MétaCan
Menu
Retour à la cohorte
Enregistrement W2041627073 · doi:10.1117/12.716341

World representations for unmanned vehicles

2007· article· en· W2041627073 sur OpenAlexaffabout
Gregory S. Broten, Simon P. Monckton, David Mackay, Jack Collier

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotics and Sensor-Based Localization
Établissements canadiensDefence Research and Development Canada
Organismes subventionnairesnon disponible
Mots-clésRepresentation (politics)Computer scienceTerrainClass (philosophy)Unmanned ground vehicleTraverseRemotely operated underwater vehicleArtificial intelligenceReal-time computingRobotMobile robotGeography

Résumé

récupéré en direct d'OpenAlex

Unmanned vehicles (UxV) operate in numerous environments, with air, ground and marine representing the majority of the implementations. All unmanned vehicles, when traversing unknown space, have similar requirements. They must sense their environment, create a world representation, and, then plan a path that safely avoids obstacles and hazards. Traditionally, each unmanned vehicle class used environment specific assumptions to create a unique world representation that was tailored to it operating environment. Thus, an unmanned aerial vehicle (UAV) used the simplest possible world representation, where all space above the ground plane was free of obstacles. Conversely, an unmanned ground vehicle (UGV) required a world representation that was suitable to its complex and unstructured environment. Such a clear cut differentiation between UAV and UGV environments is no longer valid as UAVs have migrated down to elevations where terrestrial structures are located. Thus, the operating environment for a low flying UAV contains similarities to the environments experienced by UGVs. As a result, the world representation techniques and algorithms developed for UGVs are now applicable to UAVs, since low flying UAVs must sense and represent its world in order to avoid obstacles. Defence R&D Canada (DRDC) conducts research and development in both the UGV and UAV fields. Researchers have developed a platform neutral world representation, based upon a uniform 21/2-D elevation grid, that is applicable to many UxV classes, including aerial and ground vehicles. This paper describes DRDC's generic world representation, known as the Global Terrain map, and provides an example of unmanned ground vehicle implementation, along with details of it applicability to aerial 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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,007
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,004
Science ouverte0,0020,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,004

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 Opus0,014
Tête enseignante GPT0,242
Écart entre enseignants0,228 · 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

Citations2
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetRobotics and Sensor-Based LocalizationTravaux en français237 207