MétaCan
Menu
Retour à la cohorte
Enregistrement W4412873322 · doi:10.36227/techrxiv.175296359.98980093/v1

3D Simulation of Advanced Air Mobility Vehicles in a Photorealistic Urban Environment

2025· preprint· en· W4412873322 sur OpenAlexaffabout
Mohsen Rostami, Pratik Pradhan, Jeffery Omorodion, Aditya Venkatesh, Charith Kongara, Joon Chung

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clés3d simulationEnvironmental scienceComputer scienceAutomotive engineeringTransport engineeringEngineeringSimulation

Résumé

récupéré en direct d'OpenAlex

In recent years, the concepts of Urban Air Mobility (UAM) and Advanced Air Mobility (AAM) have risen rapidly. While the companies designing and manufacturing them focus on creating some of the marvellous aircraft in existence, the MIMS Lab has been exploring options to develop a custom simulator for UAM vehicles from different perspectives. This paper presents a proof-ofconcept application designed using Unreal Engine and Cesium plugin and assets collected and modified from various online databases to produce a photorealistic flight simulator focused on UAM flight and traffic. While the project is still in its infancy, this paper presents proof of concept for a possible scenario for UAM vehicles navigating in an urban setup such as the City of Toronto. Here, three modes of simulation are presented: a pre-programmed flight with a tunnel-inthe-sky corridor for Head-Up Display (HUD) visualization, a tower view perspective to monitor multiple UAM flights within the area, and a pilot-controlled Vertical TakeOff and Landing (VTOL) flights between different helipads in Downtown Toronto. As the project progresses, the plans include implementing proper flight dynamic models for multiple recognized aircraft that fall under the UAM category and conducting a pilot study to obtain their perspectives, areas of improvement and results.

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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,637

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,240
Écart entre enseignants0,230 · 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
GenreEmpirique

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

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetVehicle emissions and performanceTravaux en français237 207