Terrain based co‐operative UAV mapping of complex obstacles using 2‐D splinegon
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
Purpose This paper aims to describe a recently proposed algorithm in terrain‐based cooperative UAV mapping of the unknown complex obstacle in a stationary environment where the complex obstacles are represented as curved in nature. It also aims to use an extended Kalman filter (EKF) to estimate the fused position of the UAVs and to apply the 2‐D splinegon technique to build the map of the complex shaped obstacles. The path of the UAVs are dictated by the Dubins path planning algorithm. The focus is to achieve a guaranteed performance of sensor based mapping of the uncertain environments using multiple UAVs. Design/methodology/approach An extended Kalman filter is used to estimate the position of the UAVs, and the 2‐D splinegon technique is used to build the map of the complex obstacle where the path of the UAVs are dictated by the Dubins path planning algorithm. Findings The guaranteed performance is quantified by explicit bounds of the position estimate of the multiple UAVs for mapping of the complex obstacles using 2‐D splinegon technique. This is a newly proposed algorithm, the most efficient and a robust way in terrain based mapping of the complex obstacles. The proposed method can provide mathematically provable and performance guarantees that are achievable in practice. Originality/value The paper describes the main contribution in mapping the complex shaped curvilinear objects using the 2‐D splinegon technique. This is a new approach where the fused EKF estimated positions are used with the limited number of sensors' measurements in building the map of the complex obstacles.
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 | 0,000 |
| 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