面向无人机即服务运营的气象感知变换器用于实时路径优化

本文提出了一种新颖的框架，通过气象感知深度学习模型加速无人机即服务（DaaS）操作中的路径预测。虽然A*和Dijkstra等经典路径规划算法提供最优解，但其计算复杂度限制了在动态环境中的实时应用。我们通过训练基于经典算法仿真生成的合成数据集的机器学习和深度学习模型来解决这一限制。我们的 метод结合了基于变换器和注意力机制的架构，利用气象启发式信息预测最优下一个节点选择，同时考虑影响无人机运营的气象条件。注意力机制动态加权包括风力、风向和温度在内的环境因素，以增强在恶劣天气条件下的路由决策。实验结果表明，我们的气象感知模型在保持路径优化性能的同时，相对于传统算法实现了显著的计算加速，变换器基架表现出对动态环境约束的优异适应性。该提出框架使大规模DaaS运营实现实时、气象响应式路径优化，标志着对自主无人机系统效率和安全性的重大进步。