A Multi-Objective Approach for Unmanned Aerial Vehicle Mapping
Notice bibliographique
Résumé
Many commercial applications require aerial mapping with multiple UAVs. Mapping is a mission planning problem which requires meeting a set of constraints while optimizing key factors that may conflict with each other, such as fuel/battery consumption, make-span, and the associated risks. Solving this Multi-Objective Optimization (MOO) will therefore result in a set of trade-offs (Pareto optimal solutions) that will be supplied to a decision-maker. Given that the Pareto set can be of a very large size, we propose a Multi-criteria Decision Making (MCDM) system that relies on user’s preferences to bring down this set to a manageable size. More precisely, the proposed system captures user’s qualitative preferences and uses them through the Fuzzy Vikor to filter and rank Pareto optimal solutions. The designed system is able to work with both or either fixed-wing and multi-rotor UAVs. To evaluate the performance of our system, we conducted a set of experimental simulations considering several scenarios. The findings show that fixed-wing UAVs have higher energy consumption and mission time than multi-rotors due to Dubin’s turns, assuming both types have the same charging/fueling endurance and the same velocity. Lastly, it is found that heterogeneity will not always lead to a better mission duration than homogeneous UAV fleets.
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 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 | 0,000 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».