Leveraging Tactile Internet Cognizance and Operation via IoT and Edge Technologies
Notice bibliographique
Résumé
The Tactile Internet (TI) is building on the premise of remote operation in perceived real-time, and enables a plethora of applications that involve immersive interactions. As we build a future for globalizing skills, delivering haptic feedback across continents, and immersing users in remote environments, we are faced with significant challenges in understanding the context of Tactile Internet interactions, which we refer to as tactile cognizance. The challenge of understanding a remote terminals' context impacts not only the quality and depth of haptic feedback, but our ability to deliver perceived real-time operation. That is, as we develop AI techniques to compensate for the inevitable delay in remote operation, we need more information about a terminal's context and interactions to improve our prediction of movement and feedback. The Internet of Things (IoT) is promising to interconnect billions of sensors, and augment multiple tiers of cognition to expedite and fine-tune sensory acquisition from heterogeneous contexts. In this paper, we will survey recent developments in the IoT, and novel techniques for cloudlet-based cyber foraging (i.e., edge computing) to project how Tactile Internet interactions could benefit from IoT contextualization. We present a taxonomy of edge IoT systems designed for rapid data acquisition, with an emphasis on systems that prioritize stringent reliability and latency mandates. This paper builds on edge computing techniques to propose a framework for multi-tiered cognition in the Tactile Internet to feed its signaling systems, and how future TI codecs could embed contextual information in haptic feedback.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».