我院青年教师在中国计算机学会(CCF)推荐的A类国际学术期刊IEEE Transactions on Mobile Computing (TMC)发表题为“CSMAAC: Multi-Agent Reinforcement Learning Based Flight Control in Partially Observable Multi-UAV Assisted Crowd Sensing Systems”（DOI: 10.1109/TMC.2025.3586429）的研究论文。我院为第一完成单位，青年教师高振为第一作者。

图1 基于部分可观测的多无人机辅助群智感知系统模型

图2 基于安全强化学习的无人机路径规划方法

       在移动群智感应（MCS）中，现有无人机（UAV）路径规划方法能够使UAV为多种应用场景提供高质量的数据采集服务。然而，由于通信范围有限，UAV通常在部分可观测情况下收集数据，由于缺乏全局信息，难以实现最优性能。此外，大多数方法未能有效保障关键安全约束，导致大量碰撞。如图1所示，本研究构建了基于部分可观测的多UAV辅助MCS系统模型，并优化飞行轨迹以最小化能耗与碰撞次数，同时提升数据采集量和覆盖公平性。在此基础上，如图2所示，本研究提出了UAV通信辅助的安全演员-评论家（Actor-Critic）的路径规划方法。首先，本研究设计了一种独立通信伙伴预测模型，用于解决部分可观测问题。该模型基于UAV的本地观测信息，利用因果推断通过前馈神经网络获取UAV间的先验通信信息，帮助UAV确定潜在通信伙伴。其次，采用Critic预测并量化UAV间的影响，判断通信必要性。通过UAV间必要信息交换来感知全局信息，从而解决部分可观测问题，同时降低通信开销。此外，本研究提出了相似性增强机制，通过强化UAV本地观测信息与其他UAV策略之间的关联，提高算法学习效率。最后，本研究在Critic中引入安全层，以确保UAV的飞行安全。实验表明，所提方法优于基线算法。