Notice bibliographique
Résumé
Afin de faire l'inspection des surfaces de béton submergées des barrages hydroélectriques, les chercheurs de l'Unité Robotique de l'Institut de recherche d'Hydro-Québec ont développé un véhicule sous-marin télé-opéré. Le véhicule identifie les défauts sur les surfaces des barrages et les reproduit dans un environnement virtuel. Pour ce faire, la position du véhicule doit toujours être connue avec précision. Ce mémoire décrit un algorithme de fusion de capteurs qui utilise de façon optimale l'information en provenance de divers capteurs afin d'obtenir la meilleure estimation possible de la position du véhicule, tant que celui-ci demeure dans un mouvement plan. L'algorithme utilise un répertoire de filtres de Kalman et offre plusieurs avantages importants par rapport au filtre de Kalman traditionnel. Selon les capteurs présents sur le véhicule, un processus de sélection parmi un répertoire de filtres de Kalman permet l'ajout et le retrait de capteurs sans aucune modification aux modèles des filtres. Les filtres sont aussi conçus de façon à traiter les données de façon asynchrone, ce qui permet de recevoir les données des différents capteurs à différentes fréquences et d'en faire une fusion optimale. De plus, l'algorithme autorise la fusion de capteurs redondants en utilisant un processus de fusion de filtres de Kalman. Finalement, une stratégie simple de filtrage adaptatif donne une plus grande flexibilité au système en permettant l'évaluation du niveau de bruit des capteurs pour lesquels ce niveau est imprécis ou inconnu. Des essais en simulation démontrent les performances des différents éléments de la stratégie de fusion de capteurs développée.
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 | 0,000 |
| Science ouverte | 0,001 | 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 ».