《Sensors》：EdgeTwin-DRL: Real-Time Counter-UAS Detection and Response Optimization Using Edge-Assisted Digital Twins and Multi-Agent Deep Reinforcement Learning
编辑推荐：
反无人机系统可用于探测未授权飞行器并确定适当响应的时间可能有限。尽管云处理仍可用于存储和离线分析，但在时间关键型决策回路中，通信延迟可能限制其使用。研究人员提出EdgeTwin-DRL，一种边缘辅助数字孪生框架，集成多模态感知与多智能体深度强化学习(DRL)，
反无人机系统可用于探测未授权飞行器并确定适当响应的时间可能有限。尽管云处理仍可用于存储和离线分析，但在时间关键型决策回路中，通信延迟可能限制其使用。研究人员提出EdgeTwin-DRL，一种边缘辅助数字孪生框架，集成多模态感知与多智能体深度强化学习(DRL)，用于反无人机探测与响应优化。该数字孪生利用雷达、光电/红外(EO/IR)、射频(RF)和声学观测，维护受保护空域的同步表示。协作式DRL智能体利用该同步状态调整计算资源分配、探测灵敏度与候选反制措施，同时基于模型的前向评估在拟议响应进入模拟响应通路之前对其加以评估。该框架在模拟测试平台中评估，其中RF感知模型使用公开数据集进行校准和独立验证，其余感知组件使用已发表的实验测量结果进行参数化。在该标定模拟环境中，EdgeTwin-DRL实现了1.4%的误报率，并在模拟器所用的通信与计算假设下，相对于Cloud-DRL基线将平均探测到响应延迟降低72%，相对于未采用标定的环境相关感知的MAPPO基线降低26%。评估在模型化的城市、郊区和开阔地条件下进行。这些结果证明了所提出架构在模拟环境中的相对性能，并推动进一步研究边缘辅助数字孪生用于反无人机决策支持。硬件在环与受控现场验证是实际部署前所必需的。
论文解读：EdgeTwin-DRL：边缘辅助数字孪生与多智能体深度强化学习用于实时反无人机探测与响应优化
该研究发表于《Sensors》。研究背景方面，商用无人机(UAV)已成为低成本、易部署且可携带载荷的威胁，对炼油厂、电站和机场等重要设施构成安全挑战。小型无人机飞行高度低、雷达截面积小，常规周界安防难以可靠探测。单一传感器均存在局限：
