← Blog

論文 F 論文グループ計画 v1: UAV の安全性に関する重要なシナリオの生成、対象範囲、および緊急アプリケーション

UAV の安全性が重要なシーンの生成、シーンの範囲、都市と地域のシーンの関連付け、および高速緊急救助リソースの割り当ての指示のために、複数のペーパー ルートが計画されています。

ペーパーF無人航空機シーンの生成現場取材安全性が重視される加速試験緊急救助TR-Cおっぱい

論文 F 論文グループ計画 v1: UAV の安全性に関する重要なシナリオの生成、対象範囲、および緊急アプリケーション

総合的な判断: ペーパー B の 100 シェルフ レベルのシステム スケジューリング、ペーパー C の 3DGS/FIM アクティブ センシング、ペーパー E の LLM/LTL 言語プランニングに加えて、別個の UAV セーフティ クリティカル シナリオ エンジニアリング ペーパー ラインを開くこともできます。
この方針の核心は、別の障害物回避アルゴリズムを作成することではなく、次のことに答えることです。 **その後のトレーニング、テスト、緊急派遣、および紙の実験に信頼できるシナリオ ベースを持たせるために、主要な UAV 安全シナリオを体系的に生成、カバー、フィルタリング、および再利用する方法。 **

1. 総合判断：他にどのような方向性が書けるでしょうか？

現在、さまざまな問題に焦点を当てた文書がいくつかあります。

論文ラインコアオブジェクトすでにカバーされています繰り返してはいけません
紙B何百もの無人航空機群3 層階層スケジューリング、キュー理論、リアプノフ、マルチモーダル交通大規模なフリートのスケジュールを個別に記述する必要がなくなりました
紙CUAVアクティブセンシング3DGS、フィッシャー情報、次善のビューマッピング/パースペクティブの選択に焦点を当てなくなりました
論文E言語から計画までLLM、TaskIR、LTL/STL、正式検証自然言語タスクの計画に焦点を当てなくなりました
ペーパーFシーンエンジニアリングシーン生成、カバレッジ、危険シーン、緊急アプリケーション新しい方向性

論文 F の価値は、これまでの論文の 実験インフラストラクチャ になることができることです。

2. 紙グループの階層設計

論文 F は、次の 4 つの進歩的な論文として計画することをお勧めします。

レベル紙一文の位置づけ優先順位
F1CovUAV ベンチUAV の安全性が重要なシーンをカバーするベンチマーク最高
F2カバレッジに基づいた加速テストカバレッジガイドによる危険シーン加速生成アルゴリズム最高
F3City2Local-UAV都市全体の ODD から局所的な障害物の組み合わせまで階層的なシーン生成を作成中から高
F4シナリオを意識した緊急対応山東省の高速UAVと地上リソースの共同緊急配備を行う中～高

最初に F1 + F2 を実行することをお勧めします。 F1 はデータセット、メトリクス、問題定義を提供し、F2 はアルゴリズムの貢献を提供します。 F3 と F4 は拡張機能として使用できます。F3 はベンチマークを都市レベルのシステムに変え、F4 はシーン エンジニアリングを実際の交通緊急事態ビジネスに変えます。

3. 共通の背景: 現場取材が UAV の安全性研究の基礎となる理由

UAV セキュリティ研究における一般的な弱点は、アルゴリズムは見事に完成しているが、実験シナリオが恣意的すぎることです。障害物回避アルゴリズムが 20 の手動シナリオで成功したからといって、それが都市部の低空飛行におけるロングテール リスクをカバーするとは限りません。自動運転の分野では、明確なコンセンサスが得られています。実際の道路での衝突/衝突寸前はまれな出来事であり、自然のテストに直接依存するのは非常に非効率的です。したがって、Shuo Feng et al。は、自然主義的かつ敵対的な環境を提案しました。自然分布を使用して信頼性を維持し、敵対的分布を使用して危険なイベントの確率を高め、それによってインテリジェントな運転テストを加速します [1]。彼らはさらに、テストシナリオライブラリの生成を提案し、ODDの下でテストシナリオライブラリを代表的かつ重要なシナリオのセットとして定義し、危険度を使用して暴露頻度と操縦課題を考慮することを提案した[2][3]。 Ding らによるセーフティクリティカルなシナリオ生成のレビューでは、この分野をデータ駆動型、敵対的、知識ベースの 3 種類の方法に分類し、忠実度、効率、多様性、移転可能性、制御可能性が中心的な課題であると指摘しました [13]。

UAV シナリオでは、次の 4 つの理由から、この一連のアイデアがさらに必要になります。

  1. **三次元空間は高次元です。 ** UAV は平坦な車線だけでなく、高度、障害物の量、風場、電荷、センサーの視野、飛行力学も考慮します。

  2. **危険な事象を収集するのはさらに困難です。 ** 建物との実際の衝突、線路衝突、飛行禁止区域への進入、橋の横断、または高速での事故現場のサンプルは非常に少なく、訓練は実際の事故データに依存することができません。

  3. **通常のランダム生成は計算能力を無駄にします。 ** ランダムなシナリオの多くは、単純すぎるか、物理的に実行不可能であるか、危険だが避けられないため、トレーニングや評価には非効率的です。

  4. **シーン カバレッジの統一された測定方法はありません。 ** 既存の UAV の論文では、成功率や衝突率が報告されることがよくありますが、どの障害物の組み合わせ、局所的な形状、作業の困難さ、ODD 境界がテスト セットでカバーされるのかが示されることはほとんどありません。

したがって、論文 F に関する一般的な科学的疑問は次のとおりです。

現実的で制御可能かつ再現可能で、主要な安全性のロングテール リスクを効果的にカバーできる UAV シナリオ生成および評価システムを構築するにはどうすればよいでしょうか?

4. 論文 F1: UAV の安全性が重要なシーンのカバー率ベンチマーク

4.1 論文のタイトルCovUAV-Bench: 安全性が重要な UAV ナビゲーション シナリオ向けのカバレッジ指向のベンチマーク

4.2 背景

SafeBench はすでに、複数種類のシーン テンプレート、シーン生成アルゴリズム、評価指標を統合した、自動運転における安全性重視の統合ベンチマークを提供しています [5]。 Scenic はまた、確率的プログラムを使用してシーンの分布、ハード制約、およびソフト制約を表現することが実現可能な方法であることを証明しました [4]。 UAV シミュレーション環境の生成に関する予備作業が行われています。例えば、ナカマら。自動化された UAV シミュレーション環境ジェネレーターを提案しました [10]。 FADS はまた、時相論理安全仕様が自律型ドローンの安全パイプラインに組み込まれる可能性があることを示しました [11]。しかし、UAV 分野では、3D 障害物回避、低空回廊、都市部のローカル空間、緊急作業などのカバレッジ指向のベンチマークがまだ不足しています。

F1 の目標は、最強のプランナーを提案することではなく、UAV シーン空間がシステムによってどのようにカバーされるかを定義することです。

4.3 方法

50m x 50m x 50m の基本的なテスト スペースを構築し、ローカルなシーンから始めて都市ブロックに拡張します。- シーン オブジェクト: ビルディング ブロック、塔、ワイヤー、樹木、橋、一時的な障害物、動的 UAV、地上車両、人員エリア。

シーン カバレッジは次のように定義されます。

カバレッジ

はターゲット ODD の離散化されたシーン空間、 は 番目のクラス属性次元のサンプル セット によってカバーされるビン、 は次元の重みです。

既存の 7,600 万件の探索は、統計用に「既存の探索ログ資産」として書き込むことができます。

注: 7,600 万件の探索は、「利用可能な実験的根拠」としてのみ記載されており、検証された結論として記載することはできません。

4.4 ベースライン|ベースライン |目的 |

|----------|------| |ランダムシナリオサンプリング |最も基本的な適用範囲のベースライン | |グリッドサンプリング |パラメータ空間の一様離散化 | |ラテン超立方体サンプリング |より効率的なパラメータ カバレッジ | |風光明媚なスタイルの制限付きサンプリング |制約付きシーン生成ベースライン [4] | | SafeBench スタイルのテンプレート スイート |テンプレート化されたセキュリティ シナリオのベースライン [5] |

4.5 イノベーションのポイント

  1. UAV シーンのカバレッジ分類法を提案します: ODD、障害物の組み合わせ、動的外乱、タスクの種類、リスク レベル。
  2. いくつかの手動マップではなく、カバレッジ指向のベンチマークを提供します。
  3. 探索ログをカバレッジ ホールとクリティカル シナリオ シードに変換します。
  4. 後続の Paper B/C/E に統一されたシーン インターフェイスを提供します。

4.6 評価方法

インジケーター意味
パラメータの適用範囲パラメータ ビン カバレッジ率
ペアワイズ / t ワイズ カバレッジ複数の属性の組み合わせをカバー
クリティカルシナリオの密度単体テストの予算ごとに発見されたニアミス/衝突の数
無効なシナリオ レート物理的に実行不可能またはミッションの無意味なシナリオの割合
プランナーランキングの安定性アルゴリズムのランキングは、さまざまなランダム シードの下で安定していますか?
リプレイ再現性同じシードで同じ結果が再現できるかどうか

4.7 推奨される貢献

5. 論文 F2: 報道に基づいて危険な場面の生成を加速する### 5.1 論文のタイトル

安全性が重要な UAV 障害物回避のためのカバレッジに基づく加速テスト

5.2 背景

自動運転の加速テストの核心は、「避けられない衝突シナリオを作成する」ことではなく、現場の信頼性と実用性を維持しながら、安全上重要なイベントのサンプリング効率を向上させることです [1] [2] [3]。生成されたシナリオがどのプランナーにとっても実行可能でない場合、アルゴリズムの機能を差別化することはできません。生成されたシナリオが安全すぎる場合、システムの弱点を明らかにすることはできません。

UAV の障害物回避訓練にも同じ問題があります。

5.3 方法

CGAT-UAV: UAV 向けのカバレッジに基づく加速テスト を提案。

このアルゴリズムは 4 つのモジュールで構成されます。

  1. シナリオエンコーダー シーンを構造化ベクトルにエンコードします: 障害物の数、最小チャネル幅、ターゲットの方向、動的な障害物の速度、風の強さ、センサーのノイズ、バッテリーの余裕など。

  2. カバレッジメモリ 探索されたシーンのカバレッジ ビン、障害タイプ、およびプランナーのパフォーマンスを維持します。

  3. 重要度スコア Feng の臨界性の考え方を参照し、リスクの程度と暴露の頻度を組み合わせます [2]。

    。

    その中で、 は、避けられない衝突や物理的に不合理なシナリオを罰するために使用されます。4. 適応型ジェネレーター ベイジアン最適化、CMA-ES、RL 編集、またはクロスエントロピー手法を使用して、カバレッジ ホールおよびクリティカル度の高い領域に新しいシーンを生成します。

5.4 ベースライン

ベースライン比較の目的
ランダム生成加速率をテストする
グリッド/ラテンハイパーキューブサンプリングカバレッジ効率
ベイズ最適化ブラックボックスの危険な検索
CMA-ES継続的なパラメトリックハザード検索
RL 敵対的シナリオの生成学習ハザード生成
景観制限された生成ルールと制約の生成 [4]
FREA スタイルの実現可能性ガイド型生成「合理的な敵対」の考え方を比較してください [12]

5.5 イノベーションのポイント

  1. 加速テストを自動運転から UAV 3D 障害物回避に移行します。
  2. 衝突率だけを追求することを避けるために、カバレッジ、クリティカル性、実現可能性を同時に最適化します。
  3. 危険だが解決可能なシナリオでプランナーを訓練するための、取材ガイド付きカリキュラムを提案する。
  4. テストの加速率が示されます。同じ信頼区間に到達するために必要なシミュレーションの数が大幅に減少します。

5.6 評価方法|インジケーター |意味 |

|------|------| |加速係数 |ランダムなテストと比較して、同じ障害発見率を達成するために必要なテスト数が大幅に削減されます。 |障害発見率 |単位予算当たりに発見された衝突/ニアミス/タイムアウトの割合 | |実現可能な臨界度 |危険の割合と実現可能な障害物回避戦略 | |自然さスコア |シーンが ODD に準拠しているかどうか | | 1k テストあたりのカバレッジの増加 | 1000 回のテストごとに新しいカバレッジ | |トレーニング効率 |生成されたシナリオでトレーニングした後、プランナーが実施したテストで改善 |

5.7 推奨される貢献

6. 論文 F3: 局所的な障害物の組み合わせに対する都市全体のシーンの階層的生成

6.1 論文のタイトル

City2Local-UAV: 都市部の ODD から局所的な障害物構成までの階層的シナリオ生成

6.2 背景

F1 と F2 はローカル 3D テスト空間に対応していますが、実際の都市低空飛行は孤立したボックスではありません。ローカルなシーンが表示される理由は、道路の勾配、建物の密度、機能エリア、橋、サービスエリア、インターチェンジ、病院、学校、飛行禁止区域、緊急地点など、都市の全体的な構造によって異なります。

ASAM OpenODD/OpenSCENARIO は、ODD、現在の動作ドメインから実行可能なシナリオの記述までの標準化されたアイデアを提供します [6] [7]。 UAV 分野はこの抽象化レベルから学ぶことができますが、3 次元の障害物、空域の制約、および低高度ミッションのセマンティクスを組み込む必要があります。

6.3 方法

都市から地方への 3 層の発電パイプラインを提案します。

City-level ODD
  -> district / road / highway segment selection
  -> local 50m x 50m x 50m UAV test cell
  -> concrete obstacle composition
  -> simulator executable scenario

特定のモジュール:- 都市 ODD パーサー: OSM、道路勾配、建物の輪郭、POI、サービスエリア、橋、高速道路入口から都市/高速道路のセマンティクスを抽出します。

6.4 ベースライン

ベースライン比較の目的
純粋なランダムなローカル生成都市の状況を考慮しない
OSM か​​らマップへの直接変換マップを変換するだけで、シーンの範囲は制御しません。
CARLA / OSM デジタル ツイン世代地上自動運転デジタルツインベースライン [14]
手動シナリオ テンプレート手動ルール テンプレート
CityEngine / 手続き型都市生成手続き型都市生成ベースライン

6.5 イノベーションのポイント

  1. 都市 ODD を UAV ローカル安全テストセルに関連付けます。
  2. 「グローバル都市セマンティクス -> ローカル障害物構成」の階層的シーン生成を提案する。
  3. シーンのカバレッジをローカルパラメータから都市機能エリアのカバレッジまで拡張します。
  4. 済南、青島、山東省の主要高速道路ハブなど、実際の都市のケーススタディをサポートします。

6.6 評価方法|インジケーター |意味 |

|------|------| | ODD カバレッジ |都市機能エリア、道路勾配、建物密度の範囲 | |地域構成の多様性 |ローカル障害物の組み合わせの多様性 | |リアリズムスコア | OSM/POI/建物統計との一貫性 | |譲渡可能性 |ある都市で生成されたポリシーは、別の都市に移動しても引き続き有効ですか。 |重要度の維持 |都市コンテキストの生成により、リスクの高い地域の風景が保存されるかどうか |

6.7 推奨される貢献

7. 論文 F4: 山東省高速道路の緊急救助のための UAV と地上リソースの共同配備

7.1 論文のタイトル

高速道路の緊急対応のためのシナリオを意識した UAV と地上のリソース割り当て

7.2 背景

山東高速道路はすでに低空点検や緊急対応の事業基盤を備えている。山東高速グループの公開情報によると、同社の総合点検飛行サービスシステムは、道路状況の点検、道路点検、緊急対応、データ分析のために主要エリアに無人プラットフォームと産業用ドローンを配備していることが示されている[15]。これは、高速シナリオが単なる空想ではなく、応用の入り口があることを示しています。

高速道路の緊急資源配分に関する研究では、既存の作業にはまだいくつかの問題があることが指摘されている。すなわち、運用段階での沿道小規模/マイクロ緊急施設の設置場所の選定が不十分であること、事故の初期段階では完全な情報が想定されていることが多いが実際にはそうではないこと、事故後の交通状況は不確実で時間とともに変化すること、施設の設置場所の選定、資源の配分、派遣の統合的な最適化が依然として不十分であることである[16]。交通事故監視における時空間ネットワーク UAV ルーティングに関する研究 [17] や、災害緊急通信における UAV のリアルタイム展開とリソース割り当てに関する研究 [18] が行われていますが、高速の緊急事故現場のカバー範囲、現場の偵察情報値、および地上救助リソースの割り当てを備えた統合された閉ループはまだ形成されていません。

これはUAVの導入に適しており、まずドローンが事故現場に到着して状況を把握し、その後地上クリアランス、消火、救助、制御リソースが動的に出動します。

7.3 方法提案された シナリオを認識した UAV 地上緊急派遣:

7.4 問題の定式化

高速道路セクションのセットを 、事故セットを 、UAV セットを 、地上救助リソース セットを 、給油所/無人プラットフォーム セットを とします。

決定変数には次のものが含まれます。

目的関数:

Extra \left or missing \right\分 \mathbb{E}\left[ \beta_1 T_{\text{応答}}+ \beta_2 T_{\text{クリアランス}}+ \beta_3 C_{\text{派遣}}+ \beta_4 R_{\text{セカンダリ}}+ \beta_5 U_{\text{不確実性}} \右]。

このうち、 は事故情報の不確実性を表しており、UAV による偵察によって軽減することができます。

7.5 ベースライン|ベースライン |比較の目的 |

|----------|----------| |地上専用派遣 |ドローンによる偵察は禁止 | |最も近いリソースのディスパッチ |最も近いリソースを最初に | |静的な設備割り当て |固定設備割り当て | | 2 段階の確率的最適化 |出動前に事故を見積もる | | UAV ファーストのヒューリスティック |最初に UAV 偵察、次に地上派遣 | |シナリオを意識したローリング最適化 |主な方法 |

7.6 イノベーションのポイント

  1. リソースの割り当てだけでなく、現場の取材範囲と高速の緊急派遣を結び付けます。
  2. インシデント情報の不確実性を軽減する意思決定アクションとして UAV 偵察をモデル化します。
  3. 山東高速道路の実際のビジネス コンテキストをサポートします。無人プラットフォーム、道路状況の検査、緊急対応、作業指示の流通などです。
  4. 応答時間、クリアタイム、二次災害リスク、派遣コストの統合最適化。

7.7 評価方法

インジケーター意味
初回視聴時間UAV が最初に事故映像を取得した時刻
応答時間救助リソースの最初のバッチの到着時間
空き時間事故処理完了時間
間違った発送率誤った発送、発送漏れ、またはリソース不足の割合
二次災害のリスク二次災害リスク代理
混雑遅延事故による遅延の合計
UAV 情報値UAV を使用した偵察は、UAV を使用しない場合と比較して不確実性を軽減します。

7.8 推奨される貢献

8. 実験プラットフォーム、データソース、評価指標を統合する

8.1 実験用プラットフォーム|階層 |推奨される実装 |目的 |

|------|----------|------| |軽量シミュレーション | Python / PyBullet / カスタム 3D グリッド | 7,600 万レベルの迅速な探索 | | UAVシミュレーション | AirSim、フライトメア |ビジョン、ダイナミクス、センサー検証 [8] [9] | |シナリオ言語 |風景のような DSL、JSON スキーマ |再現可能なシーン生成 [4] | |都市データ | OpenStreetMap、POI、道路勾配、建物の輪郭 |都市からローカルシーンへの生成 | |高速緊急 |山東省高速道路のオープン事例、事故統計、総合事故フロー |緊急資源配分実験 |

F1/F2 のメイン実験では、大規模な探査を確実にするために軽量シミュレーションを優先する必要があります。 AirSim/Flightmare は小規模な高忠実度検証に使用されており、すべての実験に依存しているわけではありません。

8.2 データソース

8.3 統一指標|インジケーターグループ |インジケーター |

|------|------| |取材範囲 |パラメータ カバレッジ、t ワイズ カバレッジ、ODD カバレッジ、カバレッジ ゲイン | |安全性 |衝突率、ニアミス率、最小距離、制約違反 | |危険発生 |臨界度、故障発見率、加速係数、実現可能な臨界度 | |トレーニングの価値 |サンプル効率、ホールドアウト成功率、ODD シフト下での堅牢性 | |緊急時の値 |ファーストビュー時間、応答時間、クリアランス時間、間違った発送率 |

9. 推奨される送信パスと優先度

9.1 最初の段階: 最初に F1 + F2 を実行します

最初のフェーズでは、「UAV の安全性が重要な現場の範囲 + 加速テスト」を中心に 2 つの記事を直接書くことをお勧めします。

  1. F1 ベンチマーク ペーパー より安定しており、その後のすべての UAV 論文の実験ベースとして適しています。アルゴリズムが特に強力ではない場合でも、分類法、カバレッジ指標、データセット、再現可能な実験に基づいて確立することができます。

  2. F2法論文 AAAI/ICRA/IROS への方法論的な貢献。ハイライトは、Shuo Feng の自動運転の加速テストから UAV 3D シーンへの移行と、カバレッジに基づく実現可能な重要性の追加です。

9.2 フェーズ 2: F3 + F4 を再度実行します。

F3 と F4 は、F1/F2 にツールの基礎ができた後の進歩に適しています。

紙Paper Fをサポートする方法
紙Bピーク/ショック/高速道路の緊急需要シナリオを提供
紙Cローカル 3D オクルージョン、パースペクティブ カバレッジ、および困難なシーンの再構築を提供します。
論文E自然言語タスク、マップ エンティティ、安全制約シナリオを提供します。

ペーパー F は、UAV 研究ライン全体の「シナリオ インフラストラクチャ ペーパー」として最適です。

10. 参考文献

[1] Shuo Feng、Xintao Yan、Haowei Sun、Yiheng Feng、Henry X. Liu。 「自然主義的環境と敵対的環境を備えた自動運転車のインテリジェント運転知能テスト」 Nature Communications、12:748、2021。DOI: 10.1038/s41467-021-21007-8。 URL: https://doi.org/10.1038/s41467-021-21007-8

[2] Shuo Feng、Yiheng Feng、Chunhui Yu、Yi Zhang、Henry X. Liu。 「コネクテッド車両および自動化車両のテスト シナリオ ライブラリ生成、パート I: 方法論」。 高度道路交通システムに関する IEEE トランザクション、22(3):1573-1582、2021。DOI: 10.1109/TITS.2020.2972211。 URL: https://doi.org/10.1109/TITS.2020.2972211[3] Shuo Feng、Yiheng Feng、Haowei Sun、Shan Bao、Yi Zhang、Henry X. Liu。 「コネクテッド車両および自動運転車両のテスト シナリオ ライブラリ生成、パート II: ケース スタディ」。 高度道路交通システムに関する IEEE トランザクション、22(9):5635-5647、2021。DOI: 10.1109/TITS.2020.2988309。 URL: https://doi.org/10.1109/TITS.2020.2988309

[4] ダニエル・J・フレモント、トンマソ・ドレオッシ、シュロモナ・ゴーシュ、シャンユー・ユエ、アルベルト・L・サンジョヴァンニ＝ヴィンセンテリ、サンジット・A・セシア。 「Scenic: シナリオの仕様とシーン生成のための言語」 プログラミング言語設計および実装に関する第 40 回 ACM SIGPLAN カンファレンス (PLDI) の議事録*、2019 年。DOI: 10.1145/3314221.3314633。 URL: https://people.eecs.berkeley.edu/~sseshia/pubs/b2hd-fremont-pldi19.html[5] Chejian Xu、Wenhao Ding、Weijie Lu、Zuxin Liu、Shuai Wang、Yihan He、Hanjiang Hu、Ding Zhao、Bo Li。 「SafeBench: 自動運転車の安全性評価のためのベンチマーク プラットフォーム」 Advances in Neural Information Processing Systems 35 (NeurIPS 2022) Datasets and Benchmarks Track、2022。URL: https://proceedings.neurips.cc/paper_files/paper/2022/hash/a48ad12d588c597f4725a8b84af647b5-Abstract-Datasets_and_Benchmarks.html

[6] アサム。 「ASAM OpenSCENARIO DSL: 主要な用語と概念の概要」 URL: https://publications.pages.asam.net/standards/ASAM_OpenSCENARIO/ASAM_OpenSCENARIO_DSL/latest/conception-overview/key_terms.html

[7] アサム。 「ASAM OpenODD: モデルから ASAM OpenSCENARIO DSL へのマッピング リファレンス」 URL: https://publications.pages.asam.net/standards/ASAM_OpenODD/ASAM_OpenODD/latest/specation/09_openscenario_dsl/09_01_overview.html[8] シタル・シャー、デバディープタ・デイ、クリス・ラヴェット、アシシュ・カプール。 「AirSim: 自動運転車向けの高忠実度の視覚的および物理的シミュレーション」 フィールドおよびサービス ロボティクス、先端ロボット工学における Springer Proceedings、2017 年。 arXiv:1705.05065。 URL: https://arxiv.org/abs/1705.05065

[9] ユンロン・ソン、セリム・ナジ、エリア・カウフマン、アントニオ・ロケルシオ、ダヴィデ・スカラムッツァ。 「Flightmare: 柔軟なクワドローター シミュレーター」 第 4 回ロボット学習会議 (CoRL) の議事録、PMLR 155、2021。URL: https://proceedings.mlr.press/v155/song21a.html

[10] ジャスティン・ナカマ、リッキー・パラダ、ジョアン・P・マトス＝カルヴァーリョ、ファビオ・アゼベド、ダリオ・ペドロ、ルイス・カンポス。 「UAV ベースのシミュレーションのための自律環境ジェネレーター」。 応用科学、11(5):2185、2021。DOI: 10.3390/app11052185。 URL: https://doi.org/10.3390/app11052185[11] ヤシュ・ヴァルダン・パンツ、マックス・Z・リー、アレナ・ロディオノバ、ルディ・A・クエイ、フーサム・アッバス、ミーガン・S・ライアーソン、ラーフル・マンガハラム。 「FADS: 時間論理ベースの軌道計画を使用した自律型ドローンの安全性のためのフレームワーク」 交通研究パート C: 新興技術、130:103275、2021。DOI: 10.1016/j.trc.2021.103275。 URL: https://doi.org/10.1016/j.trc.2021.103275

[12] ケイユー・チェン、ユーヘン・レイ、ハオ・チェン、ハオラン・ウー、ウェンチャオ・スン、シーファ・ジェン。 「FREA: 合理的な敵対性を備えた、実現可能性に基づいた安全性が重要なシナリオの生成」。 arXiv:2406.02983、2024。URL: https://arxiv.org/abs/2406.02983

[13] ディン・ウェンハオ、シュー・チェジアン、マンスール・アリエフ、リン・ハオホン、ボー・リー、ディン・チャオ。 「安全重視の運転シナリオ生成に関する調査: 方法論的観点」 arXiv:2202.02215、2022。URL: https://arxiv.org/abs/2202.02215[14] カーラチーム。 「デジタル ツイン ツール: OpenStreetMap からの手続き型生成」 CARLA シミュレータのドキュメント。 URL: https://carla.readthedocs.io/en/0.9.16/adv_digital_twin/

[15] 山東高速道路集団有限公司「『山東高速道路総合点検飛行サービスシステム』稼動」 2025年。URL: https://www.sdhsg.com/article/72553

[16] 趙翔模、趙一飛、陸能超ら。 「高速道路交通事故の緊急事態に対する主要な資源配分に関する研究のレビュー」 交通工学トランザクション、2024 年。DOI: 10.19818/j.cnki.1671-1637.2024.06.001。 URL: https://transport.chd.edu.cn/cn/article/doi/10.19818/j.cnki.1671-1637.2024.06.001

[17] Jisheng Zhang、Limin Jia、Shuyun Niu、Fan Zhang、Lu Tong、Xuesong Zhou。 「交通事故監視アプリケーションにおける動的無人航空機ルーティングのための時空間ネットワークベースのモデリングフレームワーク」 センサー、15(6):13874-13898、2015。DOI: 10.3390/s150613874。 URL: https://doi.org/10.3390/s150613874[18] タン・ドゥイ、ロン・D・グエン、チュン・Q・ズオン、サイード・コスラヴィラド、ホルガー・クラウセン。 「UAV 支援災害緊急通信のリアルタイム展開とリソース割り当ての共同最適化」。 通信の選択領域に関する IEEE ジャーナル、39(11):3411-3424、2021。DOI: 10.1109/JSAC.2021.3088662。 URL: https://doi.org/10.1109/JSAC.2021.3088662

付録: この実行計画

ステップ 1: 用紙をフリーズ F 全体の位置決め

ステップ 2: 最初に F1 ベンチマークを実行する

ステップ 3: F2 加速テスト アルゴリズムを進化させる- ランダム/グリッド/LHS/BO/CMA-ES/RL 敵対的ベースラインを実装します。

ステップ 4: F3 都市をローカルシーンに拡張する

ステップ 5: F4 高速緊急アプリケーションを拡張する

ステップ 6: 提出リズム

ステップ 7: 最近 1 週間のタスク-F1 の正式な実験課題を書きます。