Dynamic-Detection-Based Trajectory Planning for Autonomous Underwater Vehicle to Collect Data From Underwater Sensors
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
Marine science and Internet of Underwater Things applications rely significantly on collecting data from underwater sensors. Data collection using long-distance underwater acoustic communications consumes a lot of energy in underwater sensor nodes, which are powered by batteries. To achieve low-energy consumption, we can use the autonomous underwater vehicle (AUV) to move close to sensor nodes and exploit the short-range and high-rate communications. Most of the existing AUV-based data collection schemes consider the scenarios having the knowledge of node positions, where the cruising trajectory can be computed before the AUV’s departure. These schemes cannot apply to some scenarios such as turtle tracking for a certain sea area having no position information. To this end, we first propose a planning-while-detecting approach to dynamically detect the sensors on turtles and adjust the AUV cruising direction to collect data. To further improve data efficiency under the energy limit of the AUV, we group the sensors that can share the same trajectory using their detected directions. A grouping-based dynamic trajectory planning (GDTP) is then proposed to determine the next cruising direction that can visit the group of sensors having the largest amount of data and demanding the least cruising energy at the risk of detection errors. Simulation results show that GDTP achieves significantly higher data collection efficiency than the existing trajectory planning algorithms in dynamic scenarios, and as the communication range increases, it can even outperform the existing algorithms with node locations.
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 | 0,001 | 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 | 0,001 | 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 découle