深度强化学习用于使用无人机进行时间关键的荒野搜索和救援
Jan-Hendrik Ewers1, David Anderson1, Douglas Thomson1
1Autonomous Systems and Connectivity, University of Glasgow, Glasgow, United Kingdom.
Frontiers in robotics and AI
|February 18, 2025
概括
这项研究引入了一种新的深度强化学习算法,用于无人机在荒野救援中搜索路径. 它显著提高了搜索效率,通过更快地找到失踪人员,可能挽救生命.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 搜索和救援技术的技术.
背景情况:
- 传统的荒野搜索和救援 (SAR) 方法往往很慢,覆盖范围有限.
- 无人机为SAR行动提供了更有效和更适应的解决方案.
- 优化无人机飞行路径对于最大限度地提高搜索效率至关重要.
研究的目的:
- 开发一种新的算法,使用深度强化学习在荒野环境中创建高效的无人机搜索路径.
- 利用先验数据,包括搜索区域和失踪人员的概率分布图,以指导学习过程.
- 提高在SAR行动中寻找失踪人员的速度和概率.
主要方法:
- 使用深度强化学习算法来训练无人机以进行最佳的搜索路径规划.
- 该算法利用概率分布图来告知无人机的政策,以实现高效的搜索.
- 通过立方体实现的连续行动空间被纳入了更复杂的飞行模式.
主要成果:
- 与传统方法相比,拟议的算法证明了搜索时间的显著减少.
- 实验结果显示,这些改进超出了传统的覆盖范围和搜索计划算法.
- 使用连续行动空间允许更细微和有效的飞行机动.
结论:
- 深度强化学习为优化无人机在荒野SAR的搜索路径提供了有效的解决方案.
- 该算法的利用先前数据和采用细微的飞行模式的能力导致了搜索效率的大幅提高.
- 这项技术有可能显著提高现实世界搜救任务的速度和成功率.
