KDD 2021最佳论文等奖项出炉，首尔大学、斯坦福获奖，北理工上榜( 三 ) 机器之心报道机器之心编辑部

文章图片
论文地址：https://dl.acm.org/doi/pdf/10.1145/3447548.3467070
论文摘要快速有效地访问环境和生活数据是成功应对灾害的关键。由无人机和无人驾驶汽车等无人驾驶交通工具(UV)组成的车辆众包(VC)从兴趣点(PoI)收集数据，例如可能有幸存者的地点和火灾现场，这提供了一种有效的方式来协助灾难救援。在该论文中，研究者考虑了在3D灾难工作区中导航一组UV ，以最大限度地提高收集的数据量、地理公平性、能源效率，同时最大限度地减少由于传输速率有限而导致的数据丢失。
该研究提出了一种分布式深度强化学习框架DRL-DisasterVC(3D) ，该框架带有重复经验回放(RER)以提高学习效率，并使用裁剪目标网络来提高学习稳定性。该研究使用具有多头关系注意力(MHRA)的3D卷积神经网络进行空间建模，并且添加辅助像素控制(PC)进行空间探索。研究者设计了一种名为「DisasterSim」的新型灾难响应模拟器，并进行了大量实验，以表明当改变UV、PoI和SNR阈值的数量时， DRL-DisasterVC(3D)在能效方面优于实验中所有5个基线方法。

文章图片
研究者提出的DRL-DisasterVC(3D) 。