Autonomous, wireless sensor network-assisted target search and mapping
Notice bibliographique
Résumé
The requirements of wireless sensor networks for localization applications are largely dictated by the need to estimate node positions and to establish routes to dedicated gateways for user communication and control. These requirements add significantly to the cost and complexity of such networks. In some applications, such as autonomous exploration or search and rescue, which may benefit greatly from the capabilities of wireless sensor networks, it is necessary to guide an autonomous sensor and actuator platform to a target, for example to acquire a large data payload from a sensor node, or to retrieve the target outright. We consider the scenario of a mobile platform capable of directly interrogating individual, nearby sensor nodes. Assuming that a broadcast message originates from a source node and propagates through the network by flooding, we study applications of autonomous target search and mapping, using observations of the message hop count alone. Complex computational and communication tasks are offloaded from the sensor nodes, leading to significant simplifications of the node hardware and software. This introduces the need to model the hop count observations made by the mobile platform to infer node locations. Using results from first-passage percolation theory and a maximum entropy argument, we formulate a stochastic jump process which approximates the message hop count at distance r from the source. We show that the marginal distribution of this process has a simple analytic form whose parameters can be learned by maximum likelihood estimation. Target search involving an autonomous mobile platform is modeled as a stochastic planning problem, solved approximately through policy rollout. The cost-to-go at the rollout horizon is approximated by an open-loop search plan in which path constraints and assumptions about future information gains are relaxed. It is shown that the performance is improved over typical information-driven approaches. Finally, the hop count observation model is applied to an autonomous mapping problem. The platform is guided under a myopic utility function which quantifies the expected information gain of the inferred map. Utility function parameters are adapted heuristically such that map inference improves, without the cost penalty of true non-myopic planning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».