AI-Enabled Trajectory Optimization of Logistics UAVs With Wind Impacts in Smart Cities
Notice bibliographique
Résumé
AI-enabled logistics unmanned aerial vehicles (UAVs) are progressively revealing their unique advantages for future smart cities. Nevertheless, the existing research on logistics UAV path planning lacks to simultaneously consider the UAV energy consumption constraints, the customer time windows, the impacts of wind speed and direction. This omission renders the existing models inappropriate for real-world transportation systems. Besides, the UAVs are still constrained by the limited payload and battery due to the highly automatic delivery process. Consequently, we investigate the effect of wind speed and direction on UAV flight states, establishes pertinent parameters and their resolution methods impacted by wind conditions, and delves into the logistics UAV path planning issue that concurrently considers the UAV energy consumption constraints, the customer time windows, and the impact of wind conditions. To resolve the proposed trajectory optimization issue, the large-scale neighborhood search algorithm (LNS) is amalgamated with the genetic algorithm (GA), forming the GA-LNS, to address the static problem, while dynamic planning concepts are employed in the decoding process of GA-LNS to solve the dynamic trajectory optimization problem. Simulation results demonstrate that the devised algorithms yield superior solutions within a plausible timeframe, reducing distribution costs by approximately 9% in comparison to the conventional GA. Unlike the no-wind and static scenarios, path planning that incorporates dynamic wind conditions circumvents issues related to energy constraints and customer satisfaction bias evident in the prior cases. Furthermore, the proposed algorithm can provide a high-efficiency, low-energy-consumption, and low-delay UAV planning strategy in the scenario of UAV-assisted data collection.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».