Trajectory Prediction of Mobile Construction Resources Toward Pro-active Struck-by Hazard Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Trajectory Prediction of Mobile Construction Resources Toward Pro-active Struck-by Hazard Detection Daeho Kim, Meiyin Liu, Sanghyun Lee and Vineet R. Kamat Pages 982-988 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: In construction, unanticipated struck-by hazards often arise, which have resulted in a significant number of construction fatalities. To address this problem, many studies have attempted to automate proximity monitoring and struck-by hazard detection using various technologies, such as wireless sensors and computer vision methods. While this technology focuses on understanding what is happening as hazards arise, it is not equipped to detect future hazards. In impending situations, detecting current hazards may not provide enough time for workers to take evasive actions. To address this challenge this study develops a trajectory prediction model for mobile construction resources. Specifically, this study conducts hyper-parameter tuning of a deep neural network, called Social Generative Adversarial Network to develop a prediction model capable of predicting more than five seconds. Further, a test on a real construction operations data follows to validate developed models' trajectory prediction accuracy. As a result, a developed model could achieve promising accuracy: the average displacement error and the final displacement error were 0.78 and 1.27 meters, respectively. The trajectory prediction allows for detecting future hazards, which will support pro-active intervention in hazardous situations. It will ultimately contribute to promoting a safer working environment for construction workers. Keywords: Struck-by hazard; Pro-active intervention; Trajectory prediction; Deep neural network; Hyper-parameter tuning DOI: https://doi.org/10.22260/ISARC2019/0131 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle