Evaluating the Use of Unoccupied Aircraft Systems (UASs) for Planetary Exploration in Mars Analog Terrain
Notice bibliographique
Résumé
Abstract Planetary analog mission simulations are essential for testing science operations strategies and technologies. They also teach us how to use terrestrial analogs to inform studies of extraterrestrial environments. Unoccupied aircraft systems (UASs) have great potential for planetary surface exploration as demonstrated by the Mars 2020 Ingenuity helicopter and the in-development Dragonfly mission to Saturn’s moon Titan. Although applications of UAS technology for planetary exploration remain largely unexplored, simulated missions in planetary analog terrains can inform operational best practices. As part of the Rover–Aerial Vehicle Exploration Network project, we simulated a 12 sol UAS mission on Mars in the Holuhraun region of Iceland. The UAS had airborne imaging capability, as well as imaging, sampling, and geochemical analysis capabilities while landed. The mission evaluated the use of these instruments and developed operational strategies for using UASs to explore a planetary surface. Oblique airborne images were essential for mission planning and were used to scout large areas to identify both potential landing sites and targets for focused investigations. The airborne and landed data collected by the UAS allowed for detailed observations and interpretations not possible with analog orbital data sets, resulting in an improved scientific return for the simulated UAS mission compared to a premission analysis of only the analog orbital data. As a planetary exploration vehicle, a UAS is most advantageous for exploring large areas (many square kilometers) and is particularly useful when the terrain may be impassable to ground-based traverses (e.g., by rovers or humans).
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 | 0,004 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».