Navigating the Smog: A Cooperative Multi-Agent RL for Accurate Air Pollution Mapping through Data Assimilation

要約

大気汚染事象が急速に増加しているため、情報に基づいた緩和戦略を実現するための正確なリアルタイム監視が必要です。
データ同化 (DA) 手法は有望なソリューションを提供しますが、その有効性は最適な測定場所に大きく左右されます。
この論文では、協調的なマルチエージェント強化学習 (MARL) フレームワークによって誘導される自律型ドローンが空中探偵として機能する、大気質マッピングの新しいアプローチを紹介します。
静的センサー ネットワークの制限を取り除き、ドローンは相乗的な相互作用を行い、飛行経路をリアルタイムで適応させてデータ同化 (DA) に最適なデータを収集します。
私たちのアプローチは、動的なクレジット割り当てを備えたカスタマイズされた報酬関数を採用しており、ドローンが利用できないグラウンドトゥルースデータを必要とせずに有益な測定に優先順位を付けることができるため、現実世界の展開に実用的になります。
実世界のデータセットを使用した広範な実験により、ドローンのリソースや汚染プルームに関する事前知識が限られている場合でも、当社のソリューションが汚染推定値を大幅に改善できることが実証されました。
このソリューションは、大気の質を超えて、スケーラブルで自律的なドローンの協力を通じて山火事の検出と管理などのさまざまな環境課題に取り組む可能性を解き放ちます。

要約(オリジナル)

The rapid rise of air pollution events necessitates accurate, real-time monitoring for informed mitigation strategies. Data Assimilation (DA) methods provide promising solutions, but their effectiveness hinges heavily on optimal measurement locations. This paper presents a novel approach for air quality mapping where autonomous drones, guided by a collaborative multi-agent reinforcement learning (MARL) framework, act as airborne detectives. Ditching the limitations of static sensor networks, the drones engage in a synergistic interaction, adapting their flight paths in real time to gather optimal data for Data Assimilation (DA). Our approach employs a tailored reward function with dynamic credit assignment, enabling drones to prioritize informative measurements without requiring unavailable ground truth data, making it practical for real-world deployments. Extensive experiments using a real-world dataset demonstrate that our solution achieves significantly improved pollution estimates, even with limited drone resources or limited prior knowledge of the pollution plume. Beyond air quality, this solution unlocks possibilities for tackling diverse environmental challenges like wildfire detection and management through scalable and autonomous drone cooperation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google