Experimental Study of Autonomous UAV Landing in Using Fuzzy Logic and RGBD-Enhanced Visual SLAM
Notice bibliographique
Résumé
The landing zone detection and realization for a multi-rotor vehicle is a task fraught with challenges specially in environments ridden with obstacles where the complexity level is escalated. To guarantee a risk-free landing operation, a multistage framework utilizing visual Simultaneous Localization and Mapping (vSLAM) and approximate fuzzy reasoning is proposed. The landing process is orchestrated into four sequential stages. The landing terrain is first characterized by processing the RGB images and point clouds from the depth map and vSLAM. A Mamdani fuzzy system is next leveraged to combine the flatness, steepness, inclination, and depth variation maps, each of which jointly contributes to computing a novel fuzzy map. By applying a global thresholding on the generated fuzzy map and utilizing it as a mask on the back-projected vSLAM point clouds, the vast majority of unsafe landing areas are eliminated. As the world points corresponding to the remaining vSLAM points can be identified, the patch with the maximum flatness is selected for further processing and image-based visual servoing (IBVS) execution. To examine the functionality of the safe landing solution, rigorous simulations of the Robot Operating System (ROS) and Gazebo are performed. Furthermore, the results for the real-world data are investigated for the landing algorithm.
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 | 0,000 | 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 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 ».