城市无人机导航：用于空气动力学的自编码器学习融合
Urban Drone Navigation: Autoencoder Learning Fusion for Aerodynamics
AI总结：
本文提出一种结合多目标强化学习与卷积自编码器的方法，利用城市图像数据实现无人机自主导航、路径优化及抗风，提升城市搜救效率。
摘要：
由于在具有建筑物和风等障碍物的动态环境中导航的挑战，无人机对于城市紧急搜索与救援（SAR）至关重要。本文提出了一种将多目标强化学习（MORL）与卷积自编码器相结合的方法，以改善城市SAR中的无人机导航。该方法使用MORL来实现多个目标，并使用自编码器进行经济高效的风模拟。通过利用城市布局的图像数据，无人机可以自主做出导航决策、优化路径，并在没有传统传感器的情况下抵消风的影响。在纽约市模型上进行的测试表明，该方法增强了无人机在复杂城市环境中的SAR操作。
英文摘要：
Drones are vital for urban emergency search and rescue (SAR) due to the challenges of navigating dynamic environments with obstacles like buildings and wind. This paper presents a method that combines multi-objective reinforcement learning (MORL) with a convolutional autoencoder to improve drone navigation in urban SAR. The approach uses MORL to achieve multiple goals and the autoencoder for cost-effective wind simulations. By utilizing imagery data of urban layouts, the drone can autonomously make navigation decisions, optimize paths, and counteract wind effects without traditional sensors. Tested on a New York City model, this method enhances drone SAR operations in complex urban settings.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
