Routing protocols strategies for flying Ad-Hoc network (FANET): Review, taxonomy, and open research issues
Notice bibliographique
Résumé
A Flying Ad Hoc Network (FANET) is a self-organizing wireless network comprised of clusters of Unmanned Aerial Vehicles (UAVs) or drones that communicate while nearby. FANETs are increasingly used in a variety of applications, including smart ports, delivery of products, construction, monitoring of the environment and climate, and military surveillance. FANETs research is being driven by the potential for UAVs to be utilized in these regions. The purpose of this paper is to provide a comprehensive analysis of the most important FANET characteristics, mobility models, applications, and routing protocols. The present paper is an effort to provide a comprehensive description of the various routing techniques utilized by the most prevalent routing protocols in FANETs, including topology-based, position- based, hierarchical, swarm-based, and Delay Tolerant Networking (DTN) protocols. Reinforcement learning and deep reinforcement learning are both encompassed in a newly anticipated classification. In the meanwhile, this study primarily centres around the taxonomy for learning agents (single- agent, multi-agent) and learning models (model-based and free-model). In addition, the paper intends to shed light on identifying the applications of FANETs in various categories and identify research gaps and future opportunities in this field. In addition, it compares the results qualitatively to those of the previous surveys. Any future work on the FANET routing protocol could benefit from this paper as a reference and roadmap.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».