Sensor deployment by a robot in an unknown orthogonal region: Achieving full coverage
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When deploying a wireless sensor network in an unknown environment, commonly referred to as Region of Interest (ROI), the main goal is for the entire region to be covered by the sensing ranges of the deployed sensors. While this goal of full coverage is easily achieved in presence of human intervention, it becomes problematic if the region is dangerous or inaccessible to human. An approach recently proposed to solve the problem is to use a robot to deploy the sensors; the main advantages respect to the alternative of employing mobile sensors are the reduced costs (due to manufacture and maintenance cost of common static sensors vs. mobile ones) and the reduced complexity of the coordination and control algorithms. Indeed several solution algorithms to achieve deployment of sensors by a robot in an unknown region have been proposed in the literature. Unfortunately, even when restricted to orthogonal regions (e.g., city maps, building plans, etc), all the existing algorithms fail to achieve full coverage of the ROI. Specifically, following the existing protocols, the robot would leave uncovered areas near either the boundaries or critical areas (e.g. areas that are linked to the rest of the region by a narrow corridor). In this paper we present an algorithm that overcomes these problems and guarantees that the deployment of the sensors by the robot achieves full coverage in any simply connected orthogonal ROI, whose topology is unknown to the robot. The proposed algorithm has minimal requirements: it does not need GPS but only local orientation by the robot; the communication range of a deployed sensor is limited to its deployed neighbours, and the robot has a similar range; the total number of sensors used is minimal. Also minimal are the robot's memory requirements, the total amount of robots movements and of communication between robot and sensors.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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