论文题目：Monitoring Road Traffic with a UAV-based System
RTM:道路交通监测系统；
FoV：视场角，视场角的大小决定了光学仪器的视野范围；
I. INTRODUCTION
本文讨论了基于无人机的城市道路交通管理系统的设计。已有几种RTM系统， 他们的活动通常围绕两个主要任务：1）主要关注交通事故和速度的监测；2）关注交通规则，从而避免交通拥堵。
要实现这两项任务，RTM系统应首先从已部署的设备收集流量数据。交通数据可以包括特定区域中的车辆数量、通过给定点的车辆数量。复杂的数据收集设备可以进一步估计车辆的位置和速度，然后应将数据传输到控制中心进行处理。收集的数据可以在触发严重事件（车祸，银行攻击）时自动触发紧急措施，或者可以将其附加到先前收集的数据中以计算流量统计数据，然后采取行动来管理事件或规范道路交通（信号灯，交通显示）。
几个当前系统通过传感器和摄像机收集交通数据，这些系统允许监视特定区域。其他解决方案使用移动电话或GPS设备等嵌入式传感器来定位车辆。 收集更多信息，例如交通状况和可选路线，但是以强大的系统约束为代价，因为每辆车必须配备定位设备。
我们现在叙述在RTM系统环境中使用无人机的优缺点。基于无人机的RTM系统的第一个优点是它们允许监视更大的区域，无人机可以从一个区域移动到另一个区域，视野不限于给定区域，就像使用传感器和摄像机的RTM系统一样；此外，无人机可以在配备摄像头和图像处理功能时执行车辆识别，而无需在车内安装嵌入式传感器；无人机可以部署在感兴趣的区域，而无需基础设施的额外开销。另一方面，无人机受到电池寿命的限制，其使用会导致隐私问题。
已经存在两种基于无人机的主要RTM系统。在第一个系统中，一个或多个UAV用于从放置在道路上的多个传感器收集数据，我们的想法是，无人机不断飞越地面传感器，与它们建立连接，然后交换信息以收集信息，在[8]中，UAV仅与簇头节点通信；在第二个系统中，只有一个无人机负责测量目标参数，无人机配备了图像处理功能，可以观察和测量车辆的相关参数。在这两个系统中，UAV轨迹是提前规划好的。
在本文中，我们提出了一种基于无人机的RTM系统，并解决了无人机轨迹的问题。目的是展示可以使用多个无人机监控城市道路交通的优势。由于对城市区域内所有车辆进行详尽的监控是不合理的，并且由于无人机数量有限，我们研究了移动无人机轨迹对事件检测率和受控车辆数量的影响。我们生成无人机轨迹，以尽可能长时间地监控尽可能多的车辆。在第一个方案中，根据车辆的运动计算UAV轨迹，首先，将车辆分组成簇，然后根据这些簇的重心计算UAV轨迹；在第二个方案中，根据移动模型生成UAV轨迹。
II. A NEW ROAD TRAFFIC MONITORING TECHNIQUE
这里的目标是监控在城市道路上行驶的车辆，这些车辆被视为需要跟踪的目标。为了设计一个实际的基于无人机的系统，我们需要选择一种收集车辆信息的方法，我们还需要在覆盖区域内组织无人机的部署，最后我们必须生成最佳的无人机轨迹以覆盖尽可能多的目标。
A. Collecting information about vehicles（收集车辆信息）
可以根据覆盖区域上部署的设备，观察和测量一些参数：车辆位置，速度和方向，区域内的车辆数量，通过给定点（车道，交叉路口）的车辆数量。可以通过上述参数的值变化来检测特定事件。例如，当车辆的速度超过给定极限时，可以检测到超速。另一方面，当几辆车的速度低于给定阈值时，可以检测到交通拥堵。
在本文中，我们考虑了多个配备图像处理功能的无人机，它们可以通过完美的估算来观察和测量相关参数。我们假设FoV（视场角）中的目标的检测总是可能的，即没有障碍物妨碍UAV视线。此外，我们假设无人机可以暂时改变其高度以防止碰撞，并且无人机可以交换有关他们正在跟踪的车辆的信息（标识符，位置）。
B. Deploying UAVs over coverage areas（在覆盖区域部署UAV）
这里的主要问题是估算覆盖城市区域所需的无人机数量，即使我们考虑静态无人机分配。由于无法部署无限数量的无人机，因此必须将单个无人机分配给一组目标。减少无人机数量的可能解决方案是形成目标集群并为每个集群分配无人机。为了构成目标集群，我们将使用与传感器网络或VANET（车载Ad-Hoc网络）中几乎相同的技术。为此，可以使用以下参数：目标之间的距离，目标速度和运动方向。距离标准是构成目标集群的自然标准，我们也有兴趣组建稳定的集群，比如从一个任务更新到下一个任务时，集群组不会发生显著变化。在这种情况下，集群组成员速度之间的差异越小，该组将越稳定；如果成员具有相同的移动方向，则群集也将更稳定。
我们提出了一种算法（Algorithm 1）来执行该聚类步骤。我们将此步骤视为离线步骤，允许系统操作员估算无人机的数量。我们首先假设已知目标总数，并且使用以下参数完全识别所有目标：标签，位置，速度，运动方向。这些参数可以通过其他方法测量并存储在数据库中，算法的输入如TABLE I表所示。
在本文中，选择三个标准来执行聚类：中心目标与集群组的潜在成员之间的距离、这两个目标的速度差、这两个目标的移动方向。其中，第一个标准是执行聚类所必须的；其他两个标准是可选的，它们可以与第一个标准一起使用。我们首先选择一个目标（这个目标是随机选择的），它将成为第一组目标的中心目标。所有N个目标从1到N编号，并且根据均匀分布分配编号。然后我们检查所有目标，当目标满足一个或多个条件时，我们根据上述标准将目标分配给当前集群组：
1）中心目标与该组的潜在成员之间的距离低于给定的阈值，该值等于UAV的FoV的半径，表示为r;
2）两个目标之间的速度差低于给定的阈值，表示为Vd;
3）中心目标的移动方向与潜在成员的移动方向相同。
此时，我们必须删除所有选定的目标，以便在将来的步骤中不予考虑。我们继续选择另一个中心目标，直到所有目标都放在一组目标中。
C. Designing UAVs trajectories（UAV轨迹设计）
现在我们估计了无人机的数量，我们解决了无人机轨迹的设计问题，研究了三种方法，并在图1中给出。
对于现有方法，UAV轨迹是固定的，并由预先设定的兴趣点（POI）引导，POI是高流量的点（例如交叉点）， 使用单个UAV。
我们的第一个提出的方法还基于POI的概念和多个合作无人机的使用。多个无人机能够识别其FoV中的目标并估计它们的位置和速度，并在彼此之间和中心点之间交换这些信息。无人机轨迹是自适应的，POI是移动的，该方法称为移动POI方法。在这种方法中，目标是每个无人机在其FoV中保持最大目标数量，并尽可能长时间地跟踪它们。因为无人机的轨迹将取决于其FoV中目标的运动，所以将跟踪的移动点POI是目标群的重心。具有成员的数量nb和位置的目标群体的重心表示如下：
无人机轨迹是根据其目标群的重心运动计算出来的，因此无人机总是飞过那些计算出的位置。重心的运动取决于组内目标的运动，但也取决于无人机FoV内的进出目标。在这种情况下，UAV的速度是可变的，以适应重心的轨迹。小目标组的构成可能会随着时间而改变，成员的速度是主要原因。
第二种提出的方法依赖于车辆移动模型，我们称之为基于车辆移动性的方法，根据这些模型生成UAV轨迹。在这种方法中，我们还使用多个UAV来执行监视任务。我们使用与我们用于模拟目标移动的移动模型相同的移动模型。无人机的轨迹由最短路径图基于运动模型随机生成的点引导。因此，无人机将在道路上方移动，并对其FoV中的目标进行观察。因此，使用这种技术，观察目标和事件的机会更高。速度间隔是定义的必要属性，实际上无人机的速度必须接近目标的速度，以便尽可能长时间地观察目标。无人机速度是均匀分布的随机变量。