MétaCan
Menu
Retour à la cohorte
Enregistrement W1993673048 · doi:10.1109/ssrr.2009.5424169

Control of an unconventional VTOL UAV for search and rescue operations within confined spaces based on the MARC control architecture

2009· article· en· W1993673048 sur OpenAlexaff
Sawanpreet Singh Dhaliwal, Alejandro Ramirez‐Serrano

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésModular designArchitectureObstacle avoidanceObstacleRoboticsComputer scienceSearch and rescueMobile robotControl (management)Remotely operated underwater vehicleCollision avoidanceControl engineeringArtificial intelligenceEngineeringRobotCollision

Résumé

récupéré en direct d'OpenAlex

This paper presents a Modular Architecture for Robotic Control (MARC) for unconventional Unmanned Vehicle Systems (UVS) with search and rescue applications. The MARC architecture is able to produce complex UVS behaviors with the interaction of multiple independent modular controllers, which are extremely difficult or impossible to execute via traditional control methodologies. This paper presents the implementation of the proposed architecture on a Double-Ducted Vertical Take-off and Landing (VTOL) vehicle, capable of performing complex maneuvers. The vehicle is designed specifically for flight within confined spaces. This paper also presents the results of the implementation showing that unconventional UVS can be used as optimal platforms for indoor flight executing diverse tasks such as obstacle avoidance and exploration. The results show that the proposed approach enables the test vehicle to fully use its flight characteristics which incorporate complex control in six Degrees of Freedom (DOF) for rapid navigation and "aggressive" maneuvers allowing large vehicular angles of attack. The results showcase the potential for the MARC control system to optimize the performance of mobile robotics, specifically unconventional vehicles.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,018
Tête enseignante GPT0,265
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207