城市空中移动的自组织到达系统
本文提出了一种自主 UAV 路径规划框架,采用深度强化学习方法和深度确定性策略梯度算法,通过调整加速度,使无人机在任意环境中在最短时间内到达目的地,回避任何动态或静态障碍物,并避免进入其路 径上现有的先前许可区域,这有助于提高城市空中移动的有效空间容量。
Jan, 2023
本文提供了一种应用图强化学习来解决城市空中移动(UAM)- 垂直港口调度管理(UAM-VSM)问题的新方法,通过使用图卷积网络(GCN)进行功能提取,并通过感知器层来决定不同动作,从而优于基本的强化学习或随机选择基准。
Aug, 2023
本文提出了一种基于图强化学习的方法,用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明,这种方法在性能和效率方面表现优秀。
Jan, 2024
进行近未来空中出租车运营,并使用电动垂直起降 (eVTOL) 飞行器,在频繁充电、垂直机场上有限的起降区以及时变需求和电价限制下,eVTOL 调度问题是独特而具有挑战性的。本文通过发展基于深度强化学习的两种 eVTOL 调度算法,即单智能体和多智能体深度 Q-learning eVTOL 调度算法,旨在最大化运营利润。建立了一个基于 eVTOL 的乘客运输仿真环境,通过 36 个数值实验评估了算法的性能,覆盖不同数量的 eVTOLs、垂直机场和需求情况。结果表明,多智能体 eVTOL 调度算法在计算开销显著减少的情况下,能够接近近优的调度策略。与单智能体算法相比,多智能体算法在产生利润和训练时间方面表现更好。
Dec, 2023
本文通过模拟技术对城市规模交通运输中的城市空中流动性进行调查,并确定了城市空中流动性集成到现有交通系统中的关键挑战和机遇,包括对现有交通模式和拥堵的影响,安全分析和风险评估,潜在的经济和环境效益,以及城市空中流动性和地面交通的共享基础设施和路线的发展。调查提供了目前城市空中流动性研究的全面概述,并突出了未来研究和发展的关键领域。
Jan, 2023
通过整合 AAM-Gym 仿真框架中的紧急情况管理 MDP,本研究将紧急情况管理问题作为 Markov 决策过程,并将其快速原型化为强化学习算法,从而为未来算法开发提供一个社区基准。
Nov, 2023
本文提出了一种基于动态无人机辅助的车辆双生物迁移框架,使用空地一体化网络中的无人机作为辅助服务器,以平衡 RSU 的负载并提高双生物迁移质量。模拟结果表明,与其他基准方案相比,基于扩散式强化学习算法和无人机辅助的方法效果更好。
Jun, 2024
本研究针对城市空中移动车辆之间的调度问题,提出使用马尔可夫决策过程和蒙特卡罗树搜索等方法来构建一个在线、安全的调度器,以保证硬性期限不会被错过,并最大程度地减少错过软性期限所带来的成本,结果表明与价值迭代和随机蒙特卡罗树搜索调度解决方案相比,本研究所提出的方法具有接近最优的非抢占式调度策略。
Sep, 2022
介绍了部分可观察的先进空中移动游戏的概念,提出了一种新的异构图注意力编码器 - 解码器 (HetGAT Enc-Dec) 神经网络,以构建可推广的随机策略来协调机动车辆代理,此政策通过深度一致性学习进行训练,使代理人能够使用其本地观察进行分散的决策制定。通过大量实验表明,采用 HetGAT Enc-Dec 政策的车队在按需移动网络中表现最佳。
Feb, 2023