An Autonomous Water-Dropping Method with High Precision using Unmanned Aerial Firefighting Vehicles
Notice bibliographique
Résumé
The water-dropping method is crucial for the aerial firefighting using either fixed-wing or rotary-wing aircraft. When a wildfire occurs, aerial firefighters need to cross the wildfire and extinguish it by dropping water/retardant based on their experiences. It is extremely dangerous for aerial firefighters to carry out such a mission with also the lack of water-dropping accuracy while mainly based on pilot’s experience. In order to improve the precision of water-dropping and reduce the risk to firefighters in aerial firefighting missions, an autonomous water-dropping method with high precision has been proposed for fire spot suppression using unmanned rotarywing aerial firefighting vehicles. Once a fire spot location is determined, the unmanned aerial firefighting vehicle will fly to and hover above the fire spot based on GPS navigation information autonomously. Then a feedback controller drives the unmanned aerial firefighting vehicle to approach the fire spot quickly based on the relative distance difference perceived by an infrared thermal camera. Meanwhile, a wireless trigger is utilized to execute the drop action when the precision or time conditions for water-dropping are met. Finally, the unmanned aerial firefighting vehicle returns to the ground station safely. The designed method implemented and tested in the outdoor field with a DJI M300 quadrotor unmanned aerial vehicle equipped with an onboard H20T payload. The experiment results have demonstrated the effectiveness of the designed method.
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 | 0,000 | 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 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 ».