无人机在安全保障任务中一个有希望的应用是加强交通监管系统。目前，交通监管系统已被广泛部署且已成为智能交通系统（ITS）基础设施的重要组成部分。
尽管该系统很重要，但它在许多农村地区部署较少，只在特定位置存在且只能进行简单的交通计数，无法用于综合交通运营，这主要考虑到成本与效益的影响。
在这方面，无人机提供了一种经济有效的手段来满足农村交通监管系统的需求。公路交通流量具有一定的动态性及不确定性，需要在可到达且偏远地区提供即时和准确的信息。
1. 拥塞监控
近年来，交通拥堵日益严重。人们可以通过收集交通状况的实时信息来改善对交通设施的控制及响应，从而有效减少出行延误，并通过缩短伤员获得救助服务的时间来改善医疗卫生状况。在特定的时刻，监控网络的最大价值仅来自监控网络中的一小部分。
不幸的是，监控网络中价值最高的部分是不断变化且通常是未知的。例如，由于交通事故而形成车辆拥堵的位置取决于不可预测事件发生时的位置。传统的交通监管系统通过高密度地部署位置固定的探测器（包括摄像头），来保证整个交通网络在变化条件下快速响应的能力。当需要这些固定探测器范围以外的信息时，需要进行人工评估。
美国国家交通流量遥感联盟（NCRST-F）已经认识到利用无人机提供鸟瞰和运输作业的快速响应是一种成本较低的方法。
在无人机交通监控中收集的有用信息，包含车辆的车道变换频率、车辆平均距离、重型车辆的数量、事故类型、车辆轨迹和类型。尽管可以使用环路检测器，但它们仅提供本地信息，不能提供诸如车辆变道之类的细节。
另一方面，配备摄像机的无人机可以提供高速公路的全局视图和相关信息，增强了道路的实时监控能力。
此外，无人机比有人驾驶飞机更具优势。例如，无人机可以在较低的高度飞行；在天气条件不适合有人驾驶飞机飞行时也可使用无人机。该类应用在通过无人机收集信息时应解决两个问题：让道路保持在摄像机的视野中；处理图像并收集相关数据。
通常，无人机捕获的交通数据中包含的信息要比传统监测系统获得的复杂得多。无人机视频不仅包括交通流平均速度、密度和流量等传统数据，还包括每辆车的水平数据，例如车辆轨迹数据、车道变化数据和道路上的汽车跟踪数据。
另外，无人机拍摄的视频帧中包含多辆车，且视频的帧率非常高，因此待处理的数据量将非常大。考虑到这些特征，数据收集、还原和分析被视为在传输中大数据分析的重要组成部分。必须解决的问题包括物理层问题、通信问题和网络层问题。
该项目作为无人机在遥感和多式联运中使用的案例来研究。该项目的主要目标如下所示。
- 开发可靠的软件和硬件架构，包括用于无人机自主控制的协调和反应组件。
- 开发感官平台和感官解释技术，重点放在主动视觉系统上，以实现感官数据处理的实时约束。
- 开发有效的推理和算法技术，以获取与操作环境相关的动态及静态的地理、空间和时间信息。
- 开发计划，预测和记录识别技术，以指导无人机并预测和处理地面车辆的行为。
- 基于复杂环境和功能的仿真、规范、项目、验证技术以及建模工具的开发。
2. 驾驶行为监控
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，通过无人机捕获的图像检测和跟踪车辆具有一定的挑战。
- 首先，无人机监视平台上的摄像机频繁变化。因为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，无人机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。执法人员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。
02 核、生物和化学事故
核、生物和化学（NBC）事故是有人和无人系统合作的另一个例子。在灾后恢复项目中，通常需要对人们难以到达或不可能到达的区域进行绘制和量化放射性元素的污染量。此任务是机器人系统的理想应用场景。特别是，无人机提供了一种有希望的通用解决方案。
无人机项目可用于应急响应时事故现场的放射性调查，也可对核反应堆外壳的结构进行检查。然而，无人机平台在核现场难以使用。因为无人机通常依靠GPS来实现稳定性并对其进行控制，而在金属包层建筑物附近或其内部GPS是不可靠或失效的。无人机捕获的数据对污染情况的定量测量也很困难的。
在另一个紧急侦察案例中，无人机应飞入有毒的云中并带回污染物样本进行分析。
由于人类操作员不希望靠近事故现场，因此无人机需要具有长时间飞行及抵抗强烈逆风的能力。它要估计大气中气源产生的烟羽浓度，来源位置的检测有与环境以及搜索和救援任务相关的多种应用。实时的烟羽浓度估计使定位气源位置及部署烟羽产生不利影响的对抗措施成为可能。
在气体运输模型的帮助下，可以使用烟羽区域中的固定、表面或空中传感器来解决烟羽估计问题。该程序使用指定位置处的初始假设来测量浓度和气源位置以构建可能的气源定位图。
传感器移动控制是通过收集传感器的测量值来支持同一个检测的，例如环境测量。当传感器安装在无人机平台上时，最重要的是规划传感器路径以实现无人机的低工作时间或低能耗，并可以在非结构化动态环境中躲避障碍，或高效地收集目标信息。
03 搜救
搜救（SAR）有多种形式，包括城市搜救、野外搜救、海上搜索等。每种形式都有相应的风险并对受害者及搜救人员带来危险。
1. 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。
- 技术集成涉及最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。
人-无人机工作团队的任务是探索灾区，并提供足够的信息进行情况评估。人-无人机救援团队至少由一架无人机、若干名位于远程控制室的人员，以及一名或多名人类无人机操作员组成。该团队在地理上分散。这个无人机团队包括：
- 无人机操作员，在现场操纵无人机
- 无人机任务专家，观看无人机视频流并指导无人机操作员执行任务
- 保护无人机团队安全的措施
在部署期间，无人机任务专家主要与无人机操作员一起合作，为无人机操作员提供额外的视角。无人机团队随后对视频资料进行评估。从视频资料中获得的信息直接提供给国家消防总队，也用于随后的无人驾驶地面车辆（UGV）来执行任务。
对于态势感知，这要求该方法能够将对于环境的不同看法整合起来，得到不同的观点和需求。为了实现这一目标，无人机需要更多的自主性来感知环境并自主巡航。然而，灾区是环境恶劣的地方。这为在城市环境中运行的无人机系统的持久性带来挑战。
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。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。
2. 野外搜救
野外搜救（WiSAR）需要经常在道路崎岖的偏远地区搜索大片区域。由于地面搜索机器人在救援时需要面临搜索面积大且可能存在移动性受限的情况。因此，使用小型无人机为野外搜救提供搜索区域的航空图像是最佳的替代方法。
如果要成功实现广泛部署，辅助野外搜救的无人机需要具有可携带性、耐用性和操作简便性这些特点。这些要求增加了许多限制，包括由选定的特定无人机产生的限制；由人为因素（特别是来自最低训练要求）产生的限制；由所使用的控制装置施加的限制；来自手头特定任务的限制，包括进入已有团队结构的必要性。
3. 海上搜索
使用合适的无人机系统可以更有效地进行海上搜索。用作系统集成（SoS）的海上SAR是实现和演示架构方法的区域场景。它利用各种系统，包括无人机、协调指挥控制系统、通信系统和其他更大的载人船。
目前正在使用的各种传感器和数据源有：沿海雷达、巡察或监视飞机、船舶雷达、民用飞机或船舶上的报告等。每个传感器都有其特性。例如，沿海雷达站在其雷达地平线内连续覆盖，但在该地平线外完全失效。
对于超视线范围和连续海军监视，观察感兴趣区域最有效、最经济和最灵活的方法是使用监视无人机进行定期监视。该方法提供了利用所有系统之间相互依赖的能力。因此，必须生成稳健、高效、以网络为中心，并且可以生成的架构。
为SoS生成体系结构是一个具有许多变量及约束的多目标优化问题。生成架构所需的信息如下。
- SoS的首要目的：选择海岸警卫队的搜救能力作为问题。
- 利益相关者：海岸警卫队拥有众多具有不同能力的系统，这些系统可在该地区的多个站点使用。此外，渔船、民用船只和商业船只可临时加入SoS，以便在灾难发生时提供援助。协调和指挥控制中心指导操作中有人驾驶船和无人驾驶飞机的组合。
- 粗略数量级（ROM）预算。
- SoS的关键性能属性（KPA）：性能、可执行性、鲁棒性、模块性和网络中心性。
带有多架无人机的海上SAR面临着几个问题。
- 首先，商用无人机的燃料容量有限，因此无法无限期运行。
- 其次，幸存者在给定区域内的幸存概率随着时间和风而变化，这种可能性通常被称为遏制概率（POC）。
- 第三，应该自动控制许多无人机和燃料加油站系统。
如果没有对基本漂移性及相关的不确定性进行适当估计，预测搜索区域的漂移和扩展仍然很困难。直接方法是使用电流表测量物体相对于环境水的运动。搜索和救援最优规划系统（SAROPS）采用环境数据服务器，从多个来源获取风和当前预测。该系统给出多个搜索单元的搜索路径，以最大限度地提高搜索增量的检测概率。
当基于观察或建模的矢量场重建粒子离散度时，海洋的扩散性是一个重要因素。在许多情况下，一个简单的随机模型足以估计SAR对象在相对较短的时间段内的离散度。应仔细考虑离散度和积分时间尺度的区域估计（可能是季节性），因为它们对SAR物体扩散的影响可能很大。
