MétaCan
Menu
Retour à la cohorte
Enregistrement W2134505365 · doi:10.2514/1.33757

Effect of Jerk and Acceleration on the Perception of Motion Strength

2008· article· en· W2134505365 sur OpenAlexaff
Peter R. Grant, Bruce Haycock

Notice bibliographique

RevueJournal of Aircraft · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueAerospace and Aviation Technology
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésJerkAccelerationMotion (physics)SimulationControl theory (sociology)Computer scienceMathematicsPhysicsArtificial intelligenceClassical mechanics

Résumé

récupéré en direct d'OpenAlex

In a flight simulator, the calculated aircraft motions are scaled down and filtered to fit within the envelope of the simulator motion system. A number of recent flight and ground simulation studies have reported that the simulator motion was too strong, when in fact, the motion was scaled down and filtered. This paper puts forth the hypothesis that this could be due in part to the motion drive algorithm and vehicle model exaggerating the jerk. To test the plausibility of this hypothesis a paired-comparison experiment was run to determine if the subjective impression of motion strength is a function of both the acceleration and jerk of the motion. The experiment found that the level of jerk and acceleration contributed to the perceived strength of motion, with larger jerks and accelerations leading to increased motion strength. In addition, the duration of the acceleration had a significant effect on the perceived motion strength, with longer durations leading to increased motion strength. Although the relationship between jerk and motion strength suggests that exaggerated jerk in the simulator could lead to the preference for scale factors less than one, the strength of the relationship strongly suggests that it does not entirely account for the preference.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,211
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of AircraftMême sujetAerospace and Aviation TechnologyTravaux en français237 207