トンネル事故に対する強化学習を用いたエンドツーエンドの緊急対応プロトコル

科学分野:

• ロボット工学と人工知能
• 災害管理と緊急対応
• 自律システムナビゲーション

背景:

• 自律型無人航空機（UAV）は、危険な環境に対して費用効果の高いソリューションを提供します。
• 動的なトンネルインフラストラクチャにおけるUAVのリアルタイム経路計画は、視界とナビゲーション信号の制限により困難です。
• 既存のナビゲーション方法は、トンネル内の予測不可能な事故シナリオでは失敗することがよくあります。

研究 の 目的:

• マルチエージェント強化学習（MARL）を使用したトンネル事故のエンドツーエンドの緊急対応フレームワークを提案すること。
• 閉鎖的で動的なトンネル環境における自律型UAVのナビゲーションと意思決定を強化すること。
• トンネルインフラストラクチャにおける緊急対応運用の速度と効率を改善すること。

主な方法:

• マルチエージェント強化学習（MARL）を利用したエンドツーエンドの緊急対応フレームワークの実装。
• 各UAVは、リアルタイムの意思決定のために独立したQ学習を使用して独立したエージェントとして動作します。
• 探索における早期収束と局所最適性の問題を軽減するために、灰色オオカミ最適化（GWO）を統合しました。
• 犠牲者の発見を優先し、安全でない/冗長なアクションにペナルティを与えるカスタマイズされた報酬関数の開発。

主要な成果:

• 提案されたMARLフレームワークは、GWOベースの探索およびランダム検索と比較して、より高速な目標発見を示しました。
• シミュレートされたトンネル環境において、地図カバレッジの改善と全体的な救助時間の短縮を達成しました。
• 緊急対応における自律型UAVのための軽量MARLベースの調整の有効性を検証しました。

結論:

• 開発されたMARLフレームワークは、トンネル事故における自律型UAV支援緊急対応の効果的なソリューションを提供します。
• GWOとカスタマイズされた報酬関数の統合は、探索と意思決定の機能を強化します。
• このアプローチは、トンネル救助の重要なシナリオにおける状況認識と運用効率を改善する大きな可能性を示しています。