本文提出了一种基于无人机的森林火灾监测系统，利用自主无人机提供比当前卫星图像、有人飞机和远程控制无人机更快的监测服务。为了实现这个目标，我们提出了一个分布式领导者 - 跟随者联盟形成模型，它能够聚集一组无人机，共同覆盖指定的监测领域。通过模拟实验，验证了该系统在不需要互相通信的情况下，性能接近于中央优化系统。

Apr, 2019

我们提出了一种预测性框架，使无人机团队能够在协同场地覆盖和火灾跟踪方面进行合作，并提供概率性能保证。

Jun, 2022

该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

Jul, 2020

该论文探讨在野外环境中为无人机创建高效的搜索任务的深度强化学习方法，通过利用先验数据和概率分布图，学习最优的飞行路径以快速找到失踪者，实验结果表明，与传统覆盖规划和搜索规划算法相比，深度强化学习方法在搜索时间上取得了显著改进。

May, 2024

利用人工智能 (Artificial Intelligence) 和无人机 (Unmanned Aerial Vehicles) 技术，系统地综述了野火管理领域的最新技术，并重点讨论了无人机在火前、火中和火后阶段对野火的监测、管理和预测的作用。

Jan, 2024

该研究论文使用基于 CCTV 摄像头的无人机实现对智能城市的安全监测，并通过开发一种多智能体深度强化学习的管理方案，自主补充缺失网络要求，实现可靠的工业监测，该算法具有优于当前最先进算法的覆盖面积、用户支持能力和计算成本。

Jan, 2022

本文研究了多飞行器在恶劣气流环境中的运动控制问题，并提出了一种基于深度强化学习和图形卷积神经网络的解决方法，能够帮助机器人团队实现更好的气流补偿和协同运动。

Jun, 2023

本文提出了一种针对无人机的监督强化学习控制方法，通过与现有嵌入式控制交错的控制架构，以及针对恶劣风条件的稳健性表现，实现了对环境扰动的控制，使用 Tarot T-18 八旋翼机进行了案例研究，结果表明相对于大多数车辆中使用的经典级联控制结构，监督强化学习模式在面对未知的风力条件时取得了实质性的性能提高。

May, 2023

通过基于局部可观测马尔可夫决策过程的模型和数据驱动模型的方法，利用从卫星图像提取的协变量组合现有火灾数据库，建立数据集，模拟火灾蔓延，预测火灾，指导资源配置，实现有效的火灾应对。

Oct, 2020

通过学习无人机动力学的概率模型，我们使用基于模型的强化学习学习了四旋翼的推进姿态控制器，完全使用生成潜在轨迹通过传播随机解析梯度来优化控制器和价值函数。

Mar, 2020