A Multiobjective Optimization Approach for COLREGs-Compliant Path Planning of Autonomous Surface Vehicles Verified on Networked Bridge Simulators
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
This paper presents a multiobjective optimization approach for path planning of autonomous surface vehicles (ASVs). A unique feature of the technique is the unification of the Convention on the International Regulations for Preventing Collisions at Sea (COLREGs) with good seamanship's practice along with hierarchical (rather than simultaneous) inclusion of objectives. The requirements of collision avoidance are formulated as mathematical inequalities and constraints in the optimization framework and thus collision-free manoeuvres and COLREGs-compliant behaviours are provided in a seafarer-like way. Specific expert knowledge is also taken into account when designing the multiobjective optimization algorithm. For example, good seamanship reveals that if allowed, an evasive manoeuvre with course changes is always preferred over one with speed changes in practical maritime navigation. As a result, a hierarchical sorting rule is designed to prioritize the objective of course/speed change preference over other objectives such as path length and path smoothness, and then incorporated into a specific evolutionary algorithm called hierarchical multiobjective particle swarm optimization (H-MOPSO) algorithm. The H-MOPSO algorithm solves the real-time path planning problem through finding solutions of the formulated optimization problem. The effectiveness of the proposed H-MOPSO algorithm is demonstrated through both desktop and high-fidelity networked bridge simulations.
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