Age-of-Information Minimization for UAV-Based Multi-View Sensing and Communication
Pourquoi ce travail est 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.
Notice bibliographique
Résumé
Due to flexible deployment and controllable mobility, unmanned aerial vehicles (UAVs) have great potential for supporting many time-critical sensing applications. In this article, we investigate UAV-based wireless sensing and communication in which one UAV with an onboard camera sensor senses ground targets from multiple different views and transmits the sensing data to a remote ground controller (GC). With the objective of improving the freshness of the information received at the GC while ensuring the sensing quality, we develop a <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">MUlti-view SensIng and Communication (MUSIC)</i> framework and jointly optimize the parameters in the framework including the target visiting sequence, the number of sensing, UAV trajectory, service time and transmit power. To solve the corresponding mixed-integer non-convex problem, we propose a two-stage approach. Specifically, we first determine the target visiting sequence by considering a specific case, i.e., UAV senses each target only once, through the quadratic penalty (QP) and successive convex approximation (SCA) methods. Based on the obtained visiting sequence, we minimize the average peak age-of-information (PAoI) of all targets by jointly optimizing the variables contained in the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">MUSIC</i> framework via the SCA and exhaustion methods. Simulation results demonstrate that the proposed joint optimization approach outperforms the benchmark schemes.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle