RRT*-enhanced long-horizon path planning for AUV adaptive sampling using a cost valley
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
Despite advances in adaptive sampling, existing methods predominantly rely on myopic (greedy) strategies and single-objective criteria, which inadequately balance long-term exploration and exploitation. Moreover, obtaining real-time computations with complex, time-varying models remains challenging. With the goal of effective sampling of oceanographic variables by autonomous underwater vehicles, we propose a long-horizon adaptive sampling system that integrates a flexible cost valley concept with a non-myopic path planner. Our method addresses autonomous navigation within a fixed time frame while adaptively sampling ocean variables and avoiding obstacles, aiming to reduce the expected variability or classification error at river plume fronts. The novelty of our approach lies in combining variance and classification metrics as sampling objectives into a weighted cost surface that guides the vehicle along its minimal-cost path. We implement this concept using a rapidly exploring random trees (RRT*) strategy for non-myopic path planning. Simulation results based on 100 replicates demonstrate differences in traffic flow, root mean square error, variance reduction (VR), and integrated Bernoulli variance (IBV) under various cost weightings for RRT* versus a myopic approach. The equal weight cost valley appears robust, yielding prediction metrics closer to those in extreme IBV or VR-dominant cases. Statistical results further show that RRT*-based planning achieves only slightly better numerical scores than the myopic method—for example, an IBV of 75.76 (SD 7.26) compared to 75.93 (SD 6.4). A 2.5-hour field trial in a Norwegian fjord confirms that the AUV successfully runs the long-horizon adaptive sampling algorithm in real time on its onboard computing units. • Adaptive sampling methods using non-myopic algorithms. • Multiple objectives combined in a cost-valley guiding the sampling. • Field example with autonomous underwater vehicle doing long-horizon path planning in a Norwegian fjord.
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 | 0,000 | 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