Towards smarter, safer, more reliable and more resilient autonomousrobotic systems
Notice bibliographique
Résumé
Abstract: Although the concepts and developments on Fault Detection and Diagnosis (FDD) and Fault-Tolerant Control (FTC) have been progressively and extensively investigated worldwide since the 1970’s and 1980’s, respectively, the two recent catastrophic accidents induced by the crashes of two Boeing 737 MAX8 airplanes have highlighted again the necessity and urgency for FDD and FTC research & development and their industrial applications. On the other hand, benefited from technical advances in new materials, mechatronics, communication, computation, control, sensors, actuators and new/smart designs, Unmanned Aerial Vehicles (UAVs), Autonomous Cars (AVs), and other robotic systems on the space, land, on/under the water are gaining more and more attention and rapid development during the last few years due to their relatively easy and cost-effective uses in various application tasks such as automated operations, surveillance, sensing, search and rescue, agriculture, forest, environment, pipelines, powerlines, military and security applications. In this Abstract presentation, brief overall view on the challenges and latest developments on making these autonomous/unmanned robotic systems smarter, safer, more reliable and more resilient in terms of Guidance, Navigation, and Control (GNC) of robotic systems (in particular UAVs) by integrating with Remote Sensing (RS) techniques for autonomous, efficient and reliable applications to forest and environment monitoring and fires/damages/risks detection and suppression will be presented first, then some of new developments and current research works being carried out at Concordia’s Networked Autonomous Vehicles Lab (NAVL) will be introduced as the second part of the presentation. In particular, new developments on autonomous control, FDD, FTC, and Fault-Tolerant Cooperative Control (FTCC) techniques towards autonomous, safe and secure operations and applications of autonomous/unmanned systems (UAVs and AVs) to the forest fire monitoring and fighting tasks, as well as safe and resilient control of autonomous/unmanned systems in the presence of both physical-faults and cyber-attacks in the general framework of cyber-physical systems will also be presented.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».