na virtuelnoj tehnologiji i njihovu relativno laku dostupnost postavilo se pitanje da li oni mogu da obogate kurikulume letačke obuke i doprinesu povećanju prenosa znanja. Kako bi ispitao ovu mogućnost istraživački tim Vojne akademije napravio je eksperiment sa izmenjenim uslovima simulacije gde je konvencionalno vizuelno okruženje zamenjeno virtuelnim. Promenjena vizuelna vernost simulatora u kojem su kadeti-piloti leteli zahtevala je da se ispitanici podele u dve grupe. Na kraju studije, završni ispitni let je izveden korišćenjem konvencionalnog uređaja za obuku kako bi se uporedila dostignuća eksperimentalne grupe sa simulatora virtuelne stvarnosti sa onima iz kontrolne grupe. Ovakav tip studije naziva se i kvazi transfer tip studije. Dodatno su prikupljani podaci o pokretima očiju kako bi se proučili efekti strategija osmatranja instrumenata na performanse leta. Za razliku od ranijih studija gde je prikupljanje podataka vršeno od strane instruktora letenja ili ispitivača i koje ima svojih nedostataka kao polaznu osnovu za istraživanja koja je vršio tim Vojne 2 akademije poslužile su neke od studija gde je prikupljanje podataka i kasnija ocena performansi vršena softverskim putem. Zbog velike sličnosti sa istraživanjima na Vojnoj akademiji izdvajaju se dve studije. U svojoj studiji Lawrynczyk [5] je koristila sličan scenario prilikom ispitivanja mogućnosti korišćenja VR za obuku pilota, umesto ili pored tradicionalnih simulatora letenja. Studija koju su radili Oberhauser i kolege [6] poredila je funkcionalnu vernost simulatora letenja virtuelne stvarnosti (VRFS eng. - Vitual Reality Flight Symulator) sa konvencionalnim simulatorom letenja. Ispitivana su vremena reakcije pilota da bi se dosegle kontrole u kokpitu, odstupanje od idealne putanje leta, radno opterećenje i bolest kretanja u simulatoru. Prikupljanje i ocenu performansi softverskim putem primenjivali su još i Ayala i drugi [7], Yang i drugi [8], McGowin i drugi [9], Reweti i drugi [10], Le Ngoc i drugi [11]. U ovom radu biće prikazan način na koji su bili razvijani eksperimenti i organizovano ispitivanje perceptivnih i motornih sposobnosti kadeta pilota u letovima u simuliranom okruženju a koje je kasnije nastavljeno ispitivanjem koncepta digitalne obuke i selekcije pilota. U prvom delu objašnjena je potreba za pouzdanijim prikupljanjem, obradom i prezentacijom podataka o parametrima leta koja se javila tokom istraživanja i mogućnostima slobodnog softvera da reši taj problem. Prezentovani su primeri studija dugih autora i upotreba konkretnih funkcija i paketa za rešavanje zadataka postavljenih u ispitivanjima koja su sprovođena na Vojnoj akademiji. U drugom delu rada prikazan je način na koji se pomoću slobodnog softvera u kombinaciji sa uređajima za praćenje pokreta oka mogu odrediti strategije osmatranja instrumenata i okoline aviona. Primeri strategija koje su detektovane kod ispitanika vizualizovane su pomoću slobodnog softvera i pomogle su da se uparivanjem sa prethodno zabeleženim performansama leta odredi njihova uspešnost. 2 Analiza podataka o parametrima leta dobijenih iz simulatora U ovom poglavlju prikazan je eksperiment koji je sproveden sa kadetima pilotima Vojne akademije u letovima u simulatorima sa različitim vizuelnim okruženjem odnosno različitom vizuelnom vernošću. Suština je bila da uoče eventualne razlike u performansama leta i da se podaci prezentuju na najbolji način. Primer ove i sličnih studija poslužio je da se ispita upotreba slobodnog softvera u ove svrhe. Slika 1 Trenažer aviona Lasta korišćen za potrebe proučavanja Strategije osmatranja instrumenata u digitalnom kokpitu (desno) sa uređajem za snimanje pokreta oka (zaokružen žutom bojom) i kontrolni ekran aplikacije Gazepoint Analysis (levo). Za eksperiment u kojem je vršeno poređenje parametara leta (VA-TT/2/24-26), PC simulator letenja koji su u ranijim istraživanjima (VA-TT/5/13-15 i VA-TT-2/19-21) koristili istraživači sa Vojne akademije i koji je opisan u studiji Vlačić i ostali [12] posebno je nadograđen sa Centurion 270 3 PRO cilindričnim 270° vizuelnim sistemom kompanije Simpit Technologies kako bi se povećala njegova vernost u pogledu vidnog polja. Eksperiment je koristio dodatak za avion Lasta, vojni avion za obuku koji spada u kategoriju tehnološki naprednih aviona zbog svojih integrisanih elektronskih instrumenata (EFIS). Nova hardverska konfiguracija računara komercijalno dostupna tokom eksperimenta omogućila je bolji rad sa više frejmova i sa zakrivljenom projekcijom spoljnog scenarija sa rezolucijom od 3080 puta 1024 piksela. Slika 1 prikazuje trenažer sa podešavanjima iz eksperimenta i uređajem koji snima pokrete očiju u pozadini. Dodatak za softver Microsoft FSX za avion Lasta poboljšan je dodatnim softverom pod nazivom FlyInside FSX firme FlyInside Inc. 2018. To je omogućilo postavljanje modela aviona Lasta u virtuelnu stvarnost uz pomoć seta Oculus Rift Virtual Reality. Softver Flyinside koristi funkcije Microsoft Flight Simulatora i dodaje interfejs VR okruženja. Dinamika leta i karakteristike originalnog softvera ostaju isti. Slika 2 prikazuje spoljašnjost VR simulatora letenja (levo gore), i scenografiju leta i prezentaciju VR simulacije u kokpitu (desno). Slika 2 VR Testiranje trenažera aviona Lasta (levo gore) i izgled virtuelnog kabinskog prostora (desno). VR trenažer korišćen za eksperimentalnu grupu ispitanika za pri proučavanju strategija osmatranja instrumenata. Slika iz mešane realnosti softvera FlyInside FlyInside Inc. 2018 . Na slici broj 3 nalazi se šematski prikaz konstrukcije školskog kruga koji se inače primenjuje u obuci za uvežbavanje poletanja i sletanja na avionu Lasta. Isti ovaj školski krug uvežbavan je od strane ispitanika koji su učestvovali u ispitivanju poređenja performansi leta i strategije osmatranja instrumenata na trenažerima različite vernosti. U studiji [12] korišćen je Modul snimač podataka (FS Recorder) koji je stvorio Matthias Neusinger (2007-2010) da bi se zabeležili podaci o performansama leta sa simulatora. FS Recorder je slobodni softver koji dodaje funkcije snimanja i reprodukovanja letova osnovnom softveru. Ovaj softver je korišćen za snimanje parametara podataka o letu tokom svih letova u konvencionalnom simuliranom okruženju i VR. Može da snima i reprodukuje letove gotovo neograničene dužine. On čuva podatke u sopstvenom ".frc" formatu podataka. Osim toga, korišćen je FS Recorder konverter kreiran od strane Matthias Neusinger (2007-2010) za pretvaranje FS Recorder „.frc“ datoteke u tekstualne datoteke. Nakon konverzije, stvarni podaci o letu se formatiraju u redove i kolone, gde svaki red sadrži jedan skup parametara (u daljem tekstu nazvan uzorak podataka), a svaka kolona 4 Root Mean Square (RMS) Heading Deviation Crosswind (°) Deviation from the heading 032° Root Mean Square (RMS) Instrumental airspeed Deviation Crosswind (Kt) Deviation from the airspeed 95 knots Root Mean Square (RMS) Pitch Deviation Crosswind (°) Deviation from the pitch angle 9°  Root Mean Square (RMS) Heading Deviation Final (°) Deviation from the heading 122° Root Mean Square (RMS) Instrumental airspeed Deviation Crosswind (Kt) Deviation from the airspeed 85 knots Root Mean Square (RMS) Pitch Deviation Crosswind (°) Deviation from the pitch angle -3.5°  DOWNWIND CROSSWIN D FINAL Root Mean Square (RMS) Heading Deviation Downwind (°) Deviation from the heading 302° Root Mean Square (RMS) Instrumental airspeed Deviation Downwind (Kt) Deviation from the airspeed 95 knots Root Mean Square (RMS) Altitude Deviation Downwind (m) Deviation from the altitude of 300m predstavlja određeni parametar. Svaka linija predstavlja jedan uzorak podataka i sastoji se od niza vrednosti razdvojenih razmakom (tabulatori ili razmaci). Ove vrednosti moraju da odgovaraju definicijama kolona (tj, geografska širina, dužina, nadmorska visina, visina, nagib, smer, položaj zakrilaca, instrumentalna vazdušna brzina (IAS – eng. Indicated Airspeed), stvarna vazdušna brzina (TAS – eng. True Airspeed). Najvažnija kolona za sinhronizaciju snimaka praćenja očiju i performansi leta je kolona "vremenska oznaka", koja beleži vremenski broj (sekunde) od početka snimanja za svaki parametar koji čini taj red podataka (tj. geografska širina, dužina, nadmorska visina, visina, nagib). Na taj način, moguće je uporediti događaje u simulaciji sa tajmerom koji broji vreme unutar softvera za praćenje očiju, jer oni počinju da rade gotovo trenutno, odvojeni samo jednim klikom. Slika 3 Prikaz konstrukcije školskog kruga (u horizontalnoj ravni) koji se primenjuje pri uvežbavanju procedure poletanja i sletanja na avionu Lasta i koji je korišćen kao postavka u eksperimentu sa trenažerima različite vernosti u studiji (VA-TT/2/24-26). Oberhauser i drugi [6] su na sličnoj konstrukciji školskog kruga kao što je već prikazan na slici 3, koji je korišćen u istraživanjima tima Vojne akademije, ispitivali pored ostalih elemenata i performanse leta po sličnim segmentima (Crosswind, Downwind, itd. Slika 3). U samom radu [6] autori daju šematski prikaz arhitekture simulatora leta u virtuelnoj realnosti gde se vidi da je za prikupljanje i obradu podataka korišćen mrežni radni okvir slobodnog softvera pod nazivom robotski operativni sistem (ROS - eng. Robot operating system) koji su kreirali Quigley i drugi [13]. Sami autori robotskog operativnog sistema kažu da to nije operativni sistem već predstavlja komunikacioni sloj iznad osnovnog operativnog sistema koji povezuje heterogenu hardversko – softversku strukturu. U suštini je „jezički neutralan“ ali ima u sebi podršku za četiri potpuno različita programska jezika: C++, Python, Octave i LISP. U ovoj studiji [6] našao je svoju primenu obzirom da je pored simulacije scenarija školskog kruga u virtuelnoj realnosti i kabine aviona 5 simulator imao i hardverske komponente (pilotsku palicu i prekidače) koji su se nalazili na mestima gde bi bili i u virtuelnoj realnosti i na taj način su sačinjavali takozvani mešani model. Na osnovu datoteka izveštaja ROS autori su došli do određenih zaključaka koje ovde neće biti predmet razmatranja. Druga studija koju su izveli Sun i kolege [1] je imala za cilj da kvantifikuje neke od pokazatelja novog tipa letačke obuke koja se još naziva i Obuka i procena zasnovana na kompetencijama (CBTAeng. Competency – based Training and Assessment). Suštinski se kompetencija svodi na indikaciju ljudskih performansi koje mogu biti siguran pokazatelj uspešnog izvršenja nekog posla. S obzirom da je ovde reč o kompetencijama za bezbedno i sigurno upravljanje avionom definisano je 7 indikatora kompetentnosti (OB – eng. Observable Behaviors) u početnoj letačkoj obuci. Svi oni su procenjivani na osnovu toga koliko puta su se pojavljivali kod ispitanika i koliko često. Suštinske i osnovne za početnu obuku predstavljaju kompetencije vezane za merenje i ocenu performansi leta aviona kao što su kontrola položaja aviona, kontrola putanje aviona i bezbedno upravljanje po trajektoriji. Podaci iz letačke obuke analizirani su na principu teorije sličnosti krivih i algoritmom za brzo pronalaženje vremenskih serija. Kao scenario za procenu poslužio je nešto drugačiji patent za sletanje nego u prethodnim studijama a predstavlja konstrukciju zalaznog zaokreta u obliku kaplje koji služi za sletanje u instrumentalnim meteorološkim uslovima (Slika 4). Kako autori navode u tekstu rada svi podaci su sakupljeni pomoću Snimača parametara leta na samom avionu (Cesna 172) i sačuvani u digitalnom obliku na memorijskoj kartici. Nakon sletanja je na zemlji vršeno filtriranje podataka da bi se dobili samo parametri koji su bili relevantni za sadržaj istraživanja, kao što su geografska dužina, geografska širina, visina, nagib i instrumentalna brzina. Drugo, na osnovu tačaka kao što su tačka početnog prilaza (IAF -Initial approach Fix ), središnja tačka prilaza (IF – Intermediate Fix) i tačka završnog prilaza (FAFFinal Approach Fix) (Slika 4) i pozicije njihovih geografskih širina i dužina, kao karakteristika konstrukcije kaplje za sletanje dobijeni su podaci za istraživanje. Svi pomenuti procesi predobrade i naknadne analize podataka vršeni su u Python okruženju korišćenjem Visual Studio Code softvera [1]. Način na koji su prikupljeni podaci nije ništa drugo nego zapis parametara leta koji se može zabeležiti i na indikatoru parametara motora kao što je to slučaj sa uređajem MVP-50P koji se koristi u pravom avionu Lasta sa kojeg se mogu izvući sve potrebne norme koje su zabeležene u istoj formi kao na FS rekorderu koji je korišćen za snimanje podataka na simulatoru leta aviona Lasta. Slika 4 Konstrukcija zalaznog zaokreta za sletanje u obliku kaplje koji je analiziran u radu Sun i ostali [1], http://creativecommons.org/licenses/by/4.0/. Na osnovu podataka sa snimača leta, a nakon analize, autori su dobili predstavu kretanja vazduhoplova u horizontalnoj ravni u proceduri sletanja koja izgleda kao na slici 5. Poređenjem ocene odstupanja parametara leta koja je dobijena putem softvera i ocenama koje su instruktori 6 letenja dali učesnicima u samom letu dobijena je korelacija od 0.947 na osnovu čega su autori zaključili da ovakav model može biti korišćen za ocenu performansi leta pilota na obuci. Slika 5 Horizontalna projekcija trajektorije vazduhoplova u proceduri za sletanje iz rada Sun i drugi [1], http://creativecommons.org/licenses/by/4.0/. Kao što je već konstatovano na početku ovog rada u poslednje vreme došlo je do velike ekspanzije i prelaska sa obuke na pravim vazduhoplovima (živa obukaeng. Live training) na obuku na simulatorima a to je posebno karakteristično za vojnu obuku koja je inače skupa i sa sobom nosi velike rizike. Ideja autora softvera „AsaPy“ čije ime predstavlja skraćenicu od naziva Python biblioteka za analizu Aeronautičkih simulacija (A Python Library for Aerospace Simulation Analysis) je bila da analizu gomile podataka koju generišu simulacije i koja može biti opterećujuća i nesavladiva pojednostave i učine ekspeditivnijom. Kao rezultat toga nastala je, AsaPy, prilagođena Python biblioteka, dizajnirana u kontekstu vazduhoplovnih simulacija (Aerospace Simulation Environment) kako bi se pojednostavila i ubrzala analiza podataka sa vojnih simulacionih platformi, odnosno kako bi se podržao proces donošenja odluka [14]. Dijagram toka za testiranje hipoteza korišćenjem AsaPy softvera grupe autora Dantas i drugi [14] data je na slici 6 i može se videti da u sebi uključuje pre svega tehnike za proveru skupa podataka na određivanje normalnosti raspodele i kasnije podešavanje statističke distribucije podataka. Slika 6 Dijagram toka za testiranje hipoteze korišćenjem „AsaPy“ softvera iz rada Dantas i drugi [14]. Slika iza rada dozvoljena za reprodukciju u nekomercijalne svrhe. Kada je reč o predikciji performansi koja se dobija na osnovu proverenih hipoteza autori navode primer navigacijskog leta vojnog lovačkog aviona gde je istraživan međusobni uticaj visine leta, 7 brzine aviona i potrošnje goriva. Cilj je bio da se izdvoje momenti u kojima dolazi do vrhunca potrošnje goriva. Na slici 7 prikazani su rezultati. Slika 7 3D dijagram koji ilustruje međusobni odnos između brzine, visine i potrošnje goriva iz rada Dantas i drugi [14]. Slika iza rada dozvoljena za reprodukciju u nekomercijalne svrhe. Iz prethodno prezentovanih studija može se videti da je sem izuzetka ROS softvera koji je korišćen u Radu Oberhauser i ostali [6] korišćenje slobodnog softvera uglavnom svedeno na funkciju za obradu podataka, a to je proces koji može da se poistoveti sa statističkom analizom koja se može uraditi i u R programskom jeziku. Mnogi autori koriste R okruženje za statističku analizu i prezentaciju podataka obzirom da je R okruženje pogodno za razvoj brojnih alatki za analizu simulaciju i prognozu [15]. Da bi uneli što više „pilotskog“ razmišljanja i poistovetili proces izdvajanja bitnih podataka o parametrima leta u određenim segmentima leta u studiji o analiza parametara leta i pokreta oka u izmenjenim uslovima simulacije koja je sprovedena na Vojnoj akademiji, napravljena je u R programskom jeziku funkcija „Proračun“. Napravljena je za izdvajanje i analizu podataka o performansama leta po segmentima školskog kruga, odnosno u nju je već unapred ubačen deo pilotskog znanja i iskustva. Jedan deo znanja potiče od toga da je način na koji se ocenjuju performanse leta u školskom krugu, to jest koji se parametri tačno posmatraju kod učenika, izdvojen iz niza drugih parametara. Drugi deo znanja potiče od toga da je veličina normi koje se ocenjuju i porede zadata prema zvaničnim metodičkim priručnicima koji služe kao vodiči u obuci i koji su napisani iz iskustva iz niza letova koji su tome prethodili. Odnosno, veoma bitna stvar koja je primenjena u ovoj studiji je broj letova koji se daju za uvežbavanje kao norma koja je definisana metodičkim priručnicima i predstavljaju niz znanja koja se prenose i uvežbavaju iz leta u let. Svaki let uvežbavanja po vežbi školskih krugova sadrži šest školskih krugova, odnosno šest poletanja i sletanja. Nakon što se csv. datoteka za jednog od ispitanika uveze u R okruženje, za početak, bitno je izdvojiti vremenski okvir u kojem se svaki pojedinačni školski krug odvija. To se postiže filtriranjem na osnovu promenljive koja sadrži vrednost 0 ako je avion u vazduhu ili 1 ako je avion na zemlji. Pošto je avion u ovom slučaju kratko vremena na zemlji pogodnije je da se filtrira na osnovu vrednosti 1. Dobijene krajnje vrednosti kolone vremenska oznaka, između kojih postoji prekinuti vremenski niz predstavljaju početak odnosno kraj jednog školskog kruga. Funkcija filtrira ovu promenljivu i upisuje delove originalne tabele u tabelu „Vremena“ koja ima poseban dodatak imenu za svakog ispitanika i za svaki njegov let. Ispod je dat primer za ispitanika broj pet i za njegov let broj 2. Vremena_Ispitanik5_test2<- mydata %>% filter(onground==1) 8 Nakon toga se za date vremenske okvire u kojima se odvijaju školski krugovi na osnovu filtriranja po više zadatih kriterijuma dolazi se do određenih segmenata školskog kruga, kao što je prikazano na primeru ispod, koji predstavlja poslednji korak filtriranja za segment završnog prilaženja (final) koji se može videti na slici 3. final16<- mydata %>% filter(between(timestamp,f,g)) Ovde je posebno pogodna upotreba Pipe operatora „%>%“ koji je u stvari deo paketa „dplyr“ [16] i pomoću kojeg se gotov proizvod jedne funkcije može koristiti kao argument naredne pa je tako moguće na koncizan način povezati više operacija u jednu. Na kraju se za svaki od segmenata školskog kruga odnosno za svaki parametar leta koji je bitan mogu se odrediti odstupanja od potrebne vrednosti. Na primeru ispod prikazano je kako se računa srednje kvadratno odstupanje kursa leta od zadane vrednosti 122° u završnom prilaženju (segment „Final“ na slici 3.) else{ if(l=="final"){ p6<- abs(fww$heading-122) #daje promenljivoj vrednost u odnosu na zadani kurs# prenos6<- data.frame(p6) rms_final_head<- sqrt(mean(prenos6$p6^2)) Zapis_final$head_sixth_circle<<- prenos6$p6 Zapis_final$alt[6]<<- fww$altitude[1] Zapis_final$hdg[6]<<- fww$heading[1] Zapis_final$rms[6]<<- rms_final_head print("rms_final_head") print(rms_final_head) Kako bi se prikazala putanja leta po školskom krugu moguće je analizirati podatke po svim tačkama putanju leta u okviru zadatog vremenskog okvira i po geografskim koordinatama pomoću paketa „ggplot“ [17] prikazati na 2d grafikonu (Slika 8 desno) ili u 3d prikazu sa vrednostima visine (Slika 8 levo) pomoću niza naredbi ispod. Slika 8 2D prikaz putanje leta po školskom krugu aviona Lasta u geografskom koordinatnom sistemu (desno) 3 D prikaz putanje leta po školksom krugu aviona Lasta u geografskom koordinatnom sistemu sa prikazom visine (levo). Izvor: Aleksandar Knežević. ggplot(mydata, aes(x=longitude, y=latitude))+ coord_quickmap()+ geom_point() 9 Principles and Practice of Aviation Psychology, CRC Press, 2003, pp. 435-471. [5] A. Lawrynczyk, Exploring virtual reality flight training as a viable alternative to traditional simulator flight training, Ottava, Ontario, 2018. [6] M. Oberhauser, D. Dreyer, R. Braunstingl и I. Koglbauer, „What’s Real About Virtual Reality Flight Simulation? Comparing the Fidelity of a Virtual Reality With a Conventional Flight Simulation Environment,“ Aviation Psychology and Applied Human Factors, т. 8, бр. 1, pp. 22-34, 2018. [7] N. Ayala, A. Zafar, S. Kearns, E. Irving, S. Cao и E. Niechwiej-Szwedo, „The effects of task difficulty on gaze behavior during landing with visual flight rules in low-time pilots,“ Journal of Eye Movement Research, т. 16, бр. 1, 2023. [8] J. Yang, Z. Qu, Z. Song, Y. Qian, X. Chen и X. Li, „Initial Student Attention-Allocation and Flight-Performance Improvements Based on Eye-Movement Data,“ Applied Science, 2023. [9] G. McGowin, Z. Xi, B. O. Newton, G. Sukthankar, S. M. Fiore и K. Oden, „Examining Enhanced Learning Diagnostics in Virtual Reality Flight Trainers,“ у Proceedings of the 2020 HFES 64th International Annual Meeting, 2020. [10] S. Reweti, A. Gilbey и L. Jeffrey, „Efficacy of low-cost pc-based aviation training devices,“ Journal of Information Technology Education: Research, т. 16, pp. 127-142, 2017. [11] L. Le Ngoc и R. S. Kalawsky, „Visual Circuit Flying with Augmented Head-tracking on Limited Field of View Flight Training Devices,“ у AIAA Modeling and Simulation Technologies (MST) Conference, Boston, 2013. [12] S. Vlacic, A. Knezevic, S. Mandal, S. Rodjenkov и S. Vitsas, „Improving the pilot selection process by using eye-tracking tools,“ Journal of Eye Movement Research, т. 12, бр. 3, 2020. [13] M. Quigley, K. Conley, P. B. Gerkey, J. Faust, T. Foote, J. Leibs, E. Berger, R. Wheeler и A. Ng, „ROS: an open-source Robot Operating Szstem,“ у ICRA Workshop on Open Source Software, KObe, Japan, 2009. [14] J. P. A. Dantas, S. R. Silva, V. C. F. Gomes, A. N. Costa, A. R. Samersla, D. Geraldo, M. R. O. A. Maximo и T. Yoneyama, „AsaPy: A Python Library for Aerospace Simulation Analysis,“ у SIGSIM-PADS '24: Proceedings of the 38th ACM SIGSIM Conference on Principles of Advanced Discrete Simulation, Atlanata GA, USA, 2024. [15] S. Krstonijevic, „General Additive Model for Electricity Load Prediction in R,“ у PSSOH Proceedings 2020, Belgrade, 2020. [16] H. Wickham, R. François, L. Henry, K. Müller и D. Vaughan, dplyr: A Grammar of Data Manipulation, 2023. [17] H. Wickham, ggplo2: Elegant Graphics for Data Analysis, New York: Springer-Verlag, 2016. [18] G. Ziv, „Gaze Behavior and Visual Attention: A Review of Eye Tracking Studies in Aviation,“ Journal of Aviation Psychology, т. 26, бр. 3-4, pp. 75-104, 2016. [19] W. Lijing, L. Hongpeng, D. Dayong и S. Xiuly, „Relationship between the technical skills and eye-movement indicator of pilots,“ у Preceedings of the 19th Triennial Congress of the IEA, 16 Melbourne, 2015. [20] S. Mandal и Z. Kang, „Using Eye Movement Data Visualization to Enhance Training of Air Traffic Controllers: A Dynamic Network Approach,“ Journal of Eye Movement Approach, т. 11, бр. 4, pp. 1-20, 2018. [21] S. Mandal, Z. Kang и A. Millan, „Data Visualiyation of Complex Eye Movements Using Directed Weighted Networks: A Case Study on a Multi-Element Target Tracking Task,“ у Proceedings of the Human Factors and Ergonomics Society 2016 Annual Meeting, Washington DC, 2016. [22] G. Csardi и T. Nepusz, „The Igraph Software Package for Complex Network Research,“ InterJournal, p. 1695, 2005. 17