Hypergraph Neural Networks for Collaborative Drone Mission Planning
Notice bibliographique
Résumé
Over the past few years, autonomous Unmanned Aerial Vehicles (UAVs) have emerged as a significant presence in activities such as environmental monitoring, disaster response, surveillance, and infrastructure management in smart cities. The classical mission planning frameworks are primarily based on traditional graph-based models, such as Graph Convolutional Networks (GCNs), Graph Attention Networks (GATs), and Message Passing Neural Networks (MPNNs). Although useful in some limited aspects, these models have a theoretical drawback in that they are unable to model the higher-order interactions of many agents and tasks, as they focus on modeling the relationships between only a pair of them at a time. To address such difficulties, we introduce a new decision support tool, specifically designed to combat a mission called Hypergraph Neural Network, or HyperGNNs. We applied our suggested architecture, based on HyperGNN, utilizing PyTorch Geometric, and tested it with the help of rigorous simulations on the Google Colab platform. In the proposed experiment, realistic drone limitations were considered, including battery capacity, task type, environmental factors, and safety margins. The comparison analysis revealed that our model achieved a success rate of 93%, whereas the other approaches were GCN (82%), GAT (85%), and MPNN$(87 \%)$. It also showed a 15 to 20 percent reduction in the planning process, a 12 percent increase in energy consumption, and a 75 percent reduction in collision rate compared to baselines. These enhancements suggest the potential for describing collaborative drone missions using hypergraph structures. Overall, our method is scalable and provides an efficient approach to real-time, multi-agent mission planning, offering an excellent platform for extending work to address adaptive, neuromorphic, and real-world systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».