Oil Plume Mapping: Adaptive Tracking and Adaptive Sampling From an Autonomous Underwater Vehicle
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
We have developed an adaptive sampling algorithm for an Explorer autonomous underwater vehicle (AUV) to conduct in-situ analysis of acoustic measurements to perform autonomous oil plume detection and tracking. The methodology of the tracking phase involves ongoing analysis of the detected plume, assessing target validity and proximity for AUV decision-making for plume mapping. We previously introduced the bumblebee flight path, a new biomimetic search pattern designed to maximize the spatial coverage in the oil plume detection phase. This paper focuses on a new tracking strategy as the key adaptive stage in our plume delineation. For initial development we used a 360-degree scanning sonar sensor model. Simulations were done with different plume models to assess the performance of the developed adaptive sampling algorithm. A convergence study demonstrated that the algorithm could successfully track the boundary of a non-regular shaped/patchy oil plume at up to a 0.05Hz sampling frequency. A sensitivity study identified the correlations between plume feature complexity and the anticipated range of acoustic measurement update delays. The decision-making architecture consists of three separate components which implements either proximity or boundary following control and contributes to the final decision on the next desired heading of the vehicle. A weight ratio, that determined the relative allocation of each component, was varied to study its impact on the tracking performance of the AUV. The novelty of our approach is in addressing the discontinuous and patchy nature of realistic oil plumes. Our sampling algorithm and its performance in simulations is a significant step beyond the practical limitations of existing gradient-following methods because it accounts for the oil patches and droplets which gradient-following algorithms do not.
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 | 0,001 |
| 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