研究项目通过训练和评估YOLOv8和RT-DETR模型，创建了一个用于实时识别汽车和行人的深度学习框架。YOLOv8 Large版本在行人识别中表现优异，提升了交通监控和安全性，为交通管理系统设立了新基准。

智能无人机群结合充电技术可用于智慧城市的交通监控和灾害响应。现有方法如分布式优化和深度强化学习存在短期优化和长期扩展性问题。本文提出一种新方法，结合分布式优化和深度强化学习，通过实验验证其在交通监控中的优越性能。

智能无人机群体结合充电技术在智能城市中提供高效感知能力，通过分布式优化和深度强化学习实现成本效益高、质量高的导航、感知和充电。新的渐进式方法在交通监控方面表现出色。

多目标跟踪在交通视频中是关键研究领域，通过机器学习算法提高交通监控准确性，促进道路安全措施。TrafficMOT数据集涵盖复杂场景的多种交通情况，实验结果突出其内在复杂性，强调在交通监控和多目标跟踪领域的价值。

智能无人机群体结合充电技术在智能城市中提供感知能力，如交通监控和灾害响应。通过分布式优化和深度强化学习，实现成本效益高、质量高的导航、感知和充电。新的渐进式方法包括基于分布式优化的规划和选择，以及基于DRL的飞行方向调度。实验结果表明，该解决方案在交通监控方面表现出色。

智能无人机群体结合充电技术可提供智能城市的感知能力，如交通监控和灾害响应。新方法通过分布式优化和深度强化学习实现无人机的高效导航、感知和充电。实验结果显示该解决方案在交通监控方面表现出色。