MétaCan
Menu
Retour à la cohorte
Enregistrement W3165280930 · doi:10.1016/j.cja.2021.04.022

A review on fault-tolerant cooperative control of multiple unmanned aerial vehicles

2021· review· en· W3165280930 sur OpenAlexafffund
Ziquan Yu, Youmin Zhang, Bin Jiang, Jun Fu, Ying Jin

Notice bibliographique

RevueChinese Journal of Aeronautics · 2021
Typereview
Langueen
DomaineComputer Science
ThématiqueDistributed Control Multi-Agent Systems
Établissements canadiensConcordia University
Organismes subventionnairesState Key Laboratory of Synthetical Automation for Process IndustriesNatural Sciences and Engineering Research Council of CanadaNatural Science Foundation of Jiangsu ProvinceHigher Education Discipline Innovation ProjectNortheastern UniversityChina Postdoctoral Science FoundationKey Technologies Research and Development ProgramNational Natural Science Foundation of China
Mots-clésFault toleranceControl (management)Collision avoidanceComputer scienceControl engineeringState (computer science)Distributed computingEngineeringFault (geology)CollisionArtificial intelligenceComputer security

Résumé

récupéré en direct d'OpenAlex

This paper presents the recent developments in Fault-Tolerant Cooperative Control (FTCC) of multiple unmanned aerial vehicles (multi-UAVs). To facilitate the analyses of FTCC methods for multi-UAVs, the formation control strategies under fault-free flight conditions of multi-UAVs are first summarized and analyzed, including the leader-following, behavior-based, virtual structure, collision avoidance, algebraic graph-based, and close formation control methods, which are viewed as the cooperative control methods for multi-UAVs at the pre-fault stage. Then, by considering the various faults encountered by the multi-UAVs, the state-of-the-art developments on individual, leader-following, and distributed FTCC schemes for multi-UAVs are reviewed in detail. Finally, conclusions and challenging issues towards future developments are presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,321
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations157
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChinese Journal of AeronauticsMême sujetDistributed Control Multi-Agent SystemsTravaux en français237 207