VR-навчання військових операторів: симуляція на Cesium, OpenXR та операторська педагогіка

VR-тренажер для військових операторів — це не відеогра з іншим артом. Це пов'язана система геопросторових даних, вендоронезалежного рантайму, інструкторських елементів керування та аналітики навчання — побудована під цикл закупівель, що переживає три покоління споживчого VR-обладнання. Ця стаття проходить інженерним стеком: Cesium для світу, OpenXR для шолома, Unity або Unreal як двигун, інструкторська станція, що дійсно керує сценарієм, і педагогіка, яка перетворює години в симуляторі на польові навички.

Чому симулятори потрібні зараз

Операційний темп у NATO стиснув час, доступний для бойової підготовки в реальних умовах. Бойові набої, пальне, слоти полігонів та доступність інструкторів — обмежені ресурси; вимоги до завдань — ні. Взвод, якому потрібно шістдесят рішень щодо вогневих контактів на тиждень для підтримання поточності, не отримає їх на реальному полігоні. Арифметика змушує переходити до синтетичної підготовки — не як замінник полігону, а як множник, що робить польові навчання значимими, коли вони відбуваються.

Захищений аргумент на користь симуляторів — не "дешевше за реальне"; цей аргумент розпадається при чесному обліку оновлення шоломів, авторингу контенту та укомплектування інструкторами. Захищений аргумент — це передача навчання: добре спроєктовані години в симуляторі дають вимірне покращення польових показників, причому для завдань, які неможливо безпечно відпрацювати в реальних умовах (масова сортування потерпілих, штурм міста з протидією, конвой з деградованим зв'язком). Година в симуляторі, витрачена на неправильне завдання — або на правильне завдання з неправильним сценарним дизайном — не дає жодної передачі. Інженерія та педагогіка важать однаково.

Тут симулятори також зв'язуються з C2-системами: той самий оператор, що проходить синтетичну місію, має бачити ту саму символіку карти, той самий робочий процес чату та ту саму поведінку сповіщень, що й на польовій системі. Паритет UI навчального та операційного середовища — жорстка вимога, а не косметика.

Геопросторова основа

Cesium — де-факто вибір для 3D планетарного масштабу у військовій симуляції. CesiumJS для браузерних тренажерів, Cesium for Unity і Cesium for Unreal для вбудованих у двигун, та Cesium ion як опціональний контентний пайплайн. Виграш — специфікація 3D Tiles: потоковий, LOD-орієнтований формат для рельєфу, фотограмметрії та CAD-моделей, що масштабується від однієї будівлі до всієї планети з постійним бюджетом відмалювання.

Рельєф в оборонному тренажері рідко є "Cesium World Terrain з коробки". Національні геопросторові агенції — NGA у США, DGIWG-узгоджені служби в NATO, Державна служба геодезії, картографії та кадастру України — виробляють датасети DTED та ортофото вищої роздільності, часто з грифом. Виробничий симулятор поглинає їх як приватні тайлсети 3D Tiles, що підмінюються в одному графі сцени залежно від допуску курсанта та грифу навчання. Несекретний сценарій отримує Bing-картинки; повторний прогін того самого сценарію на секретній стороні завантажує контрольований тайлсет з окремої кінцевої точки.

Реалістичність синтетичного середовища — це більше проблема контенту, ніж коду. Будівлі, техніка, рослинність і погода потребують авторингу, а бюджет авторингу — це те, що обмежує кількість сценаріїв, які підрозділ дійсно має. Пайплайни синтетичних даних, які процедурно заповнюють середовище з GIS-шарів, скорочують час авторингу на порядок — і як побічний ефект живлять навчання AI.

VR-рантайми — OpenXR

OpenXR — вендоронезалежний рантайм-API від Khronos. Зберіть тренажер під OpenXR, і той самий бінарник керує Meta Quest Pro і Quest 3, HTC XR Elite, Pimax Crystal, Varjo XR-3 та Valve Index без відгалужень коду під вендорів. Зберіть під Oculus SDK або OpenVR — і вам доведеться переробляти весь шар I/O наступного разу, коли вендор вийде з ринку, а це трапляється на циклах, коротших за закупівлю.

Специфічні для оборони міркування рантайму поверх OpenXR:

Зануляюване сховище. Шоломи, що кешують дані сцени, аудіозаписи або біометрію курсантів на внутрішній флеш-пам'яті, перетворюються на контрольовані предмети в момент, коли їх торкається класифікований контент. Розгортна архітектура або не зберігає на шоломі жодного персистентного стану (усе передається потоково з хост-ПК), або використовує шоломи з задокументованими процедурами зануління та приймає їх як підзвітні активи.

Електромагнітні випромінювання. Споживчі шоломи — це FCC Part 15: випромінювання прийнятні для цивільного використання, але не характеризовані для SCIF або корабельних середовищ. Для встановлення в електромагнітно контрольованих приміщеннях очікуйте розмову про TEMPEST або екрановану кімнату з офіцером безпеки об'єкта, перш ніж шоломи перетнуть поріг.

Айтрекінг і біометрія. Varjo XR-3 і Quest Pro обидва відкривають айтрекінг. Дані цінні для AAR — графіки погляду показують, куди дивився оператор, а пропущені сигнали видимі — але це також біометричні дані з обов'язками щодо приватності та обробки даних згідно з національним законодавством. Знімайте за винятком, зберігайте за політикою, ніколи не за замовчуванням.

Ігрові двигуни — Unity проти Unreal проти кастомного

Вибір двигуна майже завжди — Unity або Unreal. Кастомні двигуни існують у застарілих польових системах та кількох тренажерах на секретній стороні, але більше не є замовчуванням.

Unity швидше укомплектовується (ринок C#-розробників глибокий), має зрілу підтримку XR-плагінів і чисто інтегрується з Cesium for Unity. Це правильний вибір для тренажерів середньої точності, мобільних/standalone-розгортань Quest та проєктів, де швидкість ітерації важливіша за фінальну точність.

Unreal рендерить краще з коробки, постачає Nanite і Lumen та має сильнішу нативну геопросторову інтеграцію через Cesium for Unreal і патерни потокової передачі світу в стилі Microsoft Flight Simulator. Це правильний вибір для високоточних тренажерів техніки та озброєння, масштабних колективних навчань і будь-чого, де замовник очікує фотореалістичності.

O3DE (Open 3D Engine, Apache-2.0-наступник Lumberyard) — це достовірна кастомно-сусідня опція, коли важать умови ліцензії — її Apache-ліцензування дружніше до ITAR-контрольованих та урядових збірок, ніж EULA Unreal або історія runtime-fee Unity.

ITAR-обізнані пайплайни ассетів не обговорюються для контенту, контрольованого експортом США. Модель дружньої платформи може бути несекретною; модель платформи противника, побудована з секретних знімків — ні. Бандли ассетів несуть метадані грифу, пайплайни збірки відмовляються пакувати змішані грифи в один артефакт, і секретна збірка виконується на ізольованій ферм-збірці. Це сантехніка, не блиск, і пропустити її — спосіб зупинки програми.

Дизайн інструкторської станції

Інструкторська станція — це де симулятори перемагають або провалюються. Тренажер з красивим синтетичним середовищем та поганим UI інструктора не дає нічого — інструктор не може ввести події, яких вимагає план уроку, не може зупинити та перемотати, щоб навчити точці рішення, не може координувати чотирьох курсантів у скоординованих вправах. Інженерна увага, витрачена на досвід у шоломі за рахунок інструкторської станції — найпоширеніший режим провалу в оборонних VR-закупівлях.

Інструкторська станція має бути односекційним застосунком — а не стіною з моніторів, що сама потребує навчання. Обов'язкові функції:

Розгалуження сценаріїв. Інструктор обирає з дерева попередньо створених сценаріїв, з параметрами (погода, час доби, поза противника, деградація зв'язку) як повзунками. Створено раз, відтворено багато разів з варіаціями.

Заморозка, повтор, ін'єкція. Призупиніть світ. Перемотайте до останньої точки рішення. Введіть несподівану подію — потерпілий, відмова зв'язку, неідентифікований контакт. Відновіть. Це хліб і масло викладання.

Координація кількох курсантів. Один інструктор, що веде чотирьох або вісім курсантів, потребує god-view карти, здоров'я та боєприпасів на кожного курсанта, патчингу зв'язку на кожного курсанта та можливості подавати приватні сигнали одному курсанту, не порушуючи спільний сценарій.

Експорт after-action review. Наприкінці сесії інструктор експортує структурований AAR — таймлайн вогневих контактів, точки рішень, рубрика оцінювання. Педагогічна цінність сесії живе або вмирає на цьому артефакті.

Педагогіка — від "VR-демо" до переданої навички

Література з передачі навчання однозначна: ефективність симулятора залежить від когнітивного аналізу завдань (CTA), виконаного до побудови сценарію. CTA розкладає операційне завдання на перцептивні сигнали, рішення та моторні дії; симулятор потім відпрацьовує саме ці елементи. Симулятор, побудований без CTA, відпрацьовує те, що розробникам здалося крутим — інколи корисно, часто ні.

Чотири рівні Kirkpatrick досі структурують оцінку: Reaction (чи сподобалось курсантам), Learning (чи здобули навичку в симуляторі), Behaviour (чи проявляється навичка на бойовому полігоні), Results (чи краще діє підрозділ у полі). Оборонні програми, що звітують лише про Level 1 — "курсанти оцінили 4.6/5" — ще не міряють те, що важить. Контрактно захищені програми міряють Level 3, порівнюючи показники бойової стрільби між когортами, навченими в симуляторі та без нього.

After-action review — це місце, де Level 2-навчання консолідується. AAR — це не "покажи повтор" — це структуроване опитування, самооцінка курсанта та явне називання точок рішень і пропущених сигналів. Робота симулятора — зробити AAR дешевим, частим і базованим на доказах; робота інструктора — провести його добре. Зливання телеметрії симулятора з біометричними, айтрекінговими та голосовими даними дає розмові AAR реальні докази, на які можна спиратися.

Інтеграція xAPI / SCORM

SCORM (2004 3rd/4th Edition) — застаріла специфікація сумісності навчального контенту. xAPI (Experience API, також "Tin Can") — сучасний наступник: висловлювання actor-verb-object, що випускаються будь-яким навчальним досвідом і зберігаються в Learning Record Store (LRS). Сучасні оборонні тренажери випускають xAPI, не SCORM, хоча багато розгортань LMS досі споживають обидва.

LRS на масштабі парку — аналітичний хребет програми операторської готовності. Кожен вогневий контакт, кожна заморозка-і-обговорення, кожна оцінка AAR приземляється як висловлювання xAPI, атрибутоване курсанту, сценарію та підрозділу. Агрегований LRS відповідає на питання, на які S3 підрозділу інакше не може відповісти: які оператори поточні на яких кваліфікаціях, які підрозділи переіндексовані на одному сценарії та недоіндексовані на іншому, які варіанти сценарію дають найкрутішу криву навчання.

Вибір LRS: Watershed і Learning Locker — усталені комерційний та open-source варіанти. Оборонне рішення зазвичай зводиться до розгортуваності — Learning Locker, що self-hosted на інфраструктурі замовника, — звичайний вибір для секретної сторони. xAPI Profiles (NATO публікує один; американська Advanced Distributed Learning Initiative має кілька) обмежують словник, щоб висловлювання від різних вендорів були взаємно запитуваними.

Реалії розгортання

Домінують два шаблони розгортання. Депо-рівневі встановлення — стаціонарний навчальний об'єкт, двадцять шоломів, стійки хост-ПК, централізований LRS, мережеві дропи до базової LAN. Стабільне, високоточне, дороге за квадратний метр. Розгортні комплекти — кейс Pelican з чотирма шоломами, чотирма ноутбуками, портативним Wi-Fi-роутером, опціональним супутниковим бекхолом. Нижча точність, розгортно до передових позицій, шаблон, який реально використовується.

Мережеві вимоги біфуркуються. Підключені встановлення стрімлять контент, синхронізують LRS у хмару та тягнуть оновлення сценаріїв. Air-gapped встановлення несуть усе локально — включно з LRS, бібліотекою контенту та робочим процесом експорту AAR — і узгоджуються за періодичним циклом передачі носіїв. Той самий продукт має підтримувати обидва, бо замовник вимагатиме обох.

Невирішена напруга — 5-річний оборонний цикл проти 18-місячного оновлення споживчого VR-обладнання. Шолом, специфікований на момент укладення контракту, доходить до EOL до початкової операційної готовності. Мітигації архітектурні — OpenXR залишає рантайми підмінними, чітке розділення шарів дозволяє підмінювати шоломи без переписування сценаріїв, контракти на запасні частини на момент укладення купують роки операційного життя за межами споживчого EOL. Вони також логістичні — депо-рівневе імеджування, workflow провізіонування та чесна розмова з замовником про бюджети оновлення. Програми, що вдають, ніби цикли збігаються, опиняються з покинутими тренажерами на четвертий рік. Та сама невідповідність операційного та комерційного темпу проявляється у прогнозній підтримці військових парків — інший домен, ідентична структура.