Multi-stage bidirectional informed-RRT * plant protection UAV path planning method based on A * algorithm domain guidance
Notice bibliographique
Résumé
Traditional path planning algorithms often face problems such as local optimum traps and low monitoring efficiency in agricultural UAV operations, making it difficult to meet the operational requirements of complex environments in modern precision agriculture. Therefore, there is an urgent need to develop an intelligent path planning algorithm. To address this issue, this study proposes an improved Informed-RRT* path planning algorithm guided by domain-partitioned A* algorithm. The proposed algorithm employs a multi-level decomposition strategy to intelligently divide complex paths into a sequence of key sub-segments, and uses an adaptive node density allocation mechanism to dynamically respond to changes in path complexity. Finally, a dual-layer optimization framework is constructed by combining elliptical heuristic sampling with dynamic weight adjustment. Complex maps are constructed in simulation to evaluate the algorithm's performance under varying obstacle densities. Experimental results show that, compared to traditional RRT* and its improved variants, the proposed algorithm reduces computation time by 56.3%-92.5% and shortens path length by 0.42%-8.5%, while also demonstrating superior path smoothness and feasibility, as well as a more balanced distribution of search nodes. Comprehensive analysis indicates that the A*-MSRRT* (A*-Guided Multi-stage Bidirectional Informed-RRT*) algorithm has strong potential for application in complex agricultural 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».