Algorithme d’estimation du risque en vol basé sur la logique floue pour drones téléopérés
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".