An Overview of Scientometric Mapping in Planning and Decision-Making for UGV
Notice bibliographique
Résumé
The literature on planning and decision-making for Unmanned Ground Vehicle (UGV) research has grown rapidly over the last decade, but few attempts have been made to map global research in this area. In order to determine the state of the field and trends in planning and decision-making for UGV research, this study used scientometric mapping software to conduct a series of content analyses. In this study, we used a series of content analyses and investigated global patterns of publications, including distribution of institutions, common categories, highly cited papers and research hotspots, as well as trends in co-citation analysis and, in particular, cluster analysis. We present all the main aspects of the study in a scientific-metrical way and draw the following conclusions. Firstly, the most important advances and developments in planning and decision-making for UGV have taken place mainly in China, the USA and Germany. The three countries, China, the USA and Canada, have a relatively close scientific cooperation in this field. Secondly, Chinese universities publish a high number of articles and American universities publish high impact articles on the whole. Thirdly, the emerging trends in research on planning and decision-making for UGV research have shifted from traditional planning methods, such as rule-based decision-making system, FSM, hybrid-state A* path planner to methods integrated with perception and planning, such as end-to-end learning method.
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 | 0,020 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,082 | 0,154 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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.
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 ».