MétaCan
Menu
Retour à la cohorte
Enregistrement W4408794490 · doi:10.1109/swc62898.2024.00346

Simulating a Multi-Agent UAV System Coordinated by State Machines Using Godot

2024· article· en· W4408794490 sur OpenAlexaff
Leo Howard, Fuhua Lin, Henry Leung

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueReinforcement Learning in Robotics
Établissements canadiensUniversity of CalgaryAthabasca University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceState (computer science)Multi-agent systemDistributed computingEmbedded systemArtificial intelligenceProgramming language

Résumé

récupéré en direct d'OpenAlex

Unmanned aerial vehicles have advanced quickly and are now a dominant force in several domains, including military, security, and even logistics. 3D simulations with virtual environments are cost effective tools for assessing feasibility and costs of developing new systems or upgrading current systems. This is especially true for multiagent or swarm systems that require many agents working in concert. The total costs can be much higher when only physical prototypes are used for testing and analysis. There are existing 3D libraries for aiding with UAV simulations, but they’re too specialized; it is difficult to create highly customized virtual environments with these packages. A simulation development framework needs to be capable and stable for accurate simulations yet generalized enough that any types of simulations can be developed without exhausting efforts. This paper explores the feasibility and ease of using Godot, an open-source game engine, to develop a simulation that can assess the function of a multiagent UAV system. It is found that the Godot engine is a powerful tool that is both accurate and generalized enough to develop highly customizable UAV simulation. This allows verification and testing of UAV designs and control algorithms in highly customizable and flexible virtual environments, using a free open-sourced tool.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,890
Score d'incertitude au seuil0,737

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,292
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReinforcement Learning in RoboticsTravaux en français237 207