Effective UAV patrolling for swarm of intruders with heterogeneous behavior
Notice bibliographique
Résumé
Abstract The phenomenal growth in the utilization of commercial unmanned aerial vehicles (UAVs) or drones leads to an urgent need for new approaches to ensure safety in the sky. Effective aerial surveillance requires patrolling swarms to react according to the various behaviors demonstrated by intruding swarms, but existing approaches are not practical when dealing with a large number of drones. Specifically, predicting the behaviors or planned paths of the intruding swarms is highly challenging as intruders may perform evasive strategies to avoid detection. Therefore, this work utilizes heuristic search strategies and investigates how various intruder behaviors affect the search performance. To investigate the search performance, a swarm versus swarm simulator is developed. Using the simulator, first, a comparative study is performed to evaluate how intruders’ behaviors can affect the performance of the patrolling swarm. Subsequently, three approaches, including single-objective optimization, multi-objective optimization, and Lévy flight, are compared in terms of their detection performance in a bounded space. The results suggest that multi-objective optimization outperforms both single-objective optimization and Lévy flight-based approaches. Furthermore, our results show that intruders have a lower chance of being tracked when moving in a dense crowd, and this finding reaffirms the schooling behaviors of fish. In a specific simulation scenario, the total percentage of detection is above 90%. However, the detection percentage is highly related to other factors such as search space, number of patrolling UAVs, and the intruders’ behaviors.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».