Intercepting Unauthorized Aerial Robots in Controlled Airspace Using Reinforcement Learning

无人机在受控空域的大量使用带来了重大风险，包括潜在的碰撞、对空中交通的干扰和安全威胁。确保空域的安全和有效运营，特别是在城市环境和关键基础设施附近，需要有效的方法来拦截未经授权或不合作的无人机。本研究通过使用强化学习（RL）来解决这些威胁的关键需求，提出了一种新颖的方法，利用RL来训练固定翼无人机追击者代理以拦截动态逃避目标。我们的方法探索了基于模型和无模型RL算法，特别是DreamerV3、Truncated Quantile Critics（TQC）和Soft Actor-Critic（SAC）。这些算法的训练和评估在不同的场景下进行，包括未见过的逃避策略和环境扰动。我们的方法利用高保真度的飞行动力学模拟来创建逼真的训练环境。本研究强调了开发智能、自适应的无人机拦截控制系统的重要性，显著促进了安全和有效的空域管理的进步。它展示了RL训练系统自主完成这些关键任务的潜力。

如何使用强化学习方法训练固定翼无人机拦截器，以拦截动态逃避目标，以确保控制空域的安全和高效？

使用强化学习方法训练固定翼无人机拦截器，包括DreamerV3、Truncated Quantile Critics (TQC)和Soft Actor-Critic (SAC)算法，通过高保真度的飞行动力学模拟创建逼真的训练环境，实现自主完成关键任务。

论文探索了模型基于和无模型基于强化学习算法，包括DreamerV3、Truncated Quantile Critics (TQC)和Soft Actor-Critic (SAC)算法，使用高保真度的飞行动力学模拟创建逼真的训练环境，实现了对未知逃避策略和环境扰动的训练和评估，为无人机拦截器的自主控制系统开发做出了重要贡献。

相关研究包括：1. ‘A Survey of Unmanned Aerial Vehicle Collision Avoidance Systems Based on Deep Learning’；2. ‘Reinforcement Learning for Autonomous Collision Avoidance of Unmanned Aerial Vehicles’；3. ‘A Survey of Unmanned Aerial Vehicle Traffic Management Using Game Theory’。