Bio-Inspired Polarization Compass for Solar Azimuth Prediction Under Clear and Cloudy Sky Conditions
Notice bibliographique
Résumé
Sunlight becomes partially polarized due to Rayleigh scattering while passing through the atmosphere. Many insects such as ants and beetles utilize the polarization information of skylight for navigation. Unlike magnetic compass and GPS, this scheme is free from interference and unlike inertial schemes, its error does not accumulate with time. In recent years this navigation scheme has received a lot of attention for navigation of aerial and terrestrial vehicles. Development of a polarization compass that can provide accurate heading information in different weather conditions will benefit a wide range of applications. Here we report the application of linear regression for implementation of a polarization compass. The model is trained with real sky images and then used to predict the solar azimuth in both clear and cloudy sky conditions. The root mean square errors for both conditions were less than 1°. We also compared the performance of the proposed scheme with that of Hough transform and support vector machine, which have been successfully utilized for the same application in the past. Linear regression outperformed Hough transform for all sky conditions considered, and its performance was comparable with support vector machine. However, unlike the other two methods considered, the accuracy of linear regression will increase significantly when trained with a large set of sky images. Therefore, with sufficient training, linear regression can be a promising option for implementation of polarization compass.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 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 ».