Energy-Efficient Data Collection and Device Positioning in UAV-Assisted IoT
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
The Internet of Things (IoT) will significantly change both industrial manufacturing and our daily lives. Data collection and 3-D positioning of IoT devices are two indispensable services of such networks. However, in conventional networks, only terrestrial base stations (BSs) are used to provide these two services. On the one hand, this leads to high energy consumption for devices transmitting at cell edges. On the other hand, terrestrial BSs are relatively close in height, resulting in poor performance of device positioning in elevation. Due to their high maneuverability and flexible deployment, unmanned aerial vehicles (UAVs) could be a promising technology to overcome the above shortcomings. In this article, we propose a novel UAV-assisted IoT network, in which a low-altitude UAV platform is employed as both a mobile data collector and an aerial anchor node to assist terrestrial BSs in data collection and device positioning. We aim to minimize the maximum energy consumption of all devices by jointly optimizing the UAV trajectory and devices' transmission schedule over time, while ensuring the reliability of data collection and required 3-D positioning performance. This formulation is a mixed-integer nonconvex optimization problem, and an efficient differential evolution (DE)-based method is proposed for solving it. Numerical results demonstrate that the proposed network and the optimization method achieve significant performance gains in both energy-efficient data collection and 3-D device positioning, as compared with a conventional terrestrial IoT network.
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