讓無人機少講一點話，它們圍堵野火的成績反而變好。

兩架無人機在燒了一半的森林上空短暫進入彼此的通訊範圍。它們沒有交換影像，沒有回報座標，只各自丟給對方十筆資料：某一步往哪個方向飛、當下量到的溫度、拿到多少獎勵、下一步的處境變成什麼樣。交換完就散開，回到聽不見對方的距離之外。

這一幕只發生在訓練場上。正式執行任務時，這群無人機彼此完全不通訊。

這是英國克蘭菲爾德大學（Cranfield University）四位研究者設計的通訊模型，2026 年 7 月發表在期刊 Drones。他們想問的事很單純：一群各自學習的滅火無人機，讓它們多講一點話，圍堵野火的表現會不會比較好。

實驗跑完，圍堵率最高的那一組，是通訊範圍被限制得最死的那一組。

先把火燒得像真的一樣

多代理人強化學習（MARL）用在野火滅火上已經有一批研究，作者指出既有做法通常踩在兩個簡化上。第一是火勢模型太乾淨，火從起火點向四面均勻擴散，長得像一個逐漸放大的圓。第二是學習架構高度集中，所有無人機共用一份經驗庫、共用一套策略，等於整群其實只有一個大腦在學。這兩個假設讓模擬裡的成績好看，但都很難搬到真實的火場作業條件上。

所以他們先重做環境。森林是一張 100 × 100 的格子，每一格有一個 0 到 1 的植被密度值，密度值先隨機生成，再用標準差 10 的高斯平滑處理過，讓茂密區與稀疏區各自連成片。稀疏區在模擬裡的作用等同天然防火線，火燒到那裡會慢下來，甚至斷開。

每一格有三種狀態：健康、燃燒、燒盡。燃燒中的格子會依機率點燃相鄰的健康格，基礎點燃機率是 0.25 乘上該格的植被密度；燃燒中的格子則以 0.1 的機率轉為燒盡，燒盡後永久退出傳播。

風是這次加進來的新東西。點燃機率被乘上一個跟風向有關的係數，風向與傳播方向的夾角越小，機率被放大得越多，反向則被壓低。風速從實測野火資料推出的常態分布抽樣，平均 5.19 公尺／秒、標準差 2.0，風向在整個圓周上均勻抽取，而且會在單一回合裡小幅飄動。

結果就是文章開頭那張照片的樣子。火不再是一個圓，它沿著風向抽成細長的一條，或整片偏向一側，或碎成好幾道不相連的火頭，也可能在代理人還沒找到它之前就衝到邊界。對強化學習來說，這代表有價值的經驗變得又稀少又難預測：早期策略還是隨機亂飛的階段，無人機撞上活躍火線的機率大幅下降。

每架無人機只看得到身邊的五乘五格

環境變難的同時，研究者把無人機能看到的東西砍掉了一大半。

原本的集中式版本裡，代理人拿得到隊友的精確位置和全域火勢狀態。新版本全部移除，每架無人機的觀測向量只有 42 個數字：以自身為中心的 5 × 5 溫度圖（前一版是 3 × 3）、起火區的初始方向與距離、一個表示附近有沒有隊友的簡單指標、風速與風向、以及自己的格座標和回合進度。

風速風向給了，但驅動火勢傳播的那組權重參數沒給。無人機必須自己從互動裡摸出風跟火怎麼連動。

動作空間刻意留得很簡單，每一步就是往周圍八格之一移動。滅火是自動的，只要燃燒中的格子落在無人機的撲滅半徑內，那一格就被移出火線，不再點燃鄰居。所有無人機在回合開始時隨機部署在環境邊界上。

網路用的是 Dueling DQN。42 個輸入先拆成三條路徑分開處理：溫度圖、位置與火勢資訊、環境變數，處理完再融合成 62 維。這麼做有個具體理由，溫度圖在原始輸入裡佔了 42 個裡的 25 個，不先壓一下會把其他資訊淹掉；經過特徵抽取後，熱資訊在融合層裡佔 62 個裡的 24 個。訓練另外用了優先經驗回放（PER）、Polyak 軟更新與梯度裁切。

獎勵函數有五項：撲滅格子的直接獎勵（每格 3 分，除以無人機數量）、朝高溫方向移動的塑形獎勵、隊友靠太近的分離懲罰、回合前段引導無人機朝起火區前進的暫時獎勵，以及火頭逼近邊界時的懲罰。回合結束時再依火有沒有被擋住，發一筆全隊平分的獎勵或罰則。每步的總獎勵裁在 −5 到 10 之間。

目標本身也重新定義過。作者放棄了「把燒掉的面積壓到最小」，改成「圍堵」，也就是火有沒有燒到環境邊界。理由很實際：在隨機性這麼強的環境裡，燒掉的面積小可能只是因為那場火本來就弱，或風把它吹進了稀疏區，跟無人機做了什麼無關。

通訊範圍縮小，圍堵率反而上升。

每架無人機有自己的 30,000 筆經驗庫、自己的策略網路。要等庫裡累積到 3,000 筆才開始訓練，每次抽 128 筆更新。五架一組，訓練 5,000 回合，每回合大約 200 到 300 步，最長 600 步。探索率從 0.9 在前 1,500 回合內降到 0.02。

各學各的收斂太慢，所以加進 SUPER（Selective Sharing of Valuable Experiences）這套選擇性經驗分享。每筆經驗依時序差分誤差排優先度，誤差大代表「結果跟預期差很多」，這種經驗最值得學。無人機只挑優先度高的少數幾筆送給鄰居，不送整個經驗庫，也不送模型參數。

研究者比較了三種設定。不設限那組，全隊每 10 個回合共享最多 100 筆高價值經驗。另外兩組要求兩架無人機必須落在指定半徑內才能配對，配對成功時各給對方 10 筆，半徑分別是 20 格和 10 格。這些交換全部只發生在訓練期間，執行階段每架無人機只靠自己的局部觀測飛。

三個模型各取訓練期最佳的權重，跑 1,000 個獨立回合測試。

訓練期的指標同一個方向。10 格那組的最高滾動平均獎勵是 34.254，20 格 30.508，不設限 28.806。拿到最多資訊的那組，訓練成績最差。

作者給的解釋落在經驗庫的組成上。不設限分享時，某些代理人或某些軌跡會反覆流進全隊的經驗庫，大家最後是在一批高度重複的資料上訓練。半徑限制把交換打散成一次次局部的兩兩相遇，誰跟誰交換取決於當下的空間分布，經驗庫因此保有比較多變化，策略的泛化看起來也比較好。這個解釋沒有另做實驗驗證。

四成一是這批模型的最好成績

把 41.1% 換個講法：最會圍堵的那組模型，1,000 場火裡有 589 場燒到了邊界。

另一個指標是無人機實際撲滅了多少燃燒中的格子。10 格那組平均約 27.0%，20 格約 20.0%，不設限約 17.5%。排序跟圍堵率一致，10 格的模型確實比較願意跟火正面接觸。

但作者接著說明，撲滅得多不等於圍堵策略好。翻進行為紀錄，他們找出兩個反覆出現的失敗模式。

無人機學會了滅火，沒學會圍堵。

第一個模式是追火。

論文附的軌跡圖裡，一架無人機貼著活躍火線一路跟，沿途撲滅了不少格子。追火在獎勵設計下完全合理，撲滅的格子當下就換成分數。但要圍堵，無人機得預判火頭會往哪走，提前繞到前面去封住那個方向，而做對這件事的正向回報只在回合結束時才出現，還要五架平分。每一架的選擇各自都說得通，整隊卻擋不住火。

第二個模式是失去情境感知。

每架無人機只靠身邊 5 × 5 格的溫度圖判斷該往哪飛。一旦飛離火場太遠，那張圖上什麼都沒有，代理人就失去了回頭的線索，開始在沒有滅火價值的區域裡遊蕩。論文那張圖裡，一架無人機脫離火線之後就再也沒有有效地回到火場。作者對此的建議是未來得加上事件觸發的通訊、有限的全域警示或學習得到的訊號機制，讓走失的成員找得回任務，而不必回頭要求全時的完整通訊。

多派幾架無人機能補上多少？

研究者做了兩組消融。

第一組把風拿掉，其餘照 10 格設定重訓。圍堵率從 41.1% 升到 46.9%。風確實讓任務變難，但拿掉之後仍有一半以上的回合失敗，而且沒有風的時候回合會拉得更長，燒掉的面積反而可能更大。環境的隨機性只是限制之一。

第二組把機隊從 5 架加到 7 架、9 架，圍堵率是 41.1%、48.0%、51.0%。空間覆蓋變廣有幫助，但機隊規模將近翻倍，換到的只有十個百分點。作者還補了一句：代理人變多之後，每次分享的經驗筆數也跟著上升，如果交換變得太頻繁、太重複，經驗分享的效果反而會被稀釋掉。

作者自己列出的限制

這篇論文的自我評價寫得很克制。MDPI 要求作者在正文之前列出主要發現。他們的說法是，受通訊限制的選擇性經驗分享改善了學習，但圍堵表現仍然有限，原因是稀疏獎勵、部分可觀測性與協同失敗，而簡化的模擬環境會高估協同表現。

他們坦承的簡化也不少。二維格子沒有地形高程、燃料含水率、局部氣象；風被假設成全域一致；通訊半徑內被當成完全可靠，沒有封包遺失與中斷；無人機被假設定位精準，也沒有電量與滅火劑存量的限制。格子的解析度不對應任何實際地面尺度，飛行高度沒有建模，跟有人駕駛的滅火機隊怎麼共用空域也不在討論範圍。

作者把問題留在獎勵與通訊機制的設計上。前面兩組消融換來的百分點，沒有一項讓無人機離開眼前那道火線，飛到還沒燒起來的地方等著。而圍堵能不能成立，就取決於有沒有無人機肯去等。