What visual information is used for navigation around obstacles in a cluttered environment?
Notice bibliographique
Résumé
The goal of this study was to determine what visual information is used to navigate around barriers in a cluttered terrain. Twelve traffic pylons were arranged randomly in a 4.55 x 3.15 m travel area: there were 20 different arrangements. For each arrangement, individuals (N = 6) were positioned in 1 of 3 locations on the outside border with their eyes closed: on verbal command they were instructed to open their eyes and quickly go to 1 of 2 specified goals (2 vertical posts defining a door) located on one edge of the travel area. The movement of the body was tracked using the OPTOTRAK system, with the IREDS placed on a collar worn by the subjects. Experimental data of travel path chosen were compared with those predicted by models that incorporated different types of visual information to control path trajectory. The 6 models basically use 2 different strategies for route selection: reactive control based on visual input about the obstacle encountered in the line-of-sight travel path (Model # 1) and path planning based on different visual information (Model # 2, 3, 4, 5, and 6). The models that involve path planning are grouped into 2 categories: models 2, 3, 4, and 5 need detailed geometrical configuration of the obstacles to plan a route while model 6 plans a route based on identifying and avoiding a cluster of obstacles in the travel path. Two measures were used to compare model performance with the actual travel path: the difference in area between predicted and actual travel path and the number of trials that accurately predicted the number of turns during travel. The results suggest that route selection is not based on reactive control, but does involve path planning. The model that best predicts the travel paths taken by the individuals uses visual information about cluster of obstacles and identification of safe corridors to plan a route.
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 | 0,001 |
| 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 ».