<title>General framework for group robotics with applications in mining</title>
Notice bibliographique
Résumé
Worker safety is ofparamount importance in industries where harsh working environments are the norm. The research being conducted by this group aims to take workers out ofharm's way by creating an automated control system for fleets of intelligent machines that will do the dirty work, while the humans oversee the system to ensure proper operation. The focus of the research is not on machine intelligence, but rather on the system that will control the fleet in unstructured or semistructured locales. Mine environments are used as a target for this research, which is broken into a few main sections. The first section deals with dynamically creating task schedules for the vehicles based on possibly changing environmental conditions. The second section deals with resource sharing between multiple vehicles, especially the sharing ofroadways to ensure operational safety. This is done using Petri net data structures and theory. Thirdly, since the machines may not be able to independently cope with obstacles they encounter, human intervention capability is required. Fourthly, for human operators to make sense of the system's overall state and requests, development of a human-machine interface is necessary. Experiments have been conducted which demonstrate the successful use ofthis framework to control two model-size intelligent machines given one shared resource, namely a two-road intersection. In the future the group intends on imposing greater loads on the system (i.e. more vehicles and shared resources), and on integrating more complex human intervention capabilities, finer vehicle control, and improved system state monitoring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».