利用视觉变换器学习启发式方法，实现具备风险意识的无人机末端配送

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Learning heuristics with Vision Transformers for risk-aware drone last-mile delivery

　　

恩里克·阿尔达奥|费尔南多·维加-洛佩斯|卡罗琳·P.C.香奈儿|渡边洋子|伊吉尼奥·冈萨雷斯-豪尔赫

摘要

无人飞行器在最后一公里配送领域的应用越来越受到关注，它为城市包裹运输提供了一种有前景的解决方案，相比传统的地面物流方式更具可持续性和成本效益。然而，这类操作也存在诸多风险，需要有效的风险缓解策略和高效的路径规划工具。在复杂的城市环境中进行考虑风险的路径规划具有很高的计算难度，因为它涉及高度组合性的序列决策问题，同时还需高效的实时重规划能力以确保响应速度。高效的路径规划器通常依赖基于图的搜索方法，而用于指导搜索的启发式规则在其中起着关键作用。但在考虑风险的路径规划中，启发式估计尤其具有挑战性，因为风险评估是成本估算的一部分，与传统的视距或欧几里得算法有很大不同。为了解决这一难题，本研究提出了一种新的深度学习框架，用于在考虑风险的无人机路径规划中估算准确且可行的启发式函数。为此，研究人员利用真实的3D城市场景和基于图的优化框架构建了一个全面的成本预估地图数据库。该数据集被用来训练视觉Transformer网络，使其能够为不同的目标函数配置提供准确的成本预估。所提出的架构包含一种可行性修正机制，可用于调节启发式函数的精确度与可行性之间的平衡，从而提升解决方案的优化程度或搜索效率。通过与传统启发式方法在计算时间和成本预估方面的对比测试，结果显示，与传统方法相比，该方法的处理速度可提高多达20倍，同时仍能得到接近最优的解决方案，路径成本的平均增幅仅为0.1%左右。