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
Cooperation between an unmanned aerial vehicle (UAV) and unmanned surface vehicle (USV) can be critical in fields like search and rescue, marine ecology, and surveying. This is because, by landing a UAV on a USV for recharging, the agents can collaborate to eliminate their individual limitations; UAVs typically have a superior speed and vantage point compared to USVs, but can only remain airborne for short periods of time due to battery limitations, whereas USVs lack mobility and height but can remain at sea for extended periods of time and carry large batteries. The question our work this summer sought to answer is: how can we get a UAV-USV pair to seek out ”calm waters” and attempt a landing when and where the waves are most favorable? Due to the high risk associated with testing such a system on a real body of water, we developed a novel testbed that utilizes an unmanned ground vehicle (UGV) fitted with a custom-made 2-axis tilting landing pad that can pitch and roll to simulate the motion of a USV in a variety of wave conditions. We used this novel testbed with an indoor Crazyflie UAV to experimentally prove a cooperative model-predictive control (MPC) scheme. In essence, MPC works by optimizing control inputs using a model that encodes the dynamics of a system to pick the best series of control inputs from a finite set of valid inputs. Our work successfully proved the viability of a system where two agents use MPC to optimize their relative positions and the intensity of nearby waves to reach consensus on where and when to land. By landing 100+ times using a variety of system configurations, we were able to demonstrate a significantly increased likelihood of successful landings when using our control scheme.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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