基于不确定数据的二进制决策图的无人机任务可用性

这对现实无人机任务为何重要

无人机越来越多地被赋予重要任务：为火险评估对森林进行勘测、检查桥梁裂缝，或在对人类来说过于危险的灾区上空飞行。但任务规划者常常必须基于不完整或模糊的信息而不是精确统计数据来做“执行/取消”决策。本文提出了一种方法，可以将这种不确定、基于专家的知识转换为清晰的数值化估计，从而评估无人机任务成功的可能性，帮助操作人员规划更安全、更可靠的行动。

从飞行路径到逻辑化的任务地图

作者首先并不把无人机任务仅看作空中的单架飞机，而是视为由沿途多个检查点组成的系统。每个检查点代表无人机必须采集有用数据的位置，例如某段森林的图像。如果关键检查点失败，即便无人机仍在空中，任务也可能失败。这个想法用“结构函数”来表示：它把各检查点成功或失败的组合映射为整体判断——任务成功或任务失败。与其依赖多年详尽的统计数据，这张地图可以基于专家对每个检查点重要性以及所采数据通常质量的意见来建立。

把模糊的专家意见转成清晰模型

在实践中，专家评估很少是非黑即白的。操作人员可能会说某检查点的数据“很可能可用”，但并不确定。该方法通过使用模糊决策树来接受这种模糊性。对于每次记录的任务尝试，专家给出该检查点起作用（值1）或未起作用（值0）的置信度，以及任务结果是否有用的类似置信度。模糊决策树从这些柔性、分级的输入中学习模式，识别哪些检查点最关键以及不同组合如何导向成功或失败。随后通过去模糊化步骤将模糊树转换为适合计算的清晰的二元决策结构。

揭示任务薄弱环节的紧凑图示

一旦决策树变为清晰形式，它就被转换为二进制决策图——一种紧凑的、类似流程的图形，编码了所有关于任务成功的逻辑规则。每个非终端节点代表一个检查点，图中路径对应任务成功或失败的不同方式。由于这种表示避免重复相同的子结构，即便检查点数量众多也能保持高效。基于每个检查点成功的概率——同样可由专家置信度或有限观测估计——该决策图可以通过对图中所有成功路径的概率求和来计算任务在某一时刻的可用性或成功概率。

以森林火险监测为测试案例

为展示该方法的实际效果，作者分析了一个使用八个检查点来监测森林火险的无人机任务。与全部256种可能的检查点状态组合相比，专家评估只覆盖了150种——略多于半数。即便如此，生成的二进制决策图在独立验证集上的预测准确率达94%。计算得到的任务可用性很高（约0.992），但模型也揭示第一个检查点是个“瓶颈”：一旦该点失败，任务几乎总是失败。对该点及另一个敏感检查点进行模拟改进后，可用性进一步提高，说明该模型可指导有针对性的升级或重新设计。

优势、局限与未来方向

该框架的强大之处在于将成熟工具——模糊决策树与二进制决策图——串联成一条管线，使其在模糊、不完整数据下仍能工作。它的扩展性远优于那些需要显式枚举每种检查点结果组合的替代机器学习方法，后者会迅速变得不可行。同时，该方法依赖于专家判断的质量与一致性，目前侧重于任务的静态视角，而非随时间变化的故障或修复。作者也概述了未来工作方向，包括纳入任务持续时间、多个无人机的冗余以及面向自主航空系统的更高级别风险感知决策。

对非专业读者的意义

通俗地说，这项研究为无人机操作人员和规划者提供了一种回答关键问题的方法：“基于我们目前的认知，这次任务成功的可能性有多大？”即使数据零碎且主要基于专家经验，该方法仍能生成透明、可审查的逻辑模型和一个具体的成功概率。它还能指出任务中最需关注的部分——无论是改进某个检查点的传感器、调整航线还是增派一架无人机。随着无人机在监测、检查和应急响应中承担更多职责，此类工具能帮助确保它们的任务不仅雄心勃勃，而且有可证明的可靠性。

引用: Zaitseva, E., Rabcan, J., Levashenko, V. et al. Availability of drone mission with binary decision diagram based on uncertain data. Sci Rep 16, 13721 (2026). https://doi.org/10.1038/s41598-026-42988-w

关键词: 无人机任务可靠性, 不确定数据, 模糊决策树, 二进制决策图, 森林火险监测