本文使用强化学习算法，最小化无人机避障中的水平分离问题，将避障策略转化为一组航迹点，以满足安全需求，并在高保真模拟和实际飞行演示中进行了评估。

Jan, 2023

本论文针对 DRL 导航解决方案中的两个核心问题提出了多种新的代理状态和奖励函数设计，即平滑性训练轨迹和模型泛化能力，利用边缘奖励和平滑度约束来确保无人机平稳飞行，同时大大降低碰撞风险，并演示整个设计和各组件的有效性。

Oct, 2022

采用深度神经网络及对称损失函数在仿真研究中，实现减少空间复杂度以及提高决策系统的安全性和效率。

Oct, 2018

提出一种深度强化学习（DRL）控制器，通过将耦合的 Q 值学习模型分解为安全感知和效率两个模型，利用周围入侵者的信息作为输入来帮助解决自主自由飞行的冲突。通过该控制器，可以在克服 DRL 控制器的解释性和安全性问题的情况下提高控制任务的性能，同时提供关于环境安全情况的丰富信息。

Nov, 2022

基于强化学习技术的自主决策能力的实施是为了在空间复杂环境中，将碰撞规避操控的决策过程委托给太空船自动执行，以实现更快速的响应和高度分散的操作。

Oct, 2023

无人机在提供无线服务方面具有优势，但资源限制给应用带来挑战。本论文介绍了一种优化模型，通过无人机路径规划和多重反射面支持，最大化吞吐量和覆盖范围，通过深度强化学习和粒子群算法解决了线性规划技术的限制，并通过大量仿真实验证明在服务质量方面相比其他方法有较大的提升。

Jun, 2024

本文提出了一种新型 UAS 自主框架 MR-iFLY，它通过深度估计和避碰技术来应对资源受限的机器学习 UAS 自主的挑战，并通过实验结果证明其可用于减少 6G 通信群集节点间的通信开销。

Dec, 2021

在未来的 6G 网络中，无人机作为移动基站将发挥基础作用，特别是在车联网 (V2X) 应用中。本文提出了一种基于排名的二进制掩码方法，以解决多个无人机协作服务同一区域时的碰撞问题，提高训练性能并满足安全约束。

Jan, 2024

现有的先进驾驶辅助系统主要关注直接前方的车辆，通常忽视了来车的潜在风险。本研究引入了一种基于深度强化学习的新算法，用于纵向控制和避撞，该算法有效地考虑了前后车辆的行为，并在模拟的高风险情况下实施，如紧密行驶的多车辆场景中的紧急刹车，传统系统通常难以应对。实验证明该算法能够防止潜在的连环碰撞，包括涉及重型车辆的碰撞。

Apr, 2024

本文提出了基于深度强化学习和递归神经网络的无人机避障技术，可在未知室内环境中自主避免障碍物，提高了导航距离和推理速率。

Nov, 2018