UAV Autonomous Navigation System Based on Air–Ground Collaboration in GPS-Denied Environments
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
This paper explores breakthroughs from the perspective of UAV navigation architectures and proposes a UAV autonomous navigation method based on aerial–ground cooperative perception to address the challenge of UAV navigation in GPS-denied and unknown environments. The approach consists of two key components. Firstly, a mobile anchor trilateration and environmental modeling method is developed using a multi-UAV system by integrating the visual sensing capabilities of aerial surveillance UAVs with ultra-wideband technology. It constructs a real-time global 3D environmental model and provides precise positioning information, supporting autonomous planning and target guidance for near-ground UAV navigation. Secondly, based on real-time environmental perception, an improved D* Lite algorithm is employed to plan rapid and collision-free flight trajectories for near-ground navigation. This allows the UAV to autonomously execute collision-free movement from the initial position to the target position in complex environments. The results of real-world flight experiments demonstrate that the system can efficiently construct a global 3D environmental model in real time. It also provides accurate flight trajectories for the near-ground navigation of UAVs while delivering real-time positional updates during flight. The system enables UAVs to autonomously navigate in GPS-denied and unknown environments, and this work verifies the practicality and effectiveness of the proposed air–ground cooperative perception navigation system, as well as the mobile anchor trilateration and environmental modeling method.
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