SMART: Vision-Based Method of Cooperative Surveillance and Tracking by Multiple UAVs in the Urban Environment
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
UAV surveillance and tracking have attracted great enthusiasm in intelligent transportation, and various approaches have been reported up to now. However, these approaches often ignored the uncertainties in the urban environment, such as occlusion, view change, and background clutter. Ignoring these uncertain factors often leads to a reduction in surveillance performance and tracking quality. This study devotes to improving the cooperative surveillance capability of multi-UAV formation by designing different cooperative strategies in the urban environment. To be specific, a novel cooperative architecture is designed to control the observation locations of multiple UAVs throughout the formation process. For different types of interference, we introduce a novel target recognition rate of each UAV as the decision factor and design corresponding cooperative strategies to guarantee the accuracy of cooperative surveillance. Based on this architecture, we develop a vision-based method of cooperative surveillance and tracking by multiple UAVs (SMART) whose objective function is the motion cost and flight reliability of UAVs to ensure that each UAV can be in the optimal surveillance location for the target. The proposed SMART skillfully integrates the strict, elastic, and flight constraint strategies. During the execution of the multi-UAV formation, the inherent safety constraints of multiple UAVs and the designed strategies are used to solve the quadratic optimization model to adjust the locations of these UAVs. To demonstrate the superiority of our method, we conduct a 3D simulation urban environment and devise several experiments to analyze the performance of SMART on it. The experimental results demonstrate that SMART can not only maintain the high cooperative flight capability, but also provide high flexibility and fault tolerance.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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