Metaheuristic Optimization for Robust RSSD-Based UAV Localization with Position Uncertainty
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) have garnered significant research interest across various fields due to their excellent maneuverability, scalability, and flexibility. However, potential collisions and other issues can disrupt communication and hinder functionality in real-world applications. Therefore, accurate localization of UAVs is crucial. Nonetheless, environmental factors and inherent stability issues can lead to node positional errors in UAV networks, compounded by inaccuracies in transmit power estimation, complicating the effectiveness of signal strength-based localization methods in achieving high accuracy. To mitigate the adverse effects of these issues, a novel received signal strength difference (RSSD)-based localization scheme based on a robust enhanced salp swarm algorithm (RESSA) is presented. In this algorithm, an elitism strategy based on tent opposition-based learning (TOL) is proposed to promote the leader to move around the food source. Differential evolution (DE) is then used to enhance the exploration ability of each agent and improve global search. In addition, a dynamic movement mechanism for followers is designed, enabling the swarm to swiftly converge towards the food source, thereby accelerating the overall convergence process. The RSSD-based Cramér–Rao lower bound (CRLB) with position uncertainty is derived to evaluate the performance. Experimental results are presented, which show that the proposed RESSA provides better localization performance than related methods in the literature.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».