An Improved UAV-PHD Filter-Based Trajectory Tracking Algorithm for Multi-UAVs in Future 5G IoT Scenarios
Notice bibliographique
Résumé
The 5G cellular network is expected to provide core service platform for the expanded Internet of Things (IoT) by supporting enhanced mobile broadband (eMBB), massive machine-type communication (mMTC), and ultra-reliable low latency communications (URLLC). Unmanned aerial vehicles (UAVs), also known as drones, provide civil, commercial, and government services in various fields. Particularly in a 5G IoT scenario, UAV-aided network communications will fulfill an increasingly important role and will require the tracking of multiple UAV targets. As UAVs move quickly, maintaining the stability of the communication connection in 5G will be a challenge. Therefore, it is necessary to track the trajectory of UAVs. At present, the GM-PHD filter has a problem that the new target intensity must be known, and it cannot obtain the moving target trajectory and the influence of the clutter is likely to cause false alarm. A UAV-PHD filter is proposed in this work to improve the traditional GM-PHD filter by applying machine learning to the emergency detection and trajectory tracking of UAV targets. An out-of-sight detection algorithm for multiple UAVs is then presented to improve tracking performance. The method is assessed by simulation using MATLAB, and OSPA distance is utilized as an evaluation indicator. The simulation results illustrate that the proposed method can be applied to the tracking of multiple UAV targets in future 5G-IoT scenarios, and the performance is superior to the traditional GM-PHD filter.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,001 |
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 ».