注意是无人机操作员执行任务时的核心资源，影响着决策和操作的准确性。无人机操作员注意相关心理品质在态势感知(Situation Awareness, SA)研究中得到重视，SA是指在复杂环境中对关键信息的感知、理解和预测的心理过程( Endsley, 1988a )，对无人机的安全和有效操作至关重要。无人机系统在执行任务时，操作员需要在动态的任务环境中处理大量的传感器信息、数据链路信息，理解任务态势从而做出正确的决策。因此，操作员如何保持良好的SA水平，是无人机系统整体效能提升的关键。

国外对SA的研究始于1988年，为了有效评估飞行员的SA水平，研究者开发了一系列方法。其中，SAGAT (Situation-Awareness Global Assessment Technique)是通过客观题问卷对飞行人员在执行任务过程中的SA水平进行评估( Endsley, 1988b )。而SART (Situation Awareness Rating Technique)是对注意资源的需求、供应和对SA的综合理解的主观评价技术( Taylor, 2017 )。尽管这些方法在评估SA方面取得了一定的成果，但它们也存在一定的局限性，如实验干扰和主观性等问题。近年来，基于绩效和生理指标的间接方法受到了广泛关注。2005年Wickens等人从注意力分配的角度提出A-SA模型，探究了人从获取信息到进行SA的整个过程，解释了注意力和SA水平间的关联，并根据飞行员的实验进行了验证( Taylor, 2017 )。

虽然飞行员SA领域研究丰富，但针对无人机操作员SA的研究仍有限，多数为理论和定性研究。1998年，Barnes和Matz通过无人机仿真实验证实SA水平缺失与无人机事故有关( Barnes et al., 1998 )。2001年，Mouloua等人探讨了SA、认知负荷及团队对军用无人机任务的影响( Mouloua et al., 2001 )。2013年，Frische等人开发了SA-Tracer工具，专门评估无人机群操作员的SA水平。它通过正式模型和行为分析提供准确评估，提升操作员态势感知，优化任务执行( Frische & Lüdtke, 2013 )。2021年，Igonin等人提出SA编队对无人机行为控制至关重要，它通过分析预测环境物体行为和处理视觉信息，为无人机在复杂环境中实现智能决策和精确控制提供关键支持( Igonin et al., 2021 )。2023年Hai等人针对无人机群系统的分布式SA一致性挑战，提出创新解决方案，包括优化分布式共识模型、双环决策框架和协调算法，并通过仿真验证其有效性和优越性，为无人机群决策提供新途径( Hai et al., 2023 )。

尽管国内对飞行员和无人机操作员的SA研究起步相对较晚，但近年来已积累了一定的研究成果。2008年，中国科学院心理所张侃、中国民航大学杨家忠等人以评价飞行员认知负荷和SA水平为目的，结合主、客观实验测量方法，深入开展了雷达控制模拟任务中的SA研究( 杨家忠等，2008 )。2013年，中国民航大学倪萌等人以眼动数据揭示眼动与SA内在联系的方式，并对空中交通管制员的SA相关理论和方法进行了深入探讨( 王琛玮，倪萌，2013 )。2014年，Shuang等人结合人的认知特性和贝叶斯条件概率理论，在Hooey模型的基础上，提出了基于注意资源分配的SA模型，为SA提供了量化评估和求解的新方法( Shuang et al., 2014 )。同年，薛书骐提出了基于模糊认知图和条件概率的SA建模方法，通过模糊熵和正向云模型的参数化方法，构建了SA模型并进行了验证，为操作员的训练标准、界面设计以及减少人为失误提供了理论支持( 薛书骐等，2014 )。西北工业大学航天学院易华辉等人通过无人机仿真器的数据收集与问卷调查相结合的方式，深入研究了无人机操作员的SA水平和主观SA分级( 易华辉等，2007 )。2017年，国防科技大学的牛轶峰等人提出了一种以传感器采集的生理数据为基础，结合人工神经网络评估无人机操作员SA实时状态的方法( 牛轶峰等，2017 )。2019年，北京邮电大学的曹国熙等人创新性地将贝叶斯网络和梯度提升树算法应用于SA评估领域，建立了基于这两种算法的无人机操作员SA水平分析评估方法( 曹国熙，2019 )。

Broadbent认为注意力系统像一个过滤器，从大量感觉信息中选择并集中于某些信息，忽略其他不相关的信息，而Kahneman指出注意力是一种有限的资源，需要合理分配以应对多任务环境中的各种挑战，复杂任务需要更多的注意力资源，而简单任务则较少( Broadbent, 2013 ; Kahneman, 1973 )。无人机操作员在复杂的多任务环境中，需高效整合来自视觉监控、听觉指令及环境噪声等多源信息，并根据任务的核心需求，精准聚焦关键信息，同时巧妙排除无关信息的干扰。在执行飞行监控、指令处理及导航调整等任务时，操作员必须合理分配有限的注意力资源，要优先处理对任务完成至关重要的信息，以最大化任务执行的准确性和效率。注意力的相关理论能够为操作员提供指导，帮助他们提升注意力管理能力，并优化资源分配策略，从而显著增强其任务表现，确保飞行过程的安全与稳定。

Wickens认为人类的认知资源是多维度的，分布在不同的感知和认知通道中，并提出了四维模型，用于解释多任务环境下的任务干扰和资源分配，强调在不同任务中使用不同认知资源时，时间分配效率会更高( Wickens, 2008 ; Wickens et al., 2021 )。多任务处理能力对于无人机操作员来说尤为重要，无人机操作员在飞行控制、信息处理与判断决策时，需要在视觉、听觉和运动控制等多种任务之间进行切换，使用不同的认知资源完成不同的任务，可以显著提高无人机操作员时间分配效率，减少任务干扰和认知负荷。2021年，Richards等人使用近红外光谱技术监测无人机操作员的脑活动，发现随着熟练度的提高，任务执行效率会增加、前额叶皮层的脑活动会减少，揭示了在不同任务条件下无人机操作员的心理负荷和警觉性，表明其需要有效管理认知资源以保持高效绩效( Richards et al., 2017 )。

高唤醒水平的情绪状态(如焦虑、兴奋)会导致注意力范围的缩窄，即集中注意力于与情绪相关的少数信息，而忽略其他外围信息，这种现象被称为“注意隧道效应”( Easterbrook, 1959 )。2005年，Beal等人通过理论分析和文献回顾提出了情感对绩效影响的过程模型，发现情感状态通过影响注意力分配进而影响绩效，不同情感调节策略对认知资源和调节资源有不同影响( Beal et al., 2005 )。2019年，Drigas等人通过理论分析和文献回顾构建了底层和顶层注意力模型，强调了自上而下和自下而上因素的互动，指出情绪作为强大的顶层因素显著影响注意力分配( Drigas & Karyotaki, 2019 )。2018年，Chappelle等人对74名RPA操作员进行了半结构化访谈分析其情感反应及关联因素发现，尽管RPA操作员地理上远离战场，但在任务过程中和之后仍会经历复杂的情感反应，感受到情感参与( Chappelle et al., 2018 )。

无人机操作员与无人机不在同一空间中，无需与无人机一同执行高难度动作，也无需面对身体的挑战，这使得他们能够专注于操作和任务执行。但无人机操作员所处的环境是“感觉隔离”，没有物理、生物等反馈信息，只能通过各种仪器数据判断( 童小明，2014 )。而且无人机需要对地面目标进行长时间持续监视，最长任务执行时间可达十几小时( 王鹤等，2020 )。地面站长时间监视操控和实时注意大量数据，内容单调枯燥，极易使无人机操作员产生疲劳倦怠感，增加操作失误和事故发生的概率，这对操作人员的长时间注意能力提出很高要求。

在执行任务时，操作员不仅需要面对多项参数监控的压力，更要判断无人机战场环境情况。当无人机遭受敌方攻击时，无人机操作员通过精准的注意力分配来降低潜在风险，对于确保任务继续执行至关重要，典型的事件有2011年美国RQ-170哨兵无人机被伊朗通过电子战技术成功俘获( 丁达理等，2020 )。无人机操纵员可以操纵一架或多架无人机，单靠一人甚至完成多轮次、高强度、大编队作战，而这些对只能驾驶一架飞行器的飞行员来说，是不可能达到的( 张煌等，2015 )。这些都说明了，无人机操作员要具备优秀的注意力分配能力，能够迅速而准确地处理多个信息源，并在必要时做出快速决策。

无人机操作员主要通过监视器执行任务，虽然远离战场，但无人机操作员所承受的压力却不容小视( 王辰等，2020 )，强烈精神冲击的事件容易使操作员产生负面情绪，进而影响他们的注意和决策能力，这凸显了操作员在应对突发事件时能力的短板。当无人机对目标实施攻击时，惨叫、流血和死亡的场景会在操作员的脑海中不断地勾勒，而这一切都是由于自身的原因造成的，这种精神上受到的冲击，无论在多么舒适的工作环境下都无法抵消( 张驰，董磊，2020 )。我们需要关注无人机操作员的能力培养，提高他们的抗干扰能力、应对突发事件能力以及心理抗压能力，在关键时刻才能确保他们决策得当、任务完成。

正念训练是将注意力集中在目前的感受、情绪和其他觉察状态上的一种有意识的非判断的心理调节方法，可以使个体的注意力层次得到激活和强化，其心理状态和应对挑战的能力( Kabat-Zinn, 2003 ; Mitchell et al., 2015 )。2015年，Jha等人将80名美国陆军现役男性志愿者随机分配到两种不同的正念训练组和一个空白对照组进行实验，发现正念训练在高需求的军事训练期间对注意力表现有显著的保护作用，同时正念训练的内容和方法不同产生的效果也有区别( Jha et al., 2015 )。2017年，Rice等人对40名美国现役军人和退伍军人进行正念水平与持续注意力研究发现，正念水平较高的人员在持续注意力中的表现更好，他们不仅任务错误率较低，反应时间的变异性较小( Rice & Liu 2017 )。2023年，Roemer等人对24名新西兰皇家海军新招募的初级军官进行为期8周的正念注意力训练(MBAT)发现，MBAT可以在高强度训练条件下保护他们的注意力表现不下降，这表明MBAT可以作为一种有效的干预手段，帮助军人保持高水平的注意力表现( Roemer et al., 2023 )。对于无人机操作员而言，正念训练能够有效其提高注意力和专注力、增强情绪调节能力、减少心理压力和焦虑，并通过培养其对情绪的觉察和非评判性接纳的能力，帮助操作员更好地管理情绪，维持冷静和理智的操作状态，提高操作效率和飞行安全性，在复杂多变的任务环境中做出正确决策。

执行功能是指个体对自身的意识及行动的有意识调控过程，是确保个体灵活地完成特定目标的高级控制机制，注意和抑制是其核心要素( 周艳，2022 )。执行功能对无人机操作员至关重要，工作记忆帮助操作员处理多任务提升决策质量、抑制控制能力减少高压环境下的错误、认知灵活性增强任务切换和应急应对能力，执行功能的训练可以显著提升操作员的任务执行效率和准确性。协调运动与认知训练相结合是一种增强执行功能的有效方法，特别是在改善中轻年群体的工作记忆与抑制控制能力方面效果显著( Ludyga et al., 2022 )。已有研究证实了定向越野、障碍跑、户外跑等运动对执行功能的积极影响( 黄荣宝，2018 ； 杨麟超，2020 )，这些运动不仅可以帮助操作员提高注意力水平，还可以帮助操作员增强决策能力和解决复杂环境中出现的问题的能力。但不同年龄段的人员在训练的反应上也有差别，例如HIIT (高强度间歇训练)对健康儿童的执行功能有明显的促进作用，但对健康的青少年却没有显著的效果( 王俊宇等，2023 )。无人机操作员可以结合协调运动与认知训练，如定向越野和障碍跑等，并根据年龄选择适当的训练强度，以显著提升执行功能，从而提高其执行任务的能力。

大约30%的无人机事故与不良的人机界面设计有关( Giese et al., 2013 )，无人机系统地面控制站的人机交互界面设计复杂，导致操作员需要投入大量的注意资源来理解和操作界面，增加了操作员在处理多任务时的认知负担，从而提高了人为错误的风险。2021年，Zhang等人通过对三种无人飞行器控制界面效果的对比发现，将自动化透明化作为有助于优化人机交互的设计目标( Zhang et al., 2021 )。2022年，Abioye等人对三种无人机控制界面在导航任务中的性能和认知工作量进行了比较，发现改进版的RCJ界面与mSVG界面一样有效，而mSVG界面优于标准RCJ界面，手势在mSVG界面中更常用( Abioye et al., 2022 )。2023年，康乐等人针对反潜无人机指挥控制系统，设计了一种以交互体验为中心的人机界面，并结合用户反馈优化视觉设计( 康乐等，2023 )。Chen等人结合SEEV框架和蚁群算法，对无人机地面控制站人机交互界面进行了优化，优化后的界面能显著减少操作员的工作量，提高人机交互的效率( Chen et al., 2023 )。人性化的人机交互设计可以减轻无人机操作员的负担、提升其任务效率、增强其情境感知的能力，并提高整体任务的成功率。