Understanding LoRaWAN Transmissions in Harsh Environments: A Measurement-Based Campaign Through Unmanned Aerial/Surface Vehicles
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
Along with the ubiquity of various Internet of Things (IoT) applications, data collection in harsh environments with the help of unmanned aerial vehicles (UAVs) and unmanned surface vehicles (USVs) appears as a popular approach. However, from a networking and transmission perspective, how unmanned vehicles collaborate with each other and with end IoT devices as well as the propagation characteristics for such data transmissions are less exploited. In this article, we develop a long-range wide-area network (LoRaWAN)-based data collection framework which enables UAV and/or USV-assisted data acquisition in harsh environments. Within this framework, end devices are placed in hard-to-reach locations and data acquisition is performed in an on-demand manner by unmanned vehicles acting as a gateway or peer for end devices (EDs). The framework also includes a step-by-step procedure for data collection and analytics, from parameter configuration to model validation. To reveal the transmission characteristics, we identify three scenarios in a mountainous region in Romania and perform extensive real-life measurements for data collection. Based on the collected datasets, we develop four propagation models and demonstrate that our empirical models outperform the theoretical reference models. Based on the developed empirical models, the coverage of LoRaWAN for any spreading factor (SF) can be estimated with high precision.
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 | 0,001 | 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 découle