Facilitating Safe Automated Navigation in Ice with Cooperating Autonomous Vehicles
Notice bibliographique
Résumé
Autonomous shipping has gained much interest in the last decade stemming from several desirable safety and environmental benefits. A significant boost to Canada's autonomous shipping drive would be adequately monitoring ice conditions in shipping environments with unmanned assets and calculating safe navigation routes for autonomous ships. A workflow was created to simulate an unmanned aerial vehicle (UAV) cooperating with a maritime autonomous surface ship (MASS) to facilitate the MASS's safe navigation through an icy waterway. Both vehicles were modeled as MATLAB Simulink's Sim3D objects operating in an icy shipping environment representing a section of Canada's St Lawrence Seaway and built with Unreal Game Engine version 4.26.2. The UAV performed regular ice-condition-monitoring flights over the shipping environment with its vision and LiDAR sensors. Maps of Ice Numerals (IN) pertaining to the MASS's class were developed from processed data from the UAV's sensors. They served as inputs to a Rapidly Exploring Random Tree (RRT) algorithm that estimated safe obstacle free routes for the MASS through the shipping environment. Colour-coded hazard maps specifying safe and hazardous waterway regimes were also developed from IN maps. Hazard maps could serve as navigational aids to operators monitoring MASS operations in hazardous environments. Results obtained from testing the workflow on the MA TLAB Simulink + Unreal Engine simulation environment produced the desired INs and hazard maps with safe navigation routes for the MASS. These results show the possibility of having autonomous assets corporate to facilitate safe autonomous navigation in ice.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».