Deep learning-based obstacle-avoiding autonomous UAVs with fiducial marker-based localization for structural health monitoring

2023· article· en· 72 citations· W4381511407 sur OpenAlex· 10.1177/14759217231177314

Pourquoi ce travail est-il 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.

Affiliation canadienneUne personne signataire a déclaré un établissement canadien. C'est la seule voie dont dispose la base habituelle.

Organisme subventionnaire canadienUn organisme canadien l'a financé. Le travail peut ne porter aucune affiliation canadienne.

Prédiction distillée sur la base complète

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.

Catégories candidates: Méta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuelles: aucune
Domaine: Signal candidat: aucuneSignal consensuel: aucune
Devis d'étude: Signal candidat: Simulation ou modélisationSignal consensuel: Simulation ou modélisation
Genre: Signal candidat: EmpiriqueSignal consensuel: Empirique
Score de désaccord entre enseignants: 0,087
Score d'incertitude au seuil: 0,999
Statut de validation: machine_predicted_unvalidated · codex-gemma-dda1882f352a

Scores Codex et Gemma par catégorie

Catégorie	Codex	Gemma
Métarecherche	0,001	0,000
Méta-épidémiologie (sens strict)	0,001	0,001
Méta-épidémiologie (sens large)	0,001	0,000
Bibliométrie	0,001	0,001
Études des sciences et des technologies	0,002	0,000
Communication savante	0,000	0,000
Science ouverte	0,000	0,000
Intégrité de la recherche	0,000	0,001
Charge utile insuffisante (le modèle a refusé de juger)	0,000	0,000

Scores machine (provisoires)

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

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.

Tête enseignante Opus0,017

Tête enseignante GPT0,288

Écart entre enseignants: 0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation: 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

Résumé

This paper proposes a framework for obstacle-avoiding autonomous unmanned aerial vehicle (UAV) systems with a new obstacle avoidance method (OAM) and localization method for autonomous UAVs for structural health monitoring (SHM) in GPS-denied areas. There are high possibilities of obstacles in the planned trajectory of autonomous UAVs used for monitoring purposes. A traditional UAV localization method with an ultrasonic beacon is limited to the scope of the monitoring and vulnerable to both depleted battery and environmental electromagnetic fields. To overcome these critical problems, a deep learning-based OAM with the integration of You Only Look Once version 3 (YOLOv3) and a fiducial marker-based UAV localization method are proposed. These new obstacle avoidance and localization methods are integrated with a real-time damage segmentation method as an autonomous UAV system for SHM. In indoor testing and outdoor tests in a large parking structure, the proposed methods showed superior performances in obstacle avoidance and UAV localization compared to traditional 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.

La notice

Revue: Structural Health Monitoring
Thématique: Infrastructure Maintenance and Monitoring
Domaine: Engineering
Établissements canadiens: Ericsson (Canada)University of Manitoba
Organismes subventionnaires: Natural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationResearch Manitoba
Mots-clés: ObstacleObstacle avoidanceComputer scienceGlobal Positioning SystemArtificial intelligenceFiducial markerComputer visionStructural health monitoringCompassTrajectorySegmentationReal-time computingScope (computer science)RobotMobile robotEngineeringGeography
Résumé présent dans OpenAlex: oui
API: /api/v1/works/W4381511407