如果健行者在崎嶇的蘇格蘭高地迷路，救援隊有時會發射無人機來尋 路線 德國商務傳真列表 線索——被踐踏的草地、丟失的衣服、食物包裝紙。同時，考慮到區域較大且設備運行時間有限，正確確定搜尋區域也很重要。
傳統上，熟練的操作員使用直覺和統計「搜尋理論」來做到這一點，這是二戰期間用於探測德國潛艇的策略。格拉斯哥大學的 Jan-Hendrik Evers 和他的團隊決定看看機器學習系統是否可以更有效地運作。
埃弗斯在蘇格蘭長大，曾在那裡滑雪和徒步旅行，因此他清楚地了解在這些地方進行救援行動的困難。
「小時候，我除了呼吸新鮮空氣或坐在電腦前無事可做，」他說。 “結果，我兩者都做了很多。”
首先，埃弗斯獲取了一組與世界各地搜救行動相關的數據。在這裡，您可以找到失踪人員的年齡，他是否正在打獵、騎馬或徒步旅行，是否患有癡呆症，以及他被發現的地點- 靠近水邊、在建築物中、在空曠的地方、在樹下還是在草地上。
研究人員在該資料集上訓練了人工智慧模型，並將蘇格蘭的地理資料載入其中。該模型運行數百萬次模擬，以發現一個人可能採取的路線以及在給定情況下他們最有可能去的地方。結果是機率分佈（一種熱圖），指示優先搜尋區域。
使用這樣的地圖，團隊證明深度學習可以幫助搜尋無人機設計更有效的路線。上週在 arXiv 上發表的一項尚未經過同行評審的研究中，該團隊在兩種最常見的搜尋模式上測試了他們的演算法：
「割草機」－無人機梳理目標區域，條狀移動，
以及類似 Evers 演算法的演算法，但在處理機率分佈圖方面則較不先進。
在虛擬測試中，埃弗斯的演算法在兩個關鍵指標上都優於這兩種方法：無人機在找到失蹤者之前必須飛行的距離，以及找到失蹤者的機率。
結合該區域和現有演算法方法分別有助於在 8% 和 12% 的情況下找到一個人。 Evers 提出的方法顯示效率為 19%。如果該系統在現實條件下證明是成功的，它可以加快回應時間，並在每一分鐘都很重要的情況下挽救更多生命。
專家認為，深度學習將允許更有效的路線並更快地找到野外失踪人員，這取決於環境是否適合無人機搜索（例如，茂密的森林比灌木叢更難探索）。
但不要忘記細微差別。這種規劃演算法的成功將取決於機率圖的準確性。如果過度依賴它們，無人機操作員就有可能花太多時間探索錯誤的區域。
埃弗斯說，下一個重要步驟是取得盡可能多的資料進行訓練。為此，他希望利用後期救援行動中獲得的 GPS 資料進行建模。從本質上講，這將使模型能夠理解該人最後一次出現的地點與最終被發現的地點之間的關係。
然而，交易記錄並不總是足夠詳細以供使用。
埃弗斯解釋說：“如果演算法的表現不比人類更好，則可能會危及某人的生命。”
無人機在搜救領域變得越來越普遍。但它仍然是一項相對較新的技術，其使用規則仍在不斷發展中。
例如，在美國，無人機必須始終處於操作員的視野範圍內。同時，在蘇格蘭，操作員與無人機的距離不得超過 500m。
