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

本文研究了利用自主无人机团队监测野火的方法，通过使用两种深度强化学习方法训练分散控制器，可以有效地追踪野火的扩散，这两种方法在不同数量的飞行器和不同野火形状下都有较好的表现，模拟结果表明，这两种方法优于在线递归视角控制器。

Oct, 2018

该研究聚焦于开发专为无人机设计的基于动态火情和烟雾模型的最佳火灾逃生路线规划系统，首先通过无人机与卫星的信息融合准确定位火灾源位置并使用多通道遥感数据评估周边道路条件，接着实时利用无人机视觉技术提取和分段道路网络并根据道路状况给予优先级，然后根据火势强度、风速和方向计算火源新位置并以火源周围生成烟雾以形成可视化效果，最后基于改进的 A * 算法结合上述因素，无人机能够快速规划避开火源和蔓延区域的逃生路线，从而增强在火灾环境中无人机操作的安全性和效率。

Dec, 2023

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

智能无人机群体结合充电技术可以在智能城市中提供完整的感知能力，如交通监控和灾害响应。通过分布式优化和深度强化学习（DRL）等现有方法，旨在协调无人机以实现成本效益高、质量高的导航、感知和充电。然而，它们存在明显挑战：短期优化难以提供持续效益，而长期 DRL 缺乏可扩展性、韧性和灵活性。为弥合这一差距，本文介绍了一种新的渐进式方法，包括基于分布式优化的规划和选择，以及基于 DRL 的飞行方向调度。通过对从真实城市流动性生成的数据集进行的广泛实验，与三种基准方法相比，所提出的解决方案在交通监控方面表现出色。

Nov, 2023

本文提出了一种结合无人机视觉技术和卫星图像分析技术的方法，用于积极检测野外火灾和提取野火区域的道路网络，以及对处于困境中的人们进行实时动态避难路径规划。

Dec, 2023

研究利用 RGB 和多光谱无人机数据，欧盟规定下还加入多光谱卫星数据和土壤湿度传感器，生成城市公园和森林的树木清单并通过统计指数和深度学习推导出树木生命状态，提出了一个开源的端到端方法来优化城市和森林中树木的管理，提高工作效率和任务规划。

Jul, 2023

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

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

本文旨在设计一种任务调度策略，以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束下的延迟导向物联网服务需求，并考虑到任务到达动态变化的情况，提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。

Oct, 2020