Vision-Based Autonomous Landing and Charging System for a Hexacopter Drone
Notice bibliographique
Résumé
One of the challenges in Drone-based systems is the limited capacity of the onboard battery.To overcome the limitation of the onboard battery capacity, an intelligent decisionmaking system for autonomous landing and charging processes is presented in this paper.The system aims to recharge drained battery and extend flight duration.It based on the infrared light-emitting diodes (LEDs) detection and marker recognition.A novel landing pad with twenty infrared LEDs and eight barcodes is carefully designed and used in this research.The landing process is divided into two phases.During the first phase, the LEDs are observed by a camera that is equipped with an infrared-pass filter, while the barcodes are observed by two Pixy cameras in the second phase.To land the Drone on the proper polarity and then start recharging process, a hierarchical vision-based autonomous landing algorithm (HVALA) based on Otsu thresholding method and Laplacian of Gaussian (LOG) operator is proposed.The whole system has been designed and tested through a series of autonomous flights.The experimental results, obtained during the final phase of the landing process confirm the feasibility and robustness of the system where a small error of 4.4cm on average was observed with maximum landing time of 10 seconds.Such error is acceptable in this application and leads to a higher landing success rate.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 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 ».