1.交通领域

在驾驶行为研究中，还需要详细准确的车辆轨迹数据。驾驶行为模型捕捉驾驶员在不同交通条件下的机动决策，这是微观交通仿真系统的重要组成部分。与传统的交通监管系统相比，通过交警无人机捕获的图像检测和跟踪车辆具有一定的挑战。

首先，交警无人机监视平台上的摄像机频繁变化。因为交警无人机上的摄像机在视频录制过程中可能会旋转、移动和翻转。

此外，由于风的波动也可能会突然震动，这可能引起车辆跟踪中的负面影响。

另一方面，在驾驶员行为研究模型(例如汽车跟随和车道变换模型)中需要每辆汽车的精确轨迹数据。缺少汽车数据和跟踪错误可能会影响模型参数的准确性。

因此，高分辨率的图像对于在车辆检测和跟踪过程中进行精确计算车速和横向位置至关重要。车辆识别方法可以分为光流和特征提取匹配方法。

异常驾驶行为已被用于识别酒后驾驶(DWI)并防止相关事故的发生。目前，执法人员依靠视觉观察来检测此类行为并识别潜在的酒后驾驶员。然而，这种方法受到人为错误的限制，并且仅限于小范围内的车辆。

为了克服这些限制，交通无人机执法可用于监控驾驶行为，以防止事故和提升公路安全，并有效、及时地检测和分析高速公路上的危险驾驶活动。交通无人机执法常常使用这些不良行为来识别美国国家公路交通安全管理局(NHTSA)在2010年总结的潜在酒后驾驶员。

为了观察交通无人机执法中遇到的8种潜在的不良行为，必须确定并量化6个关键指标。这些关键指标包括车辆ID、速度、前进距离、车道变换频率、车道变换时间及加速度。因此，计算这些关键指标是确定计算机视觉算法并量化不良行为的首要任务。计算6个关键指标需要车辆相对于车道线的位置以及通过视频帧对车辆进行识别及跟踪。

2.城市搜救

城市搜救(USAR)被定义为定位查找的战略、策略及操作，并为受害者提供医疗和解救服务。

USAR是一个交通无人机有可能发挥作用的领域。在救援人员进入之前，它们可以确定一种处理搜救的方法。USAR在倒塌建筑物的快速救援中至少有7个难点。

随着城市搜救任务的发展，为了获得最优方法和经验教训，需要对该任务的有效经验进行客观地评估和分析。

救援技术包括伤亡情况评估、监测和解救工具的开发及优化。区域参与在专业救援协同和基于区域的第一响应者之间建立了协作关系，以实现专业知识和资源的平衡。

信息系统能识别、收集和管理多个数据流并将其转换为信息，以便提供更好的高级规划和时间线态势感知。

技术集成涉及比较先进技术的验证和集成。危机管理是一个适应实际情况且可扩展的管理系统。可用预算影响购买，也影响系统和技术的快速部署和使用。从长远来看，它会对新系统和技术发展产生重大影响。

USAR团队可以执行以下任务：

在倒塌的建筑物中进行物理搜救;

为被困者提供紧急医疗评估和护理;

评估和控制危险，如燃气或电力服务;

评估及加固受损建筑物。

此外，灾区也无法保证无线电链路宽带的稳定性。移动系统在恶劣环境中运行时，计算资源和低质量传感器的有限可用性也对实现无人机自主性带来巨大挑战。

这些任务特性要求交通无人机在传感器和规划能力方面可以实现模块化且具有一定灵活性。交通无人机必须能够在非结构化的室内和室外环境中运行，例如倒塌的建筑物。导航系统必须能在没有外部辅助设备(例如GPS)的情况下工作，因为无法保证其可用性。

由于这种环境中存在局部风况变化的情况，因此交通无人机还必须提供鲁棒性的飞行能力。在城市灾区实现完全自主性的一个关键特征是机上处理和决策。搜索分配还需要无人机具有特定的任务识别功能。识别和定位人员、动物或物体(例如，地标、标志或着陆区)是USAR任务的核心问题。

声明：以上内容来源于网络转载，出于传递信息及学习之目的，不代表本网站的观点、立场，本网站不对其真实性负责