論文題目：Monitoring Road Traffic with a UAV-based System
RTM:道路交通監測系統；
FoV：視場角，視場角的大小決定了光學儀器的視野範圍；
I. INTRODUCTION
本文討論了基於無人機的城市道路交通管理系統的設計。已有幾種RTM系統， 他們的活動通常圍繞兩個主要任務：1）主要關注交通事故和速度的監測；2）關注交通規則，從而避免交通擁堵。
要實現這兩項任務，RTM系統應首先從已部署的設備收集流量數據。交通數據可以包括特定區域中的車輛數量、通過給定點的車輛數量。複雜的數據收集設備可以進一步估計車輛的位置和速度，然後應將數據傳輸到控制中心進行處理。收集的數據可以在觸發嚴重事件（車禍，銀行攻擊）時自動觸發緊急措施，或者可以將其附加到先前收集的數據中以計算流量統計數據，然後採取行動來管理事件或規範道路交通（信號燈，交通顯示）。
幾個當前系統通過傳感器和攝像機收集交通數據，這些系統允許監視特定區域。其他解決方案使用移動電話或GPS設備等嵌入式傳感器來定位車輛。 收集更多信息，例如交通狀況和可選路線，但是以強大的系統約束爲代價，因爲每輛車必須配備定位設備。
我們現在敘述在RTM系統環境中使用無人機的優缺點。基於無人機的RTM系統的第一個優點是它們允許監視更大的區域，無人機可以從一個區域移動到另一個區域，視野不限於給定區域，就像使用傳感器和攝像機的RTM系統一樣；此外，無人機可以在配備攝像頭和圖像處理功能時執行車輛識別，而無需在車內安裝嵌入式傳感器；無人機可以部署在感興趣的區域，而無需基礎設施的額外開銷。另一方面，無人機受到電池壽命的限制，其使用會導致隱私問題。
已經存在兩種基於無人機的主要RTM系統。在第一個系統中，一個或多個UAV用於從放置在道路上的多個傳感器收集數據，我們的想法是，無人機不斷飛越地面傳感器，與它們建立連接，然後交換信息以收集信息，在[8]中，UAV僅與簇頭節點通信；在第二個系統中，只有一個無人機負責測量目標參數，無人機配備了圖像處理功能，可以觀察和測量車輛的相關參數。在這兩個系統中，UAV軌跡是提前規劃好的。
在本文中，我們提出了一種基於無人機的RTM系統，並解決了無人機軌跡的問題。目的是展示可以使用多個無人機監控城市道路交通的優勢。由於對城市區域內所有車輛進行詳盡的監控是不合理的，並且由於無人機數量有限，我們研究了移動無人機軌跡對事件檢測率和受控車輛數量的影響。我們生成無人機軌跡，以儘可能長時間地監控儘可能多的車輛。在第一個方案中，根據車輛的運動計算UAV軌跡，首先，將車輛分組成簇，然後根據這些簇的重心計算UAV軌跡；在第二個方案中，根據移動模型生成UAV軌跡。
II. A NEW ROAD TRAFFIC MONITORING TECHNIQUE
這裏的目標是監控在城市道路上行駛的車輛，這些車輛被視爲需要跟蹤的目標。爲了設計一個實際的基於無人機的系統，我們需要選擇一種收集車輛信息的方法，我們還需要在覆蓋區域內組織無人機的部署，最後我們必須生成最佳的無人機軌跡以覆蓋儘可能多的目標。
A. Collecting information about vehicles（收集車輛信息）
可以根據覆蓋區域上部署的設備，觀察和測量一些參數：車輛位置，速度和方向，區域內的車輛數量，通過給定點（車道，交叉路口）的車輛數量。可以通過上述參數的值變化來檢測特定事件。例如，當車輛的速度超過給定極限時，可以檢測到超速。另一方面，當幾輛車的速度低於給定閾值時，可以檢測到交通擁堵。
在本文中，我們考慮了多個配備圖像處理功能的無人機，它們可以通過完美的估算來觀察和測量相關參數。我們假設FoV（視場角）中的目標的檢測總是可能的，即沒有障礙物妨礙UAV視線。此外，我們假設無人機可以暫時改變其高度以防止碰撞，並且無人機可以交換有關他們正在跟蹤的車輛的信息（標識符，位置）。
B. Deploying UAVs over coverage areas（在覆蓋區域部署UAV）
這裏的主要問題是估算覆蓋城市區域所需的無人機數量，即使我們考慮靜態無人機分配。由於無法部署無限數量的無人機，因此必須將單個無人機分配給一組目標。減少無人機數量的可能解決方案是形成目標集羣併爲每個集羣分配無人機。爲了構成目標集羣，我們將使用與傳感器網絡或VANET（車載Ad-Hoc網絡）中幾乎相同的技術。爲此，可以使用以下參數：目標之間的距離，目標速度和運動方向。距離標準是構成目標集羣的自然標準，我們也有興趣組建穩定的集羣，比如從一個任務更新到下一個任務時，集羣組不會發生顯著變化。在這種情況下，集羣組成員速度之間的差異越小，該組將越穩定；如果成員具有相同的移動方向，則羣集也將更穩定。
我們提出了一種算法（Algorithm 1）來執行該聚類步驟。我們將此步驟視爲離線步驟，允許系統操作員估算無人機的數量。我們首先假設已知目標總數，並且使用以下參數完全識別所有目標：標籤，位置，速度，運動方向。這些參數可以通過其他方法測量並存儲在數據庫中，算法的輸入如TABLE I表所示。
在本文中，選擇三個標準來執行聚類：中心目標與集羣組的潛在成員之間的距離、這兩個目標的速度差、這兩個目標的移動方向。其中，第一個標準是執行聚類所必須的；其他兩個標準是可選的，它們可以與第一個標準一起使用。我們首先選擇一個目標（這個目標是隨機選擇的），它將成爲第一組目標的中心目標。所有N個目標從1到N編號，並且根據均勻分佈分配編號。然後我們檢查所有目標，當目標滿足一個或多個條件時，我們根據上述標準將目標分配給當前集羣組：
1）中心目標與該組的潛在成員之間的距離低於給定的閾值，該值等於UAV的FoV的半徑，表示爲r;
2）兩個目標之間的速度差低於給定的閾值，表示爲Vd;
3）中心目標的移動方向與潛在成員的移動方向相同。
此時，我們必須刪除所有選定的目標，以便在將來的步驟中不予考慮。我們繼續選擇另一箇中心目標，直到所有目標都放在一組目標中。
C. Designing UAVs trajectories（UAV軌跡設計）
現在我們估計了無人機的數量，我們解決了無人機軌跡的設計問題，研究了三種方法，並在圖1中給出。
對於現有方法，UAV軌跡是固定的，並由預先設定的興趣點（POI）引導，POI是高流量的點（例如交叉點）， 使用單個UAV。
我們的第一個提出的方法還基於POI的概念和多個合作無人機的使用。多個無人機能夠識別其FoV中的目標並估計它們的位置和速度，並在彼此之間和中心點之間交換這些信息。無人機軌跡是自適應的，POI是移動的，該方法稱爲移動POI方法。在這種方法中，目標是每個無人機在其FoV中保持最大目標數量，並儘可能長時間地跟蹤它們。因爲無人機的軌跡將取決於其FoV中目標的運動，所以將跟蹤的移動點POI是目標羣的重心。具有成員的數量nb和位置的目標羣體的重心表示如下：
無人機軌跡是根據其目標羣的重心運動計算出來的，因此無人機總是飛過那些計算出的位置。重心的運動取決於組內目標的運動，但也取決於無人機FoV內的進出目標。在這種情況下，UAV的速度是可變的，以適應重心的軌跡。小目標組的構成可能會隨着時間而改變，成員的速度是主要原因。
第二種提出的方法依賴於車輛移動模型，我們稱之爲基於車輛移動性的方法，根據這些模型生成UAV軌跡。在這種方法中，我們還使用多個UAV來執行監視任務。我們使用與我們用於模擬目標移動的移動模型相同的移動模型。無人機的軌跡由最短路徑圖基於運動模型隨機生成的點引導。因此，無人機將在道路上方移動，並對其FoV中的目標進行觀察。因此，使用這種技術，觀察目標和事件的機會更高。速度間隔是定義的必要屬性，實際上無人機的速度必須接近目標的速度，以便儘可能長時間地觀察目標。無人機速度是均勻分佈的隨機變量。