Autonomous Vision-Guided High-Precision Firefighting using Unmanned Aerial Vehicles
Notice bibliographique
Résumé
This paper presents a novel, precise, and fast framework for autonomous aerial forest fire fighting using unmanned aerial vehicles (UAVs) to extinguish a line of fires by most efficiently utilizing the on-board camera. Autonomous aerial firefighting algorithms using UAVs have been proven to be promising in early wildfire suppression. However, UAVs/drones have limited payloads, which do not allow them to carry as much retardant as fixed-wing aircraft do. Hence, firefighting drones should release the retardant in a way that accurately extinguishes wildfire and efficiently suppresses the line of fires. In this work, a DJI M300 RTK drone mounted on which a RGB camera and a 3D-printed water tanker are mounted and utilized to extinguish a line of fires in an outdoor experimental environment. A line of fires has been set up using firepits, whose GPS locations are known. The optimal path along which a drone should approach and release the retardant to extinguish the fire line is calculated using the RANSAC algorithm, as well as the in-motion dropping mission starting point. Nonetheless, due to errors in the drone's onboard GPS sensor, the drone does not exactly position itself at the starting point. In fact, in the proposed method, the drone uses on-board camera images to adjust itself and get aligned with the retardant-releasing line as it is supposed based on prediction, followed by approaching the fire line and releasing the retardant. The testing results show efficient and accurate suppression of fire spots whose video verification is provided at https://www.youtube.com/watch?v=ZP2KoxtwAsg.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».