Airspace network design for urban UAV traffic management with congestion
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
To support the safe and widespread use of unmanned aerial vehicles (UAVs) in urban environments, industry stakeholders and regulatory authorities are partnering to develop urban airspace traffic management systems (UTMs). UTM system providers face strategic decisions in how to design and manage airspace available to UAV flights. We consider a provider that plans to open an urban airspace in which UAV flights are routed above existing roads in 3D corridors corresponding to segmented altitude levels. The provider aims to select a subset of the road network to form an air-network with the goal of providing safe and cost effective service for UAV traffic. The air-network selected must provide routes that respect UAV technology restrictions, and must have adequate capacity to support the expected flight volume. We develop a 3D airspace network design model that selects a subset of roads whose 3D projection into the sky will be used for routing flights. The constrained system optimum (CSO) traffic assignment model is used to evaluate the quality of the network; the CSO user constraints represent battery restrictions while minimizing the total travel time ensures realistic routing in the face of congestion. To incorporate the 3D nature of flights, we use simulation to calibrate a Bureau of Public Roads capacity parameter that reflects the multiple vertical layers of airspace made available when a road is selected for the network. We introduce a methodology to derive candidate maps for urban areas and use it on open-source data to build a case study for Chicago city center. We assess the impact of budget, congestion, minimum-path deviation, and demand patterns on network designs.
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 | 0,001 | 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 | 0,000 | 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 découle