AeroResQ：一种基于边缘计算技术的无人机框架，专为野火场景中的可扩展、弹性且协作的逃生路线规划而设计

《Future Generation Computer Systems》：AeroResQ: Edge-accelerated UAV framework for scalable, resilient and collaborative escape route planning in wildfire scenarios

　　苏曼·拉杰（Suman Raj）|拉迪卡·米塔尔（Radhika Mittal）|拉吉夫·马亚尼（Rajiv Mayani）|帕维尔·祖克（Pawel Zuk）|阿尼尔班·曼达尔（Anirban Mandal）|迈克尔·津克（Michael Zink）|约格什·西姆汉（Yogesh Simmhan）|埃娃·迪尔曼（Ewa Deelman）

**印度科学研究院计算与数据科学系，CV Raman Road，班加罗尔，KA，印度**

**摘要**
配备有车载摄像头、计算机视觉和深度神经网络（DNN）模型的无人机舰队为各种时空应用提供了强大的解决方案。在野火应对方面，无人机可以在监测火势蔓延、协助消防员灭火以及促进安全疏散中发挥关键作用。在本文中，我们介绍了一种名为AeroResQ的边缘加速型无人驾驶飞行器（UAV）框架，该框架适用于动态野火场景中的可扩展、有韧性的协作逃生路线规划。AeroResQ包括服务无人机（SDs）和协调无人机（CDs），每种无人机都有其特定的职责。服务无人机负责调查受火灾影响的区域，利用车载边缘加速器运行火灾检测和人体姿态识别DNN模型来检测被困人员，并发出救援请求。协调无人机配备有轻量级数据存储系统（如Apache IoTDB），能够动态生成最优地面逃生路线并监控消防员在这些路线上的移动。AeroResQ采用基于地形限制、火势蔓延和疏散者位置的加权A*搜索算法进行协作路径规划。其工作流程包含智能负载均衡和韧性策略：协调无人机故障会触发通过IoTDB副本自动数据重新分配，而服务无人机故障则会导致火场区域的空间重新划分，并将这些划分重新分配给现有的服务无人机。我们在模拟的2025年南加州野火案例中评估了AeroResQ的性能，分析了逃生路线生成时间、消防员协调效率以及系统的响应能力。结果表明，对于不同的无人机配置、火灾区域和长达180分钟的实验持续时间，AeroResQ的端到端延迟中值均不超过500毫秒，证明了其在紧急响应中的实时部署可行性。

---

**引言**
近年来，由于自主导航、边缘计算和设备上的人工智能（AI）技术的进步，无人驾驶飞行器（UAV，通常称为无人机）获得了显著关注。这些发展使无人机能够在不依赖远程云基础设施的情况下实时处理数据，使其在灾难管理、环境监测和智慧城市运营等关键任务中表现出高效性[1]。通过在边缘层面利用AI驱动的决策制定，无人机能够自主导航复杂环境、检测异常情况，并在最小化人工干预的情况下适应动态条件。
无人机在灾害应对中的应用尤为突出，它们提供实时的情况感知和决策支持具有重要价值[2]。在各种灾害场景中，野火环境尤其具有挑战性，需要快速检测、持续监控和协调疏散工作。野火扩散具有不可预测性，往往超越传统消防策略的应对速度。传统 aerial 监控方法（如有人直升机和卫星）在成本、操作灵活性和响应时间方面存在局限。配备有车载AI模型的无人机通过实时火灾检测、边界跟踪和智能逃生路线规划，为野火应对提供了变革性的方案。通过整合计算机视觉（CV）、深度神经网络（DNN）和边缘加速器，无人机能够有效识别火灾热点、定位被困人员，并协助消防员穿越危险地形。这激发了我们使用无人机队伍的兴趣，以实现可扩展和协作的操作，覆盖整个野火区域，确保全面的火灾监控、高效的救援任务以及即使在快速变化的野火条件下也能进行实时适应性决策。
尽管通常禁止在灭火操作期间使用无人机，但这种禁令主要针对民用无人机，尤其是那些可能出于恶意目的操作的无人机，这些无人机可能对消防员构成风险。在我们的研究中，我们设想无人机将与其他空中和地面资产协同部署，以确保它们不会干扰其他操作。当配备红外摄像头时，无人机甚至在夜间也能运行（此时直升机和飞机无法飞行）。
野火对紧急响应团队构成重大挑战，常常需要快速和协调的干预来援助被困人员和消防员（疏散者），并引导他们前往安全地点。在野火等灾害场景中，依赖云通信存在显著问题，如网络连接不可靠、数据传输延迟高和带宽限制。受影响区域的基础设施损坏或网络拥堵会严重限制对云资源的访问，延迟关键的实时情况感知决策过程。利用车载AI模型的边缘计算通过允许无人机在本地处理和分析数据来缓解这些挑战，减少对外部连接的依赖，确保更快的响应时间。合作卸载策略表明，即使在资源有限的无人机上也可以有效部署边缘智能，同时保持系统整体效率[3]。此外，基于边缘的处理增强了系统的韧性，即使云服务无法使用，无人机也能继续运行。

在部署无人机队伍进行野火应对时，会出现若干关键挑战，其中车辆边缘网络中的移动感知服务连续性机制[4]对于在动态拓扑变化下保持服务不中断非常有用。对于AeroResQ来说，当无人机因电池耗尽或暴露在野火高温下而失效时，也会出现类似问题。其中一个主要挑战是监控无人机失效导致的覆盖缺口。如果它们失效，可能会出现实时情况感知的缺失，可能导致未能及时发现处于困境中的人员。为缓解这一问题，系统必须动态重新分配剩余的无人机或部署替代无人机，以确保对受影响区域的持续监控。另一个重要问题是无人机失效可能导致关键数据的丢失，包括火灾边界更新和人员检测信息。如果无人机在卸载数据之前失效，逃生路线规划和疏散者的安全可能会受到威胁。接下来，逃生路线生成也会受到影响。失去负责规划疏散路径的无人机之一可能会延迟路线计算，增加地面上人员的风险。因此，系统必须设计冗余计算能力，以便另一架无人机或某个基站能够无缝接管逃生路线生成任务。同时，跟踪负责沿逃生路线监控疏散者的无人机也非常重要，确保他们能够到达安全区域。它们的失效可能导致追踪和引导的丢失，使疏散者面临变化中的火势风险。为防止这种情况，系统必须支持实时交接机制，以便在无人机丢失时另一架无人机能立即接管监控职责。

**解决这些挑战需要一个具备适应性任务规划、容错数据复制和智能任务重新分配能力的韧性强的野火无人机群，以确保连续运行、疏散者安全和有效的野火控制。**
现有的基于无人机的野火管理研究主要集中在火灾检测、监测和应急响应[5][6]，部分研究利用无人机进行数据收集和风险估算[7][8]。关于基于无人机的逃生路线规划的实用研究较少[9]，大多数方法仅依赖于火灾蔓延模型，缺乏协调的无人机车队部署或韧性考虑[10]。虽然之前的研究探索了多无人机协同进行持续火灾跟踪和容错，但它们没有包括动态逃生路线规划[11]。在本文中，我们提出了AeroResQ，这是一种创新的无人机舰队架构，能够在野火场景中使用边缘加速型无人机为被困人员提供有韧性和协作的逃生路线规划。具体来说，我们做出了以下贡献：
1. 我们阐述了AeroResQ的研究动机和系统需求，并介绍了AeroResQ的关键组件，如基站（BS）、服务无人机（SD）和协调无人机（CD）（第2节）。
2. 我们提出了AeroResQ，一种专门为实时野火管理和救援协助设计的新型执行工作流程（第3节），该流程使用加权A*算法生成最安全和最短的逃生路线（第4节）。
3. 我们开发了韧性算法，以确保在服务或协调无人机失效时系统的连续性，实施容错机制以保证安全疏散（第5节）。
4. 我们描述了AeroResQ的架构和实现细节，包括部署在无人机上的服务、它们的通信框架以及用于火灾检测和人员定位的DNN模型（第6节）。
5. 我们使用2025年加利福尼亚野火的真实数据集评估了AeroResQ的性能，分析了不同模拟故障和动态场景下的系统性能和协调效果，并展示了其在大规模部署中的有效性（第7节）。
6. 我们回顾了相关工作（第8节），讨论了研究结果（第9节），并提出了结论和未来工作计划（第10节）。

**问题概述**
图1展示了不同类型的无人机如何协作进行野火响应和疏散路线规划。火灾区域表示部署了无人机用于监控和救援操作的活跃野火区域。服务无人机（蓝色）沿着蓝色虚线表示的火场边界飞行，而协调无人机（紫色）则在空中悬停。服务无人机执行空中监控，检测人员存在（图2(a)）并评估火势蔓延情况（图2(b)）。

**AeroResQ工作流程**
在本节中，我们讨论了系统假设，提供了高层次的工作流程，然后详细介绍了AeroResQ的架构。

**协作逃生路线规划**
在本节中，我们讨论了使系统能够确定火场边界并协作生成消防员逃生路线的各种策略和算法。

**韧性算法**
无人机在高度动态的环境中运行，硬件和通信故障可能会影响逃生路线引导的可靠性。如果没有韧性机制，无人机故障或连接丢失可能导致消防员没有更新的逃生路线，增加他们的风险。为应对这些挑战，我们讨论了缓解两种关键故障情况的策略：（1）协调无人机失效，这会导致疏散者无人照料；

**架构和部署**
在本节中，我们介绍了AeroResQ的架构，并讨论了使用Docker Compose部署模拟系统的情况，强调了系统组件之间的交互。

**设置**
我们使用Docker Compose设置仿真环境，启动了所需数量的服务无人机、协调无人机和基站容器。这些容器通过桥接网络相互连接，运行在一个配备AMD EPYC 7352 CPU（64个vCPU和80 GB RAM）、两个NVIDIA A10 GPU（9216个CUDA核心、288个Tensor核心和24 GB GPU内存）的主机上。该服务器运行Rocky Linux 8.10（Green Obsidian）和CUDA。

**相关工作**
在本节中，我们回顾了基于无人机的野火操作、多无人机协同和逃生路线规划的相关研究，强调了它们的贡献，并指出了AeroResQ旨在解决的不足之处。

**讨论**
将AeroResQ部署在政府应急响应系统中面临若干实际和组织挑战。正如近期关于消防员认知的实地研究[62]所强调的，有效整合必须与现有的指挥层次结构和已明确定义及规范的通信工作流程保持一致。此外，响应者对自主系统的有限技术熟悉度和信任度需要针对性培训，以增强对无人机辅助操作的信心。

**结论和未来工作**
在本文中，我们介绍了AeroResQ，这是一种基于无人机的新型野火响应系统，它通过分布式设备上数据存储和车载深度学习模型实现协作路径规划和实时决策。通过利用服务无人机和协调无人机，AeroResQ能够有效检测被困人员，生成安全的逃生路线并监控他们直到到达安全位置。我们的容器化仿真框架允许进行广泛评估。

**作者贡献声明**
苏曼·拉杰（Suman Raj）：撰写原文、验证、软件、方法论、概念化；
拉迪卡·米塔尔（Radhika Mittal）：撰写原文、可视化、验证、软件；
拉吉夫·马亚尼（Rajiv Mayani）：验证；
帕维尔·祖克（Pawel Zuk）：方法论、概念化；
阿尼尔班·曼达尔（Anirban Mandal）：撰写/编辑、监督；
迈克尔·津克（Michael Zink）：撰写/编辑、监督；
约格什·西姆汉（Yogesh Simmhan）：撰写/编辑、监督、资金获取；
埃娃·迪尔曼（Ewa Deelman）：撰写/编辑、监督。

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
作者感谢DREAM实验室的Gagana MD在本文研究中的协助。这项工作得到了能源部奖项#DE-SC0024387、国家科学基金会奖项#2018074和#2403051以及IISc的AI与机器人技术园区（ARTPARK）的支持。苏曼·拉杰获得了印度教育部的总理研究奖学金。
苏曼·拉杰是芝加哥大学计算机科学系的博士后研究学者，她毕业于印度科学研究院计算与数据科学系。她的研究重点在于自动驾驶车辆的系统设计和算法研究，尤其关注计算机视觉技术的应用。她曾任职于高盛的数据平台团队，而高盛是Publicis Sapient的客户之一。Suman拥有学士学位（一等荣誉学位）。