UAV mission planning based on Prognosis & Health Management
Notice bibliographique
Résumé
Planification de la mission des drones basée sur le pronostic et la gestion de la santé Actuellement, les véhicules aériens télépilotés ou autonomes (UAV) multirotors, avec la capacité de décollage et d'atterrissage vertical, se sont avérés être une solution efficace et peu coûteuse dans les applications de vol civil grâce aux progrès significatifs dans le développement de méthodes plus efficaces de contrôle, planification de trajectoire et prise de décision. Pour de telles applications, les multirotors développent différentes tâches comme l'exploration, la photogrammétrie, la vidéo, la cartographie et plus récemment toutes celles dédiées à l'agriculture de précision comme l'irrigation et le suivi des cultures. Durant sa mission, le multirotor parcourt un ensemble de trajectoires reliées par emph{n} points de référence (ou way-points) dans une zone connue ou inconnue. Cependant, pendant l'accomplissement de la mission, différents facteurs négatifs affectent la performance du véhicule comme les conditions environnementales, l'apparition de défauts ou de pannes et les limitations énergétiques dues aux contraintes de l'alimentation en énergie. Le problème de limitation énergétique dans un multirotor est dû aux capacités de puissance que la batterie embarquée peut fournir. Les drones multirotors sont propulsés par des batteries Lithium Polymère (Li-Po) qui sont des batteries rechargeables de technologie Lithium-Ion. Ils possèdent un électrolyte polymère au lieu d'un électrolyte liquide et fournissent une puissance et une densité d'énergie élevées. Cependant, en fonction de l'utilisation, c'est-à-dire le nombre de cycles de charge/décharge et d'autres facteurs tels que les dommages provoqués par des décharges excessives, les performances de la batterie ont tendance à diminuer. Une telle diminution ou un tel vieillissement entraîne une réduction de l'efficacité de la batterie et donc du vol du multirotor en diminuant le temps de mission total ou l'endurance du vol, et conduit à un problème de manœuvrabilité, ce qui augmente le risque d'accident et de crash. Le travail présenté dans cette thèse aborde les questions relatives aux performances des batteries Li-Po et leur influence sur les tâches de planification et de suivi de trajectoire dans le cadre de vol de multirotors. En considérant les techniques de pronostic basées sur des modèles et les méthodes de planification de trajectoire, une stratégie de planification de mission hiérarchique basée sur la consommation d'énergie est proposée et validée au niveau de la simulation en considérant différentes situations de vol. Les performances du drone, ainsi que sa capacité à effectuer et à remplir une mission, sont pondérées en déterminant l'état de santé de la batterie (SoH) qui est un indice permettant de mesurer le niveau de dégradation de la batterie. Le SoH aide à estimer la durée de vie utile restante de la batterie (RUL) et établit la limitation d'énergie par le calcul de l'endurance maximale de vol (FE_{max}). De telles informations sont nécessaires à la génération de la planification des trajectoires qui ne prennent pas seulement en compte les contraintes liées à l'utilisation mais aussi la portée et les limites de la mission à exécuter.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».