面向卫星辅助地质灾害监测的多无人机强化学习增强路由及应急优先

《Engineering Applications of Artificial Intelligence》：Reinforcement learning-enhanced routing for multiple unmanned aerial vehicles in satellite-assisted geohazard monitoring with emergency prioritization

　　

摘要 卫星遥感和无人机（UAVs）为大规模地质灾害监测提供了互补能力。卫星能够实现快速的大范围监视以识别潜在地质灾害点（PGs），而无人机则执行高分辨率检查以验证已识别的 PGs 并常规监测已记录的地质灾害点（GSs）。然而，在有限的飞行续航和动态紧急优先级更新下协调多架无人机仍然是一个具有挑战性的优化问题。在本文中，我们在滚动时域监控框架下构建了一个带有动态紧急优先级的多无人机路由问题。在提议的系统中，卫星识别的 PGs 必须由无人机验证，之后确认的地点将动态集成到常规监测过程中，并更新紧急等级。目标是在有限的任务时间内，通过优先考虑高风险地点的检查来联合优化任务效率和风险覆盖范围。为了解决这一高度受限的问题，我们开发了一种增强型自适应大邻域搜索算法（ALNS-RL），该算法利用深度 Q 学习机制进行状态感知算子选择。最后，基于中国陕西省南部的真实案例研究证明，所提出的 ALNS-RL 在解决方案质量和收敛性能方面均显著优于传统启发式算法。

引言 地质灾害，如泥石流、滑坡、沉降和地表裂缝，对人类生命、基础设施和生态系统构成严重威胁，特别是在山区和环境敏感地区（Wang et al., 2023）。随着极端天气事件频率的增加和人类活动的加剧，许多地质灾害易发区正面临风险水平升高和灾害演化不确定性增大的问题。因此，有效的监测和及时的应急响应对于早期发现和风险缓解至关重要（Ma et al., 2024, Düdük?ü et al., 2023, Meng et al., 2024）。由于具有广泛的空间覆盖范围和快速观测能力，卫星遥感已成为大规模地质灾害监测不可或缺的技术（W. Niu et al., 2023）。通过周期性的大范围监视，卫星可以有效地检测与潜在地质灾害相关的地形变形、植被异常和其他早期预警信号。然而，卫星观测往往受到空间分辨率、重访周期、天气条件和地形遮挡的限制（Ma et al., 2023, Downs et al., 2023），难以准确验证局部灾害状况或持续监测特定高风险地点。

无人机通过实现灵活部署、高分辨率成像和局部检查，为卫星监测提供了有效的补充（Mukhlisin et al., 2023, Soliman et al., 2023）。与传统的基于地面的监测方法相比，无人机可以快速进入偏远和危险区域，并提供详细的视觉和地形信息。在本文中，我们考虑将配备多光谱相机和激光雷达（LiDAR）的无人机纳入监测系统。提议的监测系统利用卫星和无人机之间的协同效应，其示意图如图 1 所示。卫星进行常规大范围监视以识别潜在地质灾害点（PGs），随后需要无人机验证。同时，无人机也被任务分配执行已记录的地质灾害点（GSs）的常规巡逻。通过将无人机的任务与卫星的轨道周期对齐，该框架增强了空间分辨率和时间响应能力。它实现了对地质灾害易发区的定期巡逻，这对于独立系统来说很难实现。

由于无人机飞行续航有限以及 GSs 的地理分散性，需要部署多架无人机车队来执行多航次监测任务。为了在这些约束下提高监测效率，我们建立了一个动态优先级框架，其中 GSs 通过多准则评估被分为紧急等级。该评估结合了四个关键参数：地质稳定性、威胁范围、环境条件和历史灾害频率。此外，卫星不仅可以检测新兴风险区，还可以识别已记录的 GS 中的新形态变化，两者都被标记为 PGs。与已建立灾害信息档案的 GSs 不同，PGs 代表由于卫星图像固有局限性而产生的未验证风险，可能包括不准确或不确定的目标检测。这种信息差距导致了对初始无人机验证的迫切需求，以验证这些异常并获取准确的现场数据。配备高分辨率相机和 LiDAR 的无人机可以在卫星警报后支持高精度地形建模和详细的灾害评估。

在本文中，我们构建了一个带有紧急优先级的多无人机路由问题，以基于预处理后的卫星检测数据监测地质灾害易发区。在卫星完成检测并收集目标区域数据后，从卫星图像中识别出异常并标记为 PGs。随后，派遣无人机验证和评估已识别 PGs 的紧急等级。在检查任务中，要监测的 GSs 根据其紧急等级被分为两个不相交的子集，即需要优先检查的高优先级 GSs 和优先级较低的可选 GSs。从数学角度来看，这将任务转化为定制的团队定向问题（TOP）。与标准 TOP 不同，我们的模型对 PGs 执行严格的强制包含约束以确保其彻底验证，同时根据其紧急等级优化可选 GSs 的路由。因此，无人机应优先检查 PGs 和高优先级 GSs。在监测任务期间，无人机车队从共同的仓库同时出发，巡逻不同的地点，并必须在其最大允许飞行时长内返回仓库。目标函数的设计旨在平衡操作时间效率和全面的风险覆盖，确保具有剩余飞行时长的无人机预期巡逻尽可能多的可选 GSs，以收集更全面的信息并提高对地质灾害易发区的态势感知。

本研究解决了一个 NP 难组合优化问题，由于高维决策变量，该问题在大规模下特别具有挑战性。虽然 ALNS 等启发式方法广泛用于此类问题，但其传统的基于历史的自适应机制在面对高度动态或碎片化的搜索空间时，往往存在收敛缓慢和适应性有限的问题。为了解决这些问题，我们提出了一个将强化学习与自适应大邻域搜索相结合的混合框架，称为 ALNS-RL。具体来说，采用深度 Q 学习机制根据当前搜索状态自适应地选择破坏和修复算子，从而优化过程中提高全局探索与局部开发之间的平衡。

本文的主要贡献总结如下：
1. 提出了一种基于周期的卫星辅助多无人机监测框架。在每个卫星轨道周期的开始时，新卫星识别的 PGs 被引入第一次监测航次。无人机验证结果和已记录地质灾害点的紧急优先级随后在连续航次之间更新，而由下一次卫星观测生成的候选点被纳入下一个规划时域。
2. 在滚动时域决策框架下构建了一个带有动态紧急优先级的多无人机路由优化模型。该模型联合考虑了大规模地质灾害环境中的强制验证任务、常规检查和风险导向的监测目标。
3. 开发了一种基于强化学习的增强型自适应大邻域搜索算法来解决所提出的路由问题。所提出的 ALNS-RL 算法利用深度 Q 学习进行状态感知算子选择，提高了动态演变监测场景下的解决方案质量和搜索效率。
4. 基于中国陕西省南部地质灾害监测任务的真实案例研究以验证所提出的框架。计算实验表明，所提出的算法在解决方案质量和收敛性能方面均显著优于传统启发式方法。

本文的其余部分结构如下。第 2 节回顾了关于地质灾害监测、卫星 - 无人机协作系统、无人机路由优化以及强化学习增强的元启发式算法的相关文献。第 3 节描述了问题设置并提出了带有紧急优先级的多无人机路由问题的数学公式。所提出的 ALNS-RL 解决方案框架在第 4 节中展示。第 5 节展示了一个地质灾害监测问题的真实案例和参数敏感性分析。最后，第 6 节提供了结论和未来方向。

章节片段

相关工作 在过去十年中，无人机技术从根本上改变了地质灾害监测的范式。受小型化 LiDAR 传感器、自主导航和商业无人机成本降低等技术进步的推动，无人机现在在整个灾害管理生命周期中提供了前所未有的能力。无人机主要用于地质灾害研究中的地质调查和测绘、数据收集、通信中继和应急后勤支持（Shang et al., 2023) 问题

问题描述与模型构建 在本节中，我们基于预处理后的卫星检测数据，正式提出了带有紧急优先级的巡逻 GSs 的多无人机路由问题。

基于强化学习的自适应大邻域搜索 本文解决的多无人机路由问题本质上是 TOP 的一种变体，属于 NP 难问题，导致即使在大规模实例中，精确解的计算时间也不容乐观。为了克服这一挑战，我们提出了一种将 ALNS 与 RL 相结合的混合算法。与依赖基于历史的自适应机制进行算子选择的传统 ALNS 方法不同，RL 组件根据实时反馈学习优先算子组合...

实验准备 (1) 真实案例实例。为了验证所提出的框架，我们考虑了中国陕西省南部的一个真实地质灾害监测案例。案例研究中使用的地理空间坐标和地点属性是从官方地质灾害监测数据库获得的。为了评估下游路由框架，保留了 126 个地点作为已记录的 GSs，而 24 个地点被指定为卫星识别的 PGs，其风险等级在无人机检查前被视为未知。

结论 在本文中，我们通过将卫星辅助风险检测与无人机检查操作相结合，研究了一个用于地质灾害监测的多无人机路由问题。所提出的框架利用卫星的广泛覆盖能力进行初步风险检测，利用无人机的高分辨率能力进行详细检查，从而建立了一个协调互补的地质灾害监测系统。在此框架内，卫星识别的 PGs 需要强制无人机验证。CRediT

CRediT 作者贡献声明 Wei Wang: 写作 – 初稿，写作 – 审阅与编辑，验证，方法论，调查，资金获取，形式分析，概念化。Siyi Bai: 写作 – 初稿，写作 – 审阅与编辑，软件。Wei Zhang: 验证，数据整理。Chao Fang: 监督，资金获取，概念化。Hongzhang Fu: 验证，数据整理。Jianyu Xu: 写作 – 审阅与编辑，验证，方法论。

竞争利益声明 作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本论文报告中工作的客观性。

致谢 这项工作部分得到了国家自然科学基金（No. 72671233, 72101198, 72631008, 72571209, 72171191）的支持，部分得到了教育部人文社会科学研究一般项目（No. 25YJCZH261）的支持，部分得到了陕西省自然科学基金基础研究计划（No. 2026JC-YBMS-0815）的支持，部分得到了中央高校基本科研业务费的支持。这项工作还得到了西安交通大学 - 中国... 的资助。

Wei Wang|Siyi Bai|Wei Zhang|Chao Fang|Hongzhang Fu|Jianyu Xu 管理学院，西安交通大学，西安 710049，中国