UAV mission planning based on Prognosis & Health Management
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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; both teacher heads agree on what is shown here.
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".