Algorithme d’estimation du risque en vol basé sur la logique floue pour drones téléopérés
Notice bibliographique
Résumé
Près de 7 milliards de personnes consomment de l’électricité chaque jour. Cette électricité est distribuée, à travers le monde, par plusieurs réseaux de lignes électriques. Le remplacement et la réparation des câbles électriques représentent une partie importante des coûts d’entretien de ces réseaux. C’est pourquoi Hydro-Québec développe de nouveaux outils comme le LineDrone pour inspecter son réseau. Ce drone accélère l’inspection des conducteurs, mais en raison de la complexité de l’environnement, de la difficulté à le percevoir du point de vue du pilote et de l’incertitude que cela occasionne, le LineDrone est un outil qui requiert une formation spécifique et une attention constante du pilote. Pour faciliter son utilisation, il est souhaitable de développer une aide au pilotage réduisant le risque de collision. L’assistance au pilotage intégrera un système d’évitement d’obstacles utilisant les champs de potentiel, couplé à une évaluation en temps réel de la probabilité de défaillance via la logique floue. Nous avons élaboré un algorithme d’évitement d’obstacle en optimisant les méthodes traditionnelles de la littérature et l’avons éprouvé dans diverses situations réelles d’inspection de lignes électriques dépourvues de courant. Pour l’estimation du risque, le document présente un nouvel algorithme généralisable pour l’estimation en temps réel des risques créés par des perturbations externes sur des multirotors. Contrairement aux approches conventionnelles, notre méthode ne nécessite pas de capteurs supplémentaires, de modèles de drones précis ou de grands ensembles de données. Elle utilise les données de commande des moteurs dans un système de logique floue, surmontant ainsi les obstacles à la mise en œuvre dans le monde réel. Intrinsèquement adaptable, elle utilise les caractéristiques fondamentales des drones, ce qui la rend applicable à divers modèles de drones. L’efficacité de l’algorithme a été confirmée par des essais en conditions réelles sur diverses plateformes. Il a permis de distinguer efficacement les situations à haut risque des situations à faible risque résultant de diverses perturbations de vent et de rapports poussée/poids variables. L’algorithme a surpassé l’algorithme d’estimation du vent ArduCopter largement reconnu en termes de performances et a démontré sa capacité à détecter rapidement de brèves rafales.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».