Integrating Multi-Modal Interfaces to Command UAVs [Video Abstract]
Notice bibliographique
Résumé
We present an integrated human-robot interaction system that enables a user to select and command a team of two Unmanned Aerial Vehicles (UAV) using voice, touch, face engagement and hand gestures. This system integrates multiple human [multi]-robot interaction interfaces as well as a navigation and mapping algorithm in a coherent semirealistic scenario. The task of the UAVs is to explore and map a simulated Mars environment.To initiate a mission, the user needs to select a robot. To do this, We used the“Touch-To-Name”selection and naming interface [3]. In this method, the user first announces the desired number of robot(s) (e.g “You” or “You Two”), then gently moves intended robot(s) iteratively. Robots compare their accelerometer readings over Wi-Fi to agree on which one is selected.Once selected, the user names the selected robot using verbal commands (e.g “You are Green”). These names are then used to command the robots (e.g., “Green Takeoff”) [4]. Here, we use this interface with maximum group size set to one.After taking off and while hovering, robot looks for human faces in its camera feed. When user's face is detected, the robot continuously controls its altitude and heading direction to face the user. A hand wave gesture (left or right) assigns an exploration task to the robot in the indicated direction. We used the method described in [2] for face tracking and gesture recognition.While exploring, each robot performs vision-based Simultaneous Localization and Mapping (SLAM) using their onboard monocular camera [1]. We used the“Feature-rich path planning algorithm” introduced in [5] to robustly navigate a UAV while exploring an unknown environment. To terminate the mission, the user commands each robot to come back home (e.g “Green come back”). To come back, robots use the same algorithm to plan a feature-rich path to their takeoff position. Finally, The user asks robots to land. (e.g., “Green land”).The system provides two types of feedback to the user during interaction sessions and mission execution. Robots change the color and blinking pattern of their LED lights to inform the user about their state (e.g., “tracking user's face”, “exploring” or “being idle”). In addition, a text-to-speech (TTS) engine provides verbal feedback to the user whenever a robot's state changes. As an example, when the Green robot is asked by the user to comeback, it acknowledges by saying“Green is coming back”. The TTS is embedded within a general purpose web-based robot monitoring dashboard.We used Parrot AR-Drone 2.0 quadrocopter as UAV platform in our system. All described software components run off-board on two commodity Intel Core i7 notebooks (one dedicated to each robot). The computers are connected to UAVs via Wi-Fi connection.The video shows a complete run-through of a two robot exploration mission in which the HRI worked perfectly.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,007 |
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 ».