MétaCan
Menu
Retour à la cohorte
Enregistrement W4386630717 · doi:10.1109/oceanslimerick52467.2023.10244443

Doppler effects on acoustic ranging uncertainties on autonomous underwater vehicles in the Beaufort Sea

2023· article· en· W4386630717 sur OpenAlexaboutno aff
Luis O. Pomales Velázquez, Isaac B. Salazar, Cristian E. Graupe, Jessica Desrochers, Sarah E. Webster, Lora J. Van Uffelen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueUnderwater Acoustics Research
Établissements canadiensnon disponible
Organismes subventionnairesResearch and Development
Mots-clésRangingDoppler effectUnderwaterAcousticsBroadbandBandwidth (computing)GeologyUnderwater acoustic communicationBeaufort seaRemote sensingComputer scienceGeodesySea iceOceanographyTelecommunicationsPhysics

Résumé

récupéré en direct d'OpenAlex

Moving and depth-varying receivers, such as autonomous underwater vehicles (AUVs), provide a great tool for acoustic remote sensing applications. An array of acoustic sources can be used to provide long-range acoustic positioning for AUVs, but there are challenges in the form of subsea position uncertainties that can be exacerbated by Doppler delay shifts. During the Canada Basin Acoustic Propagation Experiment (CANAPE) two M1 Seagliders equipped with WHOI micromodem acoustic receivers were deployed during August 2017. Acting as moving receivers, the Seagliders navigated the Beaufort Sea in and around the CANAPE array, recording transmissions from the broadband acoustic sources at varying ranges and depths of 2–530 km and surface to 750 m, respectively. The sources transmitted 135-second linear frequency modulated signals with a bandwidth of 100 Hz centered around 250 Hz. This work focuses on the Doppler delay shift effects on acoustic ranging uncertainties using these signals. Using vehicle attitude measurements over the duration of the signal receptions, it was found that 91 percent of the acoustic receptions included ranging uncertainties of 10 m or more due to Doppler, with particular impact at closer ranges of 50 km or less.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
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 GPT0,262
Écart entre enseignants0,234 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUnderwater Acoustics ResearchTravaux en français237 207