Современная авиационная отрасль характеризуется стремительным ростом интенсивности воздушного движения, оптимизаций структуры воздушного пространства и ужесточением требований к безопасности полетов. Данные параметры играют ключевую роль при работе диспетчера управления воздушным движением (УВД). От профессионализма диспетчера зависят жизни тысяч пассажиров ежедневно, поэтому качество подготовки диспетчера – это основа существования авиации.

Традиционные методы обучения, основанные на стандартных тренажерных сценариях, которые разрабатывают инструкторы самостоятельно, обладают рядом недостатков:

Введение адаптивных сценариев с применением динамической сложности позволит решить данные проблемы за счет следующих преимуществ:

Таким образом, можно сделать вывод, что разработка алгоритма генерации адаптивных сценариев является актуальной научно-практической задачей.

Стоит отметить, что в различных областях исследовалась проблема адаптивного обучения. Например, в авиационной психологии возможность адаптивного обучения летного персонала изучалась многими научными деятелями, в частности Д.А. Евстигнеевым [1]. Также, например, вопросы адаптивного обучения детей и школьников поднимал Лев Выготский еще в XX веке. Система Выготского описана в книге С.Г. Касвинова [2]. Однако в области подготовки диспетчеров данное направление практически не изучено. На тренажерах для диспетчеров используются фиксированные сценарии для подготовки, разработанные ответственными инструкторами. Существующие международные документы1 носят рекомендательный характер и не описывают конкретных алгоритмов, а в России подобные технологии и вовсе не применяются, что подтверждает необходимость дальнейшего изучения данной области.

Итак, целью настоящего исследования является разработка алгоритма создания адаптивных сценариев на тренажере, которые обеспечат персонализированное обучение диспетчера за счет динамической сложности.

Основными задачами являются следующие:

Результаты настоящей работы могут быть применены в учебных центрах подготовки диспетчеров, при модернизации тренажерных систем путем интеграции, а также для разработки нормативной документации по использованию адаптивных технологий при подготовке диспетчеров.

Исследование направлено на решение актуальной проблемы – оптимизации подготовки диспетчеров путем внедрения адаптивных технологий и сочетает теоретическую глубину и практическую значимость для развития авиационной отрасли в целом.

Современные требования к подготовке диспетчеров обязательно регламентируются. Например, требования к компетенциям, когнитивным и коммуникативным навыкам описаны в документах ИКАО2. В данном документе описаны следующие требования:

Несомненно, современный диспетчер должен обладать техническими навыками (работа с автоматизированными системами УВД); когнитивными способностями (распределение внимания и скорость реакции) и определенными психологическими качествами (работа в команде и стрессоустойчивость).

Увеличение количества часов тренажерной подготовки – это качественная мера, но она не станет достаточно эффективной. Современные требования диктуют необходимость комплексной и качественной подготовки диспетчеров. Так, обязательная стресс-подготовка и тренировка когнитивной гибкости описаны в документе Евроконтроля3.

Стоит отметить, что метод Выготского можно применить не только по отношению к детям и подросткам. Изложенная здесь [2] концепция зоны ближнего развития может быть столпом обучения диспетчера УВД. Метод описывает, что ребенок может сделать самостоятельно, а что – с помощью взрослого, соответственно, диспетчер может справиться с определенной задачей самостоятельно, а с какой-то с помощью автоматизированной системы. Итак, задачи, которые ставятся перед диспетчером, должны быть выполняемы, однако для обучения и прогресса необходимо, чтобы каждая последующая задача была сложнее текущего уровня, но эта задача может быть выполнена диспетчером с поддержкой. Такой принцип и должен ложиться в основу предлагаемого алгоритма в качестве динамической сложности.

Кроме того, необходимо учитывать когнитивные аспекты профессиональной деятельности диспетчера. Процесс обучения обязан быть эффективным, поэтому необходимо избегать перегрузок. Предложенная Джоном Свеллером теория когнитивной нагрузки [3] утверждает, что рабочая память человека имеет ограниченную емкость, следовательно, чтобы максимизировать усвоение материала, необходимо соблюдать баланс между внутренней нагрузкой (сложностью материала или задачи) и внешней нагрузкой (форма подачи материала) с учетом индивидуальных способностей конкретного человека, в данном случае диспетчера. Эта теория может быть применена к диспетчерам для улучшения качества подготовки. Также о процессах обучения мозга и избегании перегрузок писала Елена Сосновцева [4].

Подводя итог, можно сказать, что эффективное обучение и тренировка диспетчера УВД требует индивидуализации и адаптации под когнитивные возможности конкретного человека. Постепенное усложнение сценариев (от низкой интенсивности воздушного движения до высокой, с добавлением отказов и сложных метеорологических условий), выдача обратной связи (корректировка ошибок в процессе разбора совершенных действий) и имитация реальных условий (помехи радиосвязи или любые стресс-факторы) – все это представляет собой уникальный метод достижения качественной подготовки персонала к профессиональной деятельности.

Для тренажеров в целом можно выделить следующие недостатки:

Несмотря на ограничения современных диспетчерских тренажеров, их недостаточную гибкость, можно с уверенностью сказать, что внедрение адаптивных сценариев на основе динамической сложности обосновано и практически значимо.

Чтобы изложить метод создания адаптивных сценариев на основе динамической сложности, необходимо обозначить ключевые аспекты, на основе которых будет выстроена предлагаемая методика.

Итак, для начала необходимо ввести определение динамической сложности. Динамическая сложность – это автоматическая корректировка параметров упражнения на основе частоты ошибок, времени реакции и текущего уровня стресса.

Стоит отметить, что адаптивные технологии уже применяются для обучения специалистов в других областях. Так, для пилотов существуют тренажеры ALSIM ALX4, где применяются адаптивные системы. В медицине существуют VR-тренажеры для хирургов также с использованием адаптивных технологий, в частности Osso VR5. Подобные алгоритмы применяются в игровых обучающих симуляторах, например в MFS20246. Отсюда напрашивается вывод, что адаптивные технологии успешно применяются в других областях, в профессиях, представители которых наряду с диспетчером УВД несут колоссальную ответственность (пилоты и хирурги в приведенном примере), а также должны быть хорошо подготовлены, чтобы принимать точные, быстрые и подходящие решения в любой, даже самой стрессовой ситуации. Однако теперь необходимо такую технологию применить для подготовки именно диспетчеров УВД.

Перейдем непосредственно к описанию алгоритма составления адаптивных сценариев с применением динамической сложности. Концептуальная модель и архитектура тренажера с такой системой представлена на рис. 1.

На рис. 1 выделены именно те компоненты тренажера УВД, которые предлагается усовершенствовать (генератор сценариев) и внедрить (модуль обратной связи и подсистема динамической адаптации) по сравнению с существующими тренажерными системами.

Итак, для начала необходимо понять, как система будет генерировать любой сценарий для тренировки. Для начала она будет брать реальные воздушные суда, которые пролетели через тот или иной сектор, для которого создается упражнение, либо будет генерировать синтетические путем компоновки данных из базы данных, которая будет содержать различные позывные воздушных судов, различные маршруты, которые используются в секторе, эшелоны полета и типы воздушных судов. В целом процесс компоновки параметров воздушного судна () можно представить в виде следующей функции:

, (1)

где  – идентификатор воздушного судна (позывной, сквок), t – время появления воздушного судна,  – тип воздушного судна,  – смоделированная отметка от ВС в момент времени t, которую в свою очередь можно представить в виде матрицы

, (2)

где , ,  – координаты появления воздушного судна,  – текущая скорость воздушного судна (путевая в километрах в час для перемещения отметки на индикаторе воздушной обстановки и приборная в узлах или числе Маха для регулирования ВС, диспетчер видит на индикаторе только путевую скорость),  – курс воздушного судна, который далее коррелируется с маршрутом.

Конкретное воздушное судно после генерации отметки будет выглядеть следующим образом:

или

.

Основываясь на базе воздушных судов, базе маршрутов, базе погодных условий, базе особых случаев, система формирует сценарий (). Данный процесс можно описать следующей функцией:

, (3)

где  – сложность сценария (),  – количество воздушных судов в упражнении (),  – параметр погодных условий,  – параметр нештатных ситуаций,  – продолжительность упражнения ().

Параметр подразумевает количество конфликтов, которое предложит решить система диспетчеру, причем под числами от 1 до 10 будет зашифровано количество конфликтов в качестве нечеткого множества [5], где 1 – «очень легко», 4–6 конфликтов, а 10 – «невозможно», 22–25 конфликтов.

Параметр может варьироваться, но не может быть меньше или больше определенного значения в зависимости от выбранной сложности сценария, например, при выборе уровня сложности «10» количество воздушных судов не может быть меньше 35.

Параметр бинарный, это значит, что метеорологические условия влияют или не влияют на полеты, однако если влияют, то имеется возможность инструктору выбрать конкретное метеорологическое условие, например турбулентность, грозовую деятельность и прочие, причем один диспетчер в течение обучения обязан отработать все метеорологические условия. Система будет подсказывать, основываясь на предыдущих тренажерных сессиях, какие метеорологические условия этот диспетчер еще не отрабатывал.

Параметр аналогичен предыдущему параметру и также является бинарным. Это значит, что особый случай либо присутствует, либо отсутствует в упражнении, однако если присутствует, то имеется возможность инструктору выбрать конкретный особый случай, например отказ двигателя, потеря статуса RVSM и подобные, причем один диспетчер в течение обучения обязан отработать все особые случаи. Система будет подсказывать, основываясь на предыдущих тренажерных сессиях, какие особые случаи этот диспетчер еще не отрабатывал.

Параметр зависит от необходимости данного упражнения: так, оптимальная длительность тренировочного упражнения от 30 до 45 мин в зависимости от задачи, поскольку при концентрации на сложной задаче внимание падает через 45 мин. Данное число подтверждает норма СанПиН7, поэтому предлагаемая длительность и является оптимальной. Если упражнение делается на проверку согласно российскому законодательству8, то оно должно длиться 2 ч, однако предлагается сделать упражнения на проверку продолжительностью 1 ч, поскольку концентрация внимания падает и интенсивное выполнение задания после 1 ч сложной работы дается диспетчеру с трудом. В работе диспетчера, да и в любой работе, от которой зависят человеческие жизни, важны внимание и концентрация [6][7].

На основании пяти параметров из всего множества различных сценариев система формирует дискретное пространство тех, которые будут использоваться. Большой диапазон значений обеспечивает огромное количество вариаций [8], в связи с этим вероятность повторения сценария для одного и того же диспетчера исключена.

Итак, сценарий создан, он уже является адаптивным, однако благодаря модулю компетенций система сможет повысить его адаптивность путем определения сложности упражнения и количества воздушных судов исходя из оценки конкретного диспетчера.

Качественная работа предлагаемого алгоритма заключается в цикличном процессе. Непрерывный мониторинг параметров диспетчера, количественная оценка принятия решений диспетчером – два этих параметра позволят производить адаптацию сценариев с повторной тренировкой. Возможно представить данный алгоритм в нескольких вариантах.

Итак, первое представление будет аналитическое. В виде функции данный алгоритм имеет следующий вид:

, (4)

где  – адаптивный сценарий,  – функция адаптации текущего сценария,  – точность команд в текущем сценарии,  – физиологические параметры диспетчера в течение тренировки на текущем сценарии,  – нагрузка на диспетчера в текущем сценарии.

Также возможно и второе представление алгоритма в виде блок-схемы [9][10]. Она изображена на рис. 2.

Для качественной адаптации упражнения на тренажере под конкретного диспетчера система должна оценивать несколько параметров.

1. Точность принимаемых решений (A) [11][12] – способность диспетчера выдавать корректные команды в различных ситуациях. Данный параметр рассчитывается по следующей формуле:

(5)

где  – количество правильно принятых решений,  – общее количество решений.

Критерии оценки приведены в табл. 1.

2. Время реакции () [13][14] – время от момента возникновения ситуации до момента принятия диспетчером решения. На каждый сценарий предусмотрено свое нормальное время реакции в зависимости от его сложности. Оно рассчитывается по следующей формуле:

(6)

где N – количество воздушных судов в сценарии, W – количество погодных условий в сценарии, SF – количество отказов системы в сценарии, EM – количество особых случаев в сценарии.

Критерии оценки приведены в табл. 2.

3. Частота ошибок (ER) – количество совершаемых диспетчером ошибок за определенный промежуток времени. Данный параметр рассчитывается по следующей формуле:

(7)

где  – количество допущенных нарушений норм эшелонирования;

T – продолжительность упражнения.

Целевой показатель для любого диспетчера – это работа без ошибок. Критерии оценки данного параметра приведены в табл. 3.

4. Физиологические показатели (HRV) [15] – вариабельность сердечного ритма, которая отражает уровень стресса диспетчера. Вариабельность сердечного ритма – это показатель колебаний между сокращениями. Критерии оценки данного параметра представлены в табл. 4.

Представленные в табл. 1–4 адаптивные действия системы имеют строгий алгоритм. То есть в случае увеличения сложности система будет предпринимать одно из следующих действий: увеличение количества воздушных судов либо добавление фактора нагрузки, например погодные условия или особый случай. В случае же уменьшения сложности – одно из следующих действий: ограничение количества воздушных судов, которые собираются войти в сектор, упрощение погодных условий либо создание релаксационной паузы, то есть формирование дальнейшего потока таким образом, чтобы у диспетчера была возможность отдохнуть (активный отдых [16]) в процессе упражнения.

Проведенное исследование подтвердило высокую эффективность разработанного алгоритма адаптивных сценариев с динамической сложностью для тренажерной подготовки диспетчеров. Основным достижением работы стало создание комплексной системы, способной в реальном времени анализировать текущий уровень подготовки специалиста, его психофизиологическое состояние и на этой основе генерировать персонализированные тренировочные задания. Важнейшим преимуществом системы является ее способность автоматически поддерживать оптимальный уровень когнитивной нагрузки, что особенно ценно в условиях интенсивной работы авиадиспетчеров. Динамическая адаптация сложности упражнений предотвращает как перегрузку, так и недостаточную нагрузку, обеспечивая плавное и последовательное развитие профессиональных навыков. Гибкий алгоритм комбинирования сценария позволяет создавать практически неограниченное количество вариантов упражнений, что исключает эффект «заучивания» и поддерживает высокий уровень вовлеченности обучающихся. При этом система сохраняет возможность ручной корректировки со стороны инструктора, сочетая таким образом преимущества автоматизации и профессионального контроля. Полученные результаты открывают новые перспективы для совершенствования системы подготовки диспетчеров. Внедрение предложенных решений в учебные центры позволит не только повысить качество подготовки специалистов, но и оптимизировать ресурсы, выделяемые на обучение. Дальнейшее развитие проекта предполагает расширение функциональности за счет интеграции технологий виртуальной и дополненной реальности, что сделает тренировки еще более реалистичными и эффективными.

1. Doc 9868: Procedures for air navigation service-Training. 3rd ed. // ICAO, 2020. 152 p.2. Doc 10056: Manual of air traffic controller competency-based training and assessment. 2nd ed. // ICAO, 2022. 451 p.3. Eurocontrol safety regulation requirement (ESSAR 6). Software in ATM functional systems. 2nd ed. // ICAO, 2010. 20 p.4. ALSIM. Flight training solutions [Электронный ресурс] // alsim. URL: https://www.alsim.com (дата обращения: 18.10.2025).5. OSSO VR [Электронный ресурс] // Ossovr. URL: https://www.ossovr.com (дата обращения: 18.10.2025).6. Microsoft Flight Simulator 2024. [Электронный ресурс] // flightsimulator. URL: https://www.flightsimulator.com (дата обращения: 18.10.2025).7. Постановление Главного государственного санитарного врача РФ № 2 от 28 января 2021 г. Об утверждении санитарных правил и норм СанПиН 1.2.3685-21 «Гигиенические нормативы и требования к обеспечению безопасности и (или) безвредности для человека факторов среды обитания» [Электронный ресурс] // ГАРАНТ. URL: https://base.garant.ru/400274954/ (дата обращения: 18.10.2025).8. Приказ Минтранса РФ № 93 от 14 апреля 2010 г. «Об утверждении Порядка функционирования непрерывной системы профессиональной подготовки, включая вопросы освидетельствования, стажировки, порядка допуска к работе, периодичности повышения квалификации руководящего и диспетчерского персонала» [Электронный ресурс] // ГАРАНТ. URL: https://base.garant.ru/199197/ (дата обращения: 18.10.2025).