Dynamic Artificial Neural Network-Assisted GPS-Less Navigation for IoT-Enabled Drones
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
Uncrewed Aerial Vehicles (UAVs) have enabled key duties in emergency preparedness, traffic monitoring, environmental monitoring, and public safety. Since the presence of GPS-enabled contexts is not always guaranteed, a grand challenge with the UAVs is the lack of accomplishing their tasks without the presence of GPS coordinates (latitude, longitude, and altitude). Hence, the performance of UAVs in GPS-denied environments is expected to degrade dramatically when compared to the UAVs employed in GPS-enabled environments. In this article, an alternative approach to the state-of-the-art, Dynamic Artificial Neural Network (D-ANN)-based solution is proposed to assist UAV navigation without GPS positions during a mission. Besides accelerometer and gyroscope data, Pulse Width Modulation (PWM) signals, which have been traditionally used in the design of UAV flight controllers, are proposed to be a part of the input for D-ANN-assisted UAV navigation without GPS data. Since the latitude, longitude, and altitude values of the UAV are not correlated, each position is obtained through a separate D-ANN system. The proposed D-ANN location of a quadrotor UAV assisted by D-ANN has less than 3m average destination error at the end of the testing trajectory and also less than 0.12 average normalized mean square error during the testing trajectory in terms of the 3D GPS coordinates.
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 | 0,000 | 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