UAVS ENHANCED NAVIGATION IN OUTDOOR GNSS DENIED ENVIRONMENT USING UWB AND MONOCULAR CAMERA SYSTEMS
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
Abstract. The demand for small Unmanned Aerial Vehicles (UAVs) is massively increasing these days, due to the wide variety of applications utilizing such vehicles to perform tasks that may be dangerous or just to save time, effort, or cost. Small UAVs navigation system mainly depends on the integration between Global Navigation Satellite Systems (GNSS) and Inertial Measurement Unit (INS) to estimate the Positions, Velocities, and Attitudes (PVT) of the vehicle. Without GNSS such UAVs cannot navigate for long periods of time depending on INS alone, as the low-cost INS typically exhibits massive accumulation of errors during GNSS absence. Given the importance of ensuring full operability of the UAVs even during GNSS signals unavailability, other sensors must be used to bound the INS errors and enhance the navigation system performance. This paper proposes an enhanced UAV navigation system based on integration between monocular camera, Ultra-Wideband (UWB) system, and INS. In addition to using variable EKF weighting scheme. The paper also investigates this integration in the case of low density of UWB anchors, to reduce the cost required for such UWB system infrastructure. A GoPro Camera and UWB rover were attached to the belly of a quadcopter, an on the shelf commercial drone (3DR Solo), during the experimental flight. The velocity of the vehicle is estimated with Optical Flow (OF) from camera successive images, while the range measurements between the UWB rover and the stationary UWB anchors, which were distributed on the field, were used to estimate UAV position.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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