Notice bibliographique
Résumé
Many emerging technologies like autonomous driving, robotic agriculture, and drone control promise to improve safety and efficiency in multiple sectors, however they require high-precision navigation systems which are currently insufficient. Existing navigation approaches rely on the global navigational satellite system (GNSS) that is prone to failure when satellite connection is unavailable. GNSS signal loss occurs in dense urban areas, which makes vehicle localization a challenge. Perhaps more problematically, jamming devices that block GNSS signals are becoming increasingly accessible. These inherent problems have pushed researchers to investigate methods of augmenting GNSS navigation with additional sensors to improve its precision and robustness. One such augmentation is inspired by the biology of the desert ant. This ant uses adaptations in its eyes to extract navigational cues from polarized skylight. When light from the sun hits the atmosphere, it generates a uniform polarization pattern that can be used to develop and maintain a navigational plan. Our work begins by constructing a polarization compass (PC) from the biological insights found in the desert ant. We then consider three algorithms for extracting navigational cues from the skylight polarization pattern captured by the PC: Hough transform (HT), support vector machine (SVM), and linear regression (LR). We demonstrate that PC provides a heading estimation that is accurate to less than 1 degree, which is better than existing magnetic compasses. Our work shows that PC is an attractive augmentation for GNSS-based systems which may improve their performance under adverse conditions. In future work, the PC will be integrated with other sensors, including GNSS, to assess its performance under realistic conditions. This will be carried out in both terrestrial and aerial domains.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».