MétaCan
Menu
Retour à la cohorte
Enregistrement W4400521595 · doi:10.1139/dsa-2024-0007

U-SMART: unified swarm management and resource tracking framework for unoccupied aerial vehicles

2024· article· en· W4400521595 sur OpenAlexvenueno aff
Abhishek Phadke, F. Antonio Medrano, Michael J. Starek

Notice bibliographique

RevueDrone Systems and Applications · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueDistributed Control Multi-Agent Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSwarm behaviourComputer scienceModular designRobustness (evolution)Situation awarenessDistributed computingSwarm intelligenceCollision avoidanceReal-time computingParticle swarm optimizationEngineeringArtificial intelligenceCollisionComputer securityMachine learning

Résumé

récupéré en direct d'OpenAlex

Unoccupied aerial vehicle (UAV) swarms have the ability to exhibit improved capabilities and performance when compared to individual UAVs. However, their target operation environment is fraught with disruptions, including communication limitations, sensor failures, and dynamic environmental conditions, which can significantly impact swarm performance and robustness. To address these challenges, the proposed unified swarm management and resource tracking (U-SMART) framework focuses on enabling resiliency within UAV swarms. Resiliency refers to the swarm's ability to adapt, recover, and maintain functionality in the face of disruptions. The framework integrates features such as agent well-being tracking, collision and obstacle avoidance, energy management, and task control to enhance the swarm's ability to withstand disruptions and continue operating effectively to provide a comprehensive solution for unified swarm management. The modular design allows flexible configuration, upgrades, and the addition of new components. This facilitates easy adaptation to specific swarm requirements and evolving operational needs. Using frameworks like U-SMART, swarm operators can efficiently manage and control UAV swarms, mitigate disruptions, and maintain high situational awareness in challenging environments. Performance is validated for the integrated modules to test feasibility for different experiment scenarios. For each module and feasibility test, thresholds were set to indicate acceptable performance in the presence of disruptions, and results for the swarm running on the proposed framework showed the acceptable performance of agents validated using explicitly designed metrics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,266
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrone Systems and ApplicationsMême sujetDistributed Control Multi-Agent SystemsTravaux en français237 207