MétaCan
Menu
Retour à la cohorte
Enregistrement W4312571183 · doi:10.1109/case49997.2022.9926718

Kinematically-Constrained Continuous-Path Polynomial Trajectories for Quadrotors

2022· article· en· W4312571183 sur OpenAlexaff
Hassan Alkomy, Jinjun Shan

Notice bibliographique

Revue2022 IEEE 18th International Conference on Automation Science and Engineering (CASE) · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésPath (computing)PolynomialTrajectoryComputer scienceControl theory (sociology)Mathematical optimizationMathematicsControl (management)Artificial intelligenceMathematical analysisPhysicsComputer network

Résumé

récupéré en direct d'OpenAlex

A waypoint trajectory is different from a continuous-path trajectory, e.g., a circular trajectory since the path between the waypoints is not constrained. However, continuous-path trajectories suffer from a major limitation, which is the inability to set any desired kinematic constraints on the trajectory other than the ones defined by the standard equation of the continuous-path trajectory, e.g., the circle equation. Therefore, this paper proposes the kinematically-constrained continuous-path polynomial trajectory to overcome this limitation. First, a framework to generate polynomial trajectories of any degree with an arbitrary number of waypoints in any dimensional space is presented. Second, a dynamic feasibility condition of the proposed trajectory for quadrotors applications is introduced. Third, the the required quadrotor’s thrust is compared to the corresponding continuous-path trajectory to examine if the proposed trajectory requires larger thrust and consequently more energy consumption. Fourth, two different cases with arbitrary kinematic constraints and a piecewise kinematic profile are studied via simulation to show the effectiveness of the proposed approach. Finally, the results are validated experimentally. The results show effectiveness and the feasibility of the proposed approach.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,847
Score d'incertitude au seuil0,830

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,279
Écart entre enseignants0,251 · 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 tête enseignante, 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE 18th International Conference on Automation Science and Engineering (CASE)Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207