面向后灾后道路评估的多任务无人机路由统一模型

后灾后道路评估（PDRA）是紧急响应的关键，使快速评估基础设施状况和高效分配资源成为可能。尽管无人机为PDRA提供了灵活且有效的工具，但在大规模网络中对其进行路由仍然具有挑战性。精确方法和启发式优化方法规模不佳，要求专业知识，而现有的深度强化学习（DRL）方法采用单任务范式，需要为每个问题变体训练单独模型，且缺乏对不断变化运营需求的适应性。本研究提出一种统一模型（UM）用于无人机路由，同时解决八种PDRA变体。通过在多个问题配置下训练单个神经网络，UM捕获共享结构知识，同时通过现代Transformer编码器-解码器架构适应变体特定约束。一种轻量级适配器机制进一步允许在不重新训练的情况下高效微调以适应未见的属性，增强了在动态灾难场景中的部署灵活性。广泛的实验表明，UM相较于训练单独模型缩短训练时间和参数量约为8倍，同时在解决方案质量（总收集信息价值）方面 consistently 超过单任务DRL方法提升6-14%，超过启发式算法提升22-42%，超过商业求解器提升24-82%。该模型在最高1000节点的网络上实现快速求解（1-10秒），通过灵敏度分析确认其鲁棒性。此外，微调实验显示，未见的属性可在最小成本下有效包含而保持高解决方案质量。UM的源代码已公开发布于 https://github.com/PJ-HTU/UM_PDRA。