Impact of Image Resolution on Controlling Drones Using Remote VR Headset Visualization and a Cloud Architecture
Notice bibliographique
Résumé
This paper investigates the critical relationship between image resolution, network conditions, and system latency in remote visualization of drone camera and control systems. We present an analysis of how these factors affect the real-time control and visualization capabilities in a system architecture consisting of a consumer-grade drone, controller application, server, and visualization interface (computer and virtual reality). Experiments were conducted across multiple image resolutions (240p to 4K) and three network conditions (Unthrottled bandwidth, Fast 4G, and 3G). Results demonstrate that higher resolutions significantly increase image transmission time, with 4K resolution requiring 231.1ms compared to 69.3ms for 360p under unthrottled network conditions. Lower network performance levels dramatically impact performance, with 1080p transmission increasing from 169.7ms on unthrottled network to 321s on 3G networks. Given drones are moving through space, the latency measurements are converted to the physical distance travelled by the drone during the transmission at various movement speeds (0.5-8 m/s). These provide practical metrics for system usability relating to the potential for operators to not see or be able to maneuver around obstacles due to untimely visualizations. Our findings offer valuable insights for designing real-time drone visualization systems that provide and adapt the balance image quality with latency constraints across varying network environments.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».