飞行视觉显示系统机器学习设计

一、文章简要介绍飞行模拟器是飞行员起降训练的核心设备其视觉显示系统需提供连续变化的视距场景——从跑道近距到天空远距画面必须无缝过渡而非固定无穷远。传统WIDE系统依赖经验丰富的光学工程师逐点设计和反复调试开发周期长、对初学者极不友好。Shan Mao, Zhenbo Ren, Jianlin Zhao在《IEEE Photonics Journal (2022)》中提出了一种基于深度神经网络的离轴飞行视觉显示系统自由曲面设计方法——利用ZEMAX的ZPL-macro编程批量生成满足光学规格的初始系统数据以反向工程获取自由曲面点云再用多项式拟合为表面模型最后通过深度神经网络学习从系统参数到自由曲面系数的映射。该方法将飞行视觉显示系统的光学设计转化为机器学习回归问题使自动化设计替代人工逐点迭代成为可能。图1 离轴飞行视觉显示系统结构示意复现结果二、仿真方法与关键技术视觉显示系统由像源、背投屏幕和投影镜面组成飞行员通过投影镜面反射看到虚像场景。系统的核心在于自由曲面背投屏幕——其形状和位置决定了视距在全视场内的分布。论文设定自由曲面为二次曲面与立方项组合的多项式模型f(x,y)P00P10xP01yP20x²P11xyP02y²P30x³共7个待定系数。针对起降场景的特殊需求视距在垂直视场0°~20°区间设为无穷远平视前方在-30°~0°区间按LH/tanθ连续变化俯视跑道飞机高度H5m。数据生成阶段在ZEMAX中利用ZPL-macro编程对每个初始系统提取RAGX/RAGY/RAGZ操作数获取各视场的实像坐标经坐标转换后由MATLAB对点云进行非线性最小二乘拟合得到自由曲面的7个多项式系数及拟合RMSE。共生成60组系统-表面数据对每组包含8个输入特征眼盒尺寸、水平/垂直FOV、物距及统计特征和7个输出目标。深度学习阶段构建5层隐藏层深度神经网络500→300→200→100→60→10神经元56组训练、4组测试Adam优化器最小化MSE损失所有输入和系数归一化至[0,1]。训练完成后输入新系统要求即可前馈预测自由曲面系数省去ZPL手动迭代。图2 基于机器学习的整体设计框架复现结果图3 自由曲面生成与表面拟合流程图复现结果三、关键结果与发现网络训练收敛后在4组测试数据上评估三个回归指标MAE0.0867平均绝对误差极小、EV0.8134解释方差接近1、R²0.9441决定系数0.94证明网络对自由曲面系数的预测高度准确。每个系数的预测值与真实标签在各测试组中紧贴对齐前馈预测出的系统实现水平FOV 190°-95°~95°、垂直FOV 40°20°~-20°ZEMAX点列图验证各视场弥散斑RMS和GEO半径均在容许范围内视觉分辨率ω1覆盖全视场。该方法将经验驱动的光学设计流程转化为数据驱动的前馈预测设计时间、人工迭代次数和对工程师经验的依赖均大幅降低为更复杂成像光学系统的AI辅助设计开辟了可行路径。图4 深度神经网络架构示意复现结果图5 预测系数与真实标签对比复现结果图6 飞行显示系统布局及自由曲面点云复现结果图7 前馈预测系统的点列图及像质评价复现结果四、我们提供的服务我们可基于ZEMAX/ZPL-macro编程MATLAB等工具提供以下光学设计仿真服务①ZEMAX成像光学系统设计——涵盖定焦/变焦镜头、离轴反射系统、自由曲面系统等从初始结构选取到全局优化、公差分析、良率评估全流程交付②ZPL-macro编程与批量仿真——编写ZPL宏实现参数化建模、批量光线追迹、公差灵敏度扫描、MTF/点列图自动导出等自动化设计任务③自由曲面光学设计——使用ZEMAX多项式/非球面/扩展多项式面型完成HUD抬头显示、飞行模拟视景系统、AR光学模组等自由曲面光路设计④MATLAB光学计算与数据后处理——搭配ZEMAX DDE通讯或API接口实现点云提取、表面拟合、像质评价等光学数据的批量处理与可视化⑤深度学习辅助光学设计——基于神经网络对光学系统参数与性能指标进行回归/分类建模辅助初始结构智能推荐与多目标优化决策。所有服务均为线上仿真计算欢迎咨询项目定制方案。