如果一名徒步旅行者在崎岖不平的英国苏格兰高地迷路，救援队有时会派出无人机寻找旅行者行迹的线索，包括被踩踏的植被、掉落的衣服和食品包装纸等等。
但由于需要顾及广阔的地形和有限的电池寿命，事先选好合适的搜索区域至关重要。
一般来说，专业的无人机飞行员会结合直觉和“统计学上的搜索理论”。这一策略源于二战时期对德国潜艇的狩猎，其核心是优先考虑某些搜索位置（区域）。
简·亨垂克·尤尔斯（Jan Hendrik Ewers）和英国格拉斯哥大学的一个团队正在研究机器学习系统是否可以做得更好。
尤尔斯童年时经常在高地上滑雪和徒步，这让他十分了解在那里开展救援行动所面临的复杂挑战。
他说：“在成长过程中，除了待在户外或坐在电脑前，我没有什么其他事做，所以这两件事占据了我的童年。”
首先，尤尔斯收集了来自世界各地的搜救案例数据集，其中包括个人的年龄、是否在狩猎、骑马或徒步旅行、是否患有痴呆症等细节，以及最终发现该人的位置信息，是否临近水源、建筑物、空地、树或道路。
利用这些数据，加上来自苏格兰的地理数据，他训练了一个人工智能模型。该模型运行了数百万次模拟，以揭示失踪人员在特殊情况下最有可能走的路线。
最终结果是一个概率分布，或者说是一张热图，能够指出优先搜索区域。
该团队表明，在这种概率分布的帮助下，深度学习技术可以用于为无人机设计更高效的搜索路径。
在最近发表在 arXiv 上的一项尚未经过同行评审的论文中，该团队针对两种常见的搜索模式测试了其算法。
第一种搜索模式名为“割草机”，即无人机以一系列简单的条形路线飞越目标区域。第二种搜索方式与尤尔斯的算法类似，但不太擅长处理概率分布图。
（来源：ISTOCK）
在虚拟测试中，尤尔斯的算法在两个关键指标上击败了这两种方法，包括无人机找到失踪人员所需的飞行距离，以及找到失踪人员的几率。
虽然“割草机”和现有的算法分别在 8% 和 12% 的情况下找到了失踪人员，但尤尔斯的方法达到了 19%。
如果在实际救援情况下证明它是成功的，那么在分秒必争的情况下，新搜索系统可以加快响应时间，挽救更多的生命。
尤尔斯说：“苏格兰的搜救领域千差万别，也相当危险。”
紧急情况可能发生在阿伦岛的茂密森林、凯恩戈姆高原周围的陡峭山脉和斜坡，或者苏格兰最受尊敬但也最危险的攀岩圣地本尼维斯山上。
他说：“能够部署无人机并进行有效搜索，可能会挽救生命。”
搜救专家表示，使用深度学习设计更高效的无人机路线可以帮助在各种荒郊野岭更快地找到失踪人员，这取决于环境有多适合采用无人机探索。
例如，用无人机探索茂密的树冠比探索开阔的灌木丛更难。
美国弗吉尼亚州威廉斯堡的美国全国搜救协会主任大卫·科瓦尔（David Kovar）说：“在苏格兰高地，这种方法听起来确实可行，尤其是在搜索的早期阶段，当你在等待其他人出现时。”
但也有一些注意事项。这种规划算法的成功将取决于概率图的准确性。过度依赖这些概率分布可能意味着无人机操作员会花费太多时间搜索错误的区域。
尤尔斯说，要使概率图更加准确，重要的下一步是获得更多的训练数据。
为了做到这一点，他希望使用最近救援行动的全球定位系统（GPS，Global Positioning System）数据进行模拟，从根本上帮助他的模型了解最后一次看到某人的地点和最终发现他们的地点之间的联系。
然而，并不是所有的救援行动都包含足够丰富的数据供他使用。
尤尔斯说：“我们在搜救中遇到了这个问题，该领域的训练数据非常稀疏。我们都了解机器学习如何工作，它需要很多高质量的数据。如果一种算法的性能不如人类，你就有可能置他人于危险之中。”
无人机在搜救领域越来越普遍，但它们仍然是一项相对较新的技术，围绕其使用的法规仍在不断变化。
例如，在美国，无人机飞行员被要求始终可以看到无人机。与此同时，在苏格兰，操作员不允许与他们的无人机相距超过 500 米。
这些规定旨在防止无人机坠落并致人受伤等事故，但在救援环境中，这些规定严重削弱了地面救援人员收集线索的能力。
科瓦尔说：“我们通常面临的是监管问题，而不是技术问题。无人机的能力远远超出了我们被允许的使用范围。”
尤尔斯希望他开发的模型有一天能进一步扩展无人机的能力。目前，他正在与苏格兰警察空中支援部队沟通，看看在现实世界中测试和部署他的系统需要什么。
支持：Ren
运营/排版：何晨龙
01/ 多团队联合攻关设计量子效应掺杂范式，研发p型场效应晶体管，突破二维平面晶体管集成维度限制
02/ 复旦团队基于机器学习开发原子模拟方法，揭示新的化学活性位点，推动原子级别的化学设计
03/ 川大团队研发高达15结的垂直腔面激光器，实现74%电光转换率，打破该领域长达二十年效率停滞局面
04/ 科学家研发新型印刷电路板，实现超90%的原料回收率，预计成本和传统印刷电路板相似
05/ 江南大学团队打造新一代碱基编辑器，编辑窗口最高可达41nt，可用于高版本工业底盘菌株开发
