May, 2024

强化学习基于能见度低环境中逃生路径生成

PDF
TL;DR通过使用激光雷达测绘系统，结合声纳和烟雾浓度数据，本文提出了一种实时确定消防人员搜索路径和平民撤离路径的系统，通过对独立点云数据的合并和简化，以及根据温湿度数据为每个节点标注危险分数，建立了一个环境张量，并通过线性函数逼近基于自然政策梯度强化学习方法，证明其在鲁棒性和速度方面优于更复杂的竞争方法，最后，提出了两个系统（救助者和难民）用于处理环境张量，分别创建安全救援和逃生路线。
structure firesevacuationlidar mapping systemvisibility graphlinear function approximation
发现论文，激发创造
  • 无人机与卫星之间的信息融合，用于人类的主动野火检测和动态逃生路线规划

    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

  • 消防应用增强现实的嵌入式深度学习系统

    本研究旨在利用最新技术（例如深度学习、点云技术、红外成像技术、增强现实平台等）来提高消防员在火灾环境中的情境意识，并改善场景导航。我们设计并构建了一个嵌入式原型系统，该系统可以利用从消防员个人防护装备中内置摄像头中流传输的数据来捕捉热图像、RGB 彩色图像和深度图像，进而实时分析所有数据并将处理后的图像通过无线流媒体传回给消防员，以增强现实方式表现出分析结果，并指示消防员注意烟雾和火焰中隐藏的物体，如门窗等。

    Sep, 2020

  • 无人机动态火灾逃生路径规划的最优解

    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

  • 强化学习空中视角定位：迈向模拟搜救

    本文提出了一种基于强化学习的模型，名叫 AiRLoc，用于解决搜索和救援行动中的目标定位问题，该模型可以在局部图像信息下自主完成目标搜索和定位，并且在灾难等环境下也表现出良好的泛化能力。

    Sep, 2022

  • 用低保真度模拟的约束机器人人群导航结构化图网络

    通过使用低保真度的模拟器，我们研究了使用强化学习政策进行约束群体导航的可行性。我们引入了一种动态环境的表示，将人类和障碍物分开表示。我们的方法在模拟和实际环境中显著改善了导航性能。

    May, 2024

  • 用无人机进行时关紧急野外搜救的深度强化学习

    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

  • 利用视觉变换器从楼层平面图预测行人撤离时间和密度

    本文提出了一种基于深度学习的视觉 Transformer 的方法，可以预测给定楼层平面图的密度热图随时间的变化及总疏散时间，通过集成该模型到 BIM 工具中可以自动、快速地生成模拟结果，缓解了在建筑设计过程中的瓶颈问题。

    Jun, 2023

  • 多层建筑中基于数据驱动的预测决策点选择的方法研究

    应用机器学习算法研究复杂室内建筑中行人路径选择行为的潜力探索。

    Aug, 2023

  • 一个监督的混合量子机器学习应用于紧急逃生路径问题的解决方案

    采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况，将问题建模为一个动态计算图，其中地震会破坏城市的某个区域，居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法，并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制（FiLM）神经网络，并行于经典 FiLM 网络，以模仿确定动态图上的 Dijkstra 最短路径算法，从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练，能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性，并且该网络在预测中有 45.3% 的重要贡献度，可以在基于离子的量子计算机上执行。结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。

    Jul, 2023

  • 基于数据驱动智能体模型的最优可扩展疏散规划

    本研究针对灾难管理中的撤离规划问题，结合数学优化和启发式搜索，提出了可优化多种目标函数的规划方法 MIP-LNS 及其进化版 MIP-LNS-SIM，前者在限制时间内能够找到更优的方案，而后者结合基于代理模型的延误评估可同时达到高效的撤离规划和小误差的撤离完成时间预测。实验结果基于休斯顿哈里斯县的道路网络和人口数据，验证了方法的可行性和实用性。

    Sep, 2022