Unmanned Aerial Vehicle Traffic Network Design with Risk Mitigation
Notice bibliographique
Résumé
As unmanned aerial vehicle (UAV) technology becomes more robust and widespread, \nmore and more retail companies are seeing UAVs as a suitable alternative to ground-based transportation to deliver their packages. As a result, there has been an abundance \nof OR research focused on UAV utilization for last-mile delivery. Due to the size and \nmobility of UAVs, most of this research considers UAV movement within a shortest path or \nEuclidean shortest path context. While this may be plausible if drone usage remains sparse, \nthis framework will not be possible as drone utilization ramps up to the levels required \nto satisfy the levels of package demand expected in the coming decades. Furthermore, \nnone of this prior research (to our knowledge) suggests using risk inherent with UAV \ntravel to influence their proposals from a logistical and/or modelling perspective. As a \nsolution to this problem, our industry partner AirMatrix proposes that UAV travel be \nrestricted to transportation networks situated above the streets of population centres. We \npropose a bi-objective network selection model for drone delivery which minimizes risk \nwhile maximizing the amount of satisfied demand subject to budgetary constraints. We \ndiscuss the factors that affect UAV risk and what metrics can be used to effectively reduce \nthose factors from a modelling perspective. We propose a two-stage stochastic variant of the \nmodel and additional problem requirements to reflect practical operational requirements \nand design goals. Using sample average approximation, we show that a deterministic \nsolution is effectively as good as an associated stochastic solution. We conduct testing on \na region of suburban Miami to evaluate how different risk objectives perform with respect \nto network, path, arc, and performance metrics.
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 ».