如何高效协调无人机与地面无人机？基于 DRL 框架的能源受限合作路由优化

无人机与地面无人机（UGV）协同系统的高效任务规划需要解决能源约束、可扩展性以及代理人之间协调挑战。无人机在快速覆盖大范围方面优势明显，但受限于电池寿命；而地面无人机虽然拥有更长的作战范围和充电站功能，但因速度较慢而受限。这种异构性使得无人机与地面无人机之间的协调对于实现最佳任务结果至关重要。本文提出一种可扩展的深度强化学习（DRL）框架，以解决多代理无人机-地面无人机团队的能源受限合作路由问题，旨在以最短时间访问一组任务点，使无人机能够在任务期间依赖地面无人机进行充电。该框架包含任务级代理切换，以高效管理多个代理，分配任务点并协调动作。采用编码器-解码器变压器架构，对无人机-地面无人机团队在任务场景中的路径和充电集合点进行优化。广泛的计算实验表明，该框架在解决方案质量和运行时效率方面显著优于启发式方法和 DRL 基线，跨越多种场景。一般化研究验证了其鲁棒性，而动态场景则突出了其对实时变化的适应性，案例研究予以展示。本工作在无人机-地面无人机协作路由领域提供了一种可扩展、高效且稳健的多代理任务规划解决方案。