随着智能技术的快速发展,无人机、无人车、智能机器人等在危险的区域能够很好地完成任务,由于无人技术节约了人力物力,并且把人从危险的任务中解放出来,因此无人技术成为了研究的热门话题。但是,尽管无人技术自主能力不断提升,始终要求“人在回路”监控,仍然是“平台无人,系统有人”。因此无人机在复杂环境执行任务时,需要操作员的协助决策下一步的路径选择。由于在复杂的任务场景中,不同的路径选择和操作员在工作负载和疲劳度等方面的特征对完成任务的效率会造成重大影响,因此,本文以无人机执行路况监测任务为例,通过对不同的场景进行分析,对马尔科夫决策过程进行扩展,建立相应MDP(马尔科夫决策过程模型)模型,并利用PRISM形式化建模工具对UAV移动模型的路径选择和操作员特征进行定量分析验证。本文所做的贡献包含如下几方面:(1)研究了固定场景无人驾驶飞行器与操作员进行交互时路径的不确定性问题,以及操作员特征对无人机任务性能影响的问题,以无人驾驶飞行器对路网监视的场景为例进行研究,提出了操作员在图像处理过程中把监测点和非监测点分两种情况进行处理的方法和规避危险区域的策略。采用PRISM工具对无人驾驶飞行器目标监测场景建立马尔科夫决策过程模型,进行多目标属性验证。形式化验证结果表明通过以上方法减少了操作员的工作量,提高了无人机的工作效率与安全性,为无人机飞行安全模型的建立提供有效途径。(2)对操作员协作的UAV可变区域场景的移动模型进行研究,由于操作员特性和UAV路径选择将会影响系统性能,且操作员特性受外部因素(工作负载)和内部因素(疲劳度和精确度)的共同作用。因此,提出一种基于概率模型检测的UAV路径优化算法及避障策略,以不同的UAV任务监测场景为实例进行建模分析。根据不同的任务场景,采用PRISM工具建立马尔科夫决策过程模型,对不同的优化算法、不同的方向选择和不同的操作员特性进行对比验证。(3)对极端环境下确保UAV能够继续执行监测任务的场景进行了建模分析,进行了可行性分析验证,并对确定时间内极端环境和正常环境完成任务的最大概率进行对比分析。本文对不同规模、不同需求的路况监测场景建模分析,提高了UAV路径选择的工作效率,增强了系统的安全性,为操作员特性对系统的影响以及UAV建模方法提供了帮助和参考价值,具有一定的研究意义。