The Role of adaptive mission planning and control in persistent autonomous underwater vehicles presence
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
The Autonomous Underwater Vehicle (AUV) community has for many years recognized the potential benefits made by adapting mission planning on-the-fly. Over the years there has been some degree of success in applying adaptive mission planning to very specific problems. Examples of applications include capabilities for a vehicle to search for, and then modify its trajectory to follow, a feature such as a plume or a thermocline, or to modify its trajectory to avoid an obstacle, or to find and follow a feature such as a pipeline. Despite an evident increase in the number of applications, the use of adaptive mission planning is still in its infancy. There is no doubt that adaptive mission planning will play a pivotal role in future AUV persistent presence. So what is delaying this technology from making the leap towards wider industry acceptance? This paper reviews the literature in adaptive mission planning and uses a failure analysis technique to identify key obstacles for the integration of this technique in wider AUV applications. We use our failure analysis to help devise recommendations for mitigating these obstacles. The complexity of the mathematical approaches used by adaptive techniques is one key obstacle. Perhaps of more importance is that the AUV community is increasingly requiring quantitative assessment of risk associated with the use of AUVs. We propose that probability is the appropriate measure for quantifying the risk of adaptive systems and their uncertainty. The work here presented is a collective endeavor of the Engineering Committee on Oceanic Resources Specialist Panel on Underwater 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.
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 | 0,000 | 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 | 0,000 | 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