Dynamics of Laser-Charged UAVs: A Battery Perspective
Notice bibliographique
Résumé
In this article, we aim to sustain unmanned aerial vehicle (UAV)-based missions for longer periods of times through different techniques. First, we consider on-the-mission UAV recharging by a low-power laser source (below 1 kW). In order to achieve the maximal energy gain from the low-power laser source, we propose an operational compromise, which consists of the UAV resting over buildings with cleared line of sight to the laser source. Second, to provide a precise energy consumption/harvesting estimation at the UAV, we investigate the latter's dynamics in a mission environment. Indeed, we study the UAV's battery dynamics by leveraging the electrical models for motors and battery. Subsequently, using these models, the path planning problem in a particular Internet-of-Things-based usecase is revisited from the battery perspective. The objective is to extend the UAV's operation time using both laser-charging and accurate battery level estimation. Through a graph theory approach, the problem is solved optimally, and compared to benchmark trajectory approaches. Numerical results demonstrate the efficiency of this novel battery perspective for all path planning approaches. In contrast, we found that the energy perspective is very conservative and does not exploit optimally the available energy resources. Nevertheless, we propose a simple adjustment method to correct the energy perspective, by carefully evaluating the energy as a function of the UAV motion regimes. Finally, the impact of several parameters, such as turbulence and distance to charging source, is studied.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».