基于学习的无人机集群交通监测

高效的交通监测对于管理城市交通网络至关重要，尤其是在拥堵和动态变化的交通状况下。无人机为固定传感器网络提供了一种可扩展且具有成本效益的替代方案。然而，部署低成本无人机集群进行交通监测在适应性、可扩展性和实时操作方面面临挑战。为了解决这些问题，我们提出了一个基于学习的框架，利用无人机集群进行去中心化交通监测，旨在应对城市区域内监测需求分布不均且不可预测的问题。我们的方法引入了一种半去中心化强化学习模型，该模型利用集群的集体经验训练单个 Q 函数。该模型支持完全可扩展性、灵活部署，并且在硬件允许的情况下，支持每个无人机动作选择机制的在线适应。我们首先在合成交通环境中训练并评估该模型，随后使用中国深圳的真实交通数据进行案例研究，以验证其性能并展示其在复杂城市监测任务中实际应用的潜力。