无人机交通管制：预测拥堵比检测拥堵更能缩短拥堵时长

在无人机监测驱动下游信号控制的闭环中，车队规模如何影响检测与预测性能，并且预测是否比检测带来更大的拥堵缓解收益？

现有无人机交通监控多停留在感知层面，未将感知用于控制；少数闭环工作如AVARS仅反应式检测已形成拥堵后才干预，未利用预测，也未系统量化车队规模与预测能力的权衡。因此不清楚增加无人机还是增强预测更值得投入。

此前研究使用无人机进行交通监测，如pNEUMA实验和无人机与地面传感器融合预测流量；自适应信号控制方面，有基于摄像头反馈的强化学习控制器AVARS，但它仅在拥堵完全形成后反应式调整信号。这些方法没有利用拥堵前兆进行预测，也没有评估车队规模扩展在闭环控制中的收益。

本文构建了基于Mesa的多智能体仿真，车辆遵循Nagel-Schreckenberg元胞自动机模型。无人机按轮询策略巡逻路口，使用密度、速度、队列三变量准则检测拥堵；预测时放宽密度阈值至检测阈值的60%，并加入密度梯度或低速条件，提前预测拥堵。检测和预测报告触发信号控制器调整绿灯时长，包括针对预测的提前让行。实验在2、6、10路口网络，1至10架无人机，低中高三种交通水平下进行，每个配置20个随机种子，运行2000个仿真tick。

在仿真中，检测率和检测延迟随无人机数量增加而改善，并在无人机数量接近路口数时达到平台。10路口网络中，单架无人机时中高交通流量检测延迟差约25 tick，2架时降至约9 tick，10架时约2.5 tick；6路口网络从约9.5 tick降至约2.5 tick。检测率从未达到100%，即使2路口网络也因10至40 tick的传感器处理延迟而错过部分拥堵。预测率在所有设置中不超过55%，且不随无人机数量增加超过该平台。在6路口网络，与未调整信号相比，检测触发使高交通水平拥堵时长最多缩短约5 tick，预测触发使正确预测拥堵时长最多缩短8 tick，约为检测触发的两倍。所有结果均为仿真，无真机实验。

作者承认预测率平台在55%，预测阈值规则是主要瓶颈；轮询巡逻策略简单，未与自适应策略对比；信号参数和预测视野未联合优化，也未与真实交通数据校准。此外，仅使用仿真，未进行真机验证；每个配置20个种子，试验次数有限；交通模型为简化元胞自动机，网络规模最大10路口，面积0.81平方公里；代码仓库已提供，但论文未报告数据完整性和可复现性细节。