PulseAugur
中
实时 05:53:34
English(EN) Reinforcement Learning for Delivery Drone-Based Participatory Sensing in Dynamic Environments

强化学习优化城市环境中的无人机传感

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的Two TimeScale Reinforcement Learning框架（TSRL），以应对在动态城市环境中利用配送无人机进行传感所面临的挑战。该框架将决策过程分为宏观任务调度和微观速度控制，并在微观层面融入了风力感知。实验表明，与现有方法相比，TSRL显著提高了系统利润，在杭州的平均收益增长了20.1%，在上海增长了46.6%。 AI

影响 这项研究可能带来更高效、可扩展的基于无人机的城市监测系统。

排序理由 该集群包含一篇详细介绍新研究框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

强化学习优化城市环境中的无人机传感

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xin Ouyang, Songxin Lei, Xusen Guo, Yutian Jiang, Sijie Ruan, Yuxuan Liang ·

    动态环境中基于强化学习的配送无人机参与式感知

    arXiv:2607.18874v1 Announce Type: new Abstract: Using Unmanned Aerial Vehicle (UAV) for urban sensing has emerged as a powerful paradigm to monitor the status of the city, e.g., air quality and noise levels, through agile aerial crowdsourcing. Despite this potential, existing UAV…

相关实体

相关话题