MétaCan
Menu
Retour à la cohorte
Enregistrement W3201136355 · doi:10.32393/csme.2021.64

Visual Servo Based Space Robotic Docking For Active Space Debris Removal

2021· article· en· W3201136355 sur OpenAlexaff
Sukhjinder S Lal, Zheng Zhu

Notice bibliographique

RevueProgress in Canadian Mechanical Engineering. Volume 4 · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueSpace Satellite Systems and Control
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésSpace debrisComputer scienceServoComputer visionSpace (punctuation)Artificial intelligenceDocking (animal)ServomotorComputer graphics (images)DebrisGeologyOperating system

Résumé

récupéré en direct d'OpenAlex

Space robotics is an important area of research as it can help lower costs of satellite launches and increase the lifetime of current missions. Being able to remove space debris is beneficial for future space usage. Currently, over 500,000 pieces of debris with the ability to damage satellites are tracked from Earth. This number is larger for debris that is too small to track, such as paint chips and bolts. The Kessler Syndrome states Low Earth Orbits can become inaccessible as debris accumulates. Autonomous space robotic systems are needed to get ahead of this problem. Space robots can also be used for autonomously maintaining, repairing, and inspecting satellites. On-orbit servicing missions have shown economic feasibility in the past and this industry is currently growing. Autonomy allows for real-time detection of debris as they tumble and as they pass through different lighting conditions. Autonomy also overcomes communication latency and time constraints tele-operated space robotics systems have dealt with in the past. Unfortunately, the area of autonomous space robots has not advanced with the rest of the space industry due to high development costs and difficulties in simulating the space environment in lab settings.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,007
Tête enseignante GPT0,219
Écart entre enseignants0,212 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProgress in Canadian Mechanical Engineering. Volume 4Même sujetSpace Satellite Systems and ControlTravaux en français237 207