面向灾害管理应用的基于深度强化学习的能量感知无人机-无人车系统持续监视

将无人机（UAV）与无人地面车（UGV）相结合，为灾害管理中的持续监视提供了一种有效解决方案。无人机擅长快速覆盖大面积区域，但其航程受电池容量限制。无人地面车虽然速度较慢，但可携带更大电池以执行长时间任务。通过将无人地面车用作移动充电站，无人机可通过定期加油来延长任务持续时间，从而利用两个系统的互补优势。为优化这一能量感知的无人机-无人车协同路径规划问题，我们提出一个规划框架，确定无人机与无人地面车之间的最优路径和充电点。我们的解决方案采用基于编码器-解码器Transformer架构与多头注意力机制的深度强化学习（DRL）框架。该架构使模型能够顺序选择动作，以访问任务点并协调无人机与无人地面车之间的充电会合。深度强化学习模型经过训练，以最小化任务点的信息年龄（连续访问之间的时间间隔），确保有效监视。我们在不同问题规模和分布下评估该框架，并将其性能与启发式方法及现有基于学习的模型进行比较。结果表明，我们的方法在解质量和运行时间上均持续优于这些基线。此外，我们通过案例研究展示了该深度强化学习策略在真实灾害场景中的适用性，并探索了其用于在线任务规划以处理动态变化的潜力。将该深度强化学习策略用于优先级驱动的监视，凸显了该模型在实时灾害响应中的泛化能力。