Routing protocols strategies for flying Ad-Hoc network (FANET): Review, taxonomy, and open research issues
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
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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