Data‐driven mobility risk prediction for planetary rovers
Notice bibliographique
Résumé
Abstract Mobility assessment and prediction continues to be an important and active area of research for planetary rovers, with the need illustrated by multiple examples of high slip events experienced by rovers on Mars. Despite slip versus slope being one of the strongest and most broadly used relationships in mobility prediction, this relationship is nonetheless far from precisely predictable. Although the literature has made significant advances in the predictability of average mobility, the other key related aspect of the problem is the risk caused by edge cases. A key contribution of this study is a metric for explicitly assessing mobility risk based on data‐driven nonparametric slip versus slope relationships. The data‐driven approach is meant to address limitations of past model‐based approaches. The metric is informed by past work in terramechanics relating drawbar pull (i.e., net traction) to slip: High slip fraction (HSF), defined as the proportion of slip data points above 20%. Another contribution is a low complexity mobility prediction framework, the autonomous soil assessment system. Field tests demonstrate that, for sand and gravel, rover trafficability becomes nonlinear and highly variable above the 20% slip threshold. HSF is shown to be a useful metric for categorizing rover‐terrain interactions into low, medium, or high risk, correctly and consistently. Furthermore, the metric is shown to be useful for early detection of potentially hazardous changes in rover‐terrain conditions. The combination of HSF with an appropriately sized queue structure for modeling slip versus slope enables an appropriate balance between responsiveness and stability.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».