基于强化学习的受控空域拦截非授权航空无人机
机器人学
2025-10-22 v1 人工智能
机器学习
摘要
无人机 (UAV) 在受控空域的普及可能引发严重风险, 包括潜在碰撞、空中交通干扰以及安全威胁. 确保空域安全高效运行, 尤其是在城市环境和靠近关键设施的地区, 势必要有效的方法来拦截非授权或不合作的 UAV. 本工作通过利用强化学习 (RL) 来解决此关键需求, 提出一种稳健、自适应的拦截系统. 我们提出了一种新方法, 利用 RL 来训练固定翼 UAV 追逐者以拦截动态逃脱目标. 我们的 methodology 探索了基于模型和无模型的 RL 算法, 具体包括 DreamerV3、Truncated Quantile Critics (TQC) 和 Soft Actor-Critic (SAC). 这些算法的训练与评估在多种情景下进行, 包括未见的逃脱策略和环境扰动. 我们的 approach 利用高保真飞行动力学仿真创建真实的训练环境. 本研究进一步突显了开发智能、自适应控制系统对于 UAV 拦截的重要性, 显著推动了安全高效空域管理的发展. 它展示了 RL 的潜力, 用于训练能够自主实现这些关键任务的系统.
引用
@article{arxiv.2407.06909,
title = {Intercepting Unauthorized Aerial Robots in Controlled Airspace Using Reinforcement Learning},
author = {Francisco Giral and Ignacio Gómez and Soledad Le Clainche},
journal= {arXiv preprint arXiv:2407.06909},
year = {2025}
}