Fuzzy control of multi-scale target tracking for quadrotor drones
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
Quadrotor drones face multiple challenges such as accuracy and real-time performance when tracking targets in a constantly changing and dynamic environment. To improve the target tracking accuracy and flight control stability of quadrotor drones in dynamic scenes, a quadrotor drone control method combining multi-scale target tracking algorithm and Type-2 fuzzy control is proposed. Firstly, a multi-scale object detection method based on kernel correlation filter is adopted, which can effectively cope with target scale and position changes through multi-scale analysis. Second, employing Type-2 fuzzy control to handle uncertainties in the control process ensures that the quadcopter drone accurately adjusts its flight state during target tracking. Experimental results show that the accuracy of the multi-scale object detection method based on kernel correlation filter is 0.97 on 1600 datasets. In terms of the comprehensive performance of target tracking and flight control, the accuracy of the Type-2 fuzzy control model is 0.92, the precision is 0.91, the recall rate is 0.91, the F1 value is 0.90, and the area under the curve value reaches 0.93, demonstrating strong target tracking ability and control accuracy. Experimental results show that the proposed multi-scale target tracking fuzzy control for quadrotor drones has excellent performance, providing a reliable control scheme for the application of quadrotor drones in complex dynamic 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.
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 | 0,000 |
| 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 découle