UAV Path Planning Using on-Board Ultrasound Transducer Arrays and Edge Support
Notice bibliographique
Résumé
As UAVs become increasingly autonomous with decreased physical size, it will become more difficult for human operators to perform a demanding job with many challenges. These challenges include keeping track of UAVs in low-level airspace while considering the psychological state of the operators. The main objective of the operator is to eliminate the high risk of UAV collisions with each other or with unexpected obstacles while in flight. By using AI, the operators psychological state can be assessed in a non-intrusive manner, while equipping the system with the capability to take over and activate the teleoperated mode. In particular, affective computing sensing can aid the user in the teleoperated mode when combined with a particular control technique. A control technique is proposed on the basis of sensory measurements for adjusting the velocity and direction, therefore averting obstacle collisions. Ultrasound sensors are used to provide more real-time local data, however, these sensors can be vulnerable to missing data. To mitigate the issue of sensors with missing data, GANs can generate synthetic values that can be used in an AI-based prediction algorithm to direct the UAV on a path. In this paper, real-time data is collected through on-board Ultrasound sensors mounted on a commercial UAV. The collected data is reported to the edge server where the GAN is implemented along with the ML algorithm to predict the path. The results demonstrate the effectiveness of this approach with an accuracy of more than 96.96%.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».