UAV-Driven Sustainable and Quality-Aware Data Collection in Robotic Wireless Sensor Networks
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
Energy-aware data collection is of paramount importance for robotic and wireless sensor networks. Although static sink-aided cluster-based protocols provide energy-efficient solutions, unmanned aerial vehicle (UAV)-aided approaches can be considered as better alternatives to reduce energy consumption while data acquisition compared with static sinks. Most of the existing UAV-driven solutions have not considered a limit on the battery capacity of the UAV, which needs to be considered in a practical manner. This article investigates energy-aware data collection in robot network clusters. In each cluster, a cluster head (CH) robot allocates one collaborative task to each cluster member (CM) robot and collects data from CMs whereas a UAV collects data from CH robots by visiting a subset of them due to its battery limitation. To complement the state-of-the-art, UAV decision for visiting the subset of CHs is constrained to multiple factors including residual battery capacity, as well as locations and data qualities of all CH robots. Nonvisited CH robots use CH robots as relay nodes for data forwarding. Following upon this, by considering the problem under data hopping constraints, this article also presents a sensitivity analysis with respect to data hopping constraints. Simulations show that the proposed policy achieves zero total joint cost whereas the state-of-the-art approaches result in significantly high total joint costs. Furthermore, the proposed policy reduces the total joint cost by up to 50% with respect to the conventional approaches.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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