Collector: A Vision-Based Semi-Autonomous Robot for Mangrove Forest Exploration and Research
Notice bibliographique
Résumé
Sundarban, the largest mangrove forest in the world and one of the UNESCO's World Heritage site is considered to be in danger due to the effect of climate change which may lead to possible extinction of its wildlife such as Royal Bengal Tigers, due to the recent establishment of coal-fired power station near the forest and other man-made and natural hazards. To protect and save the forest, there is not enough data for researchers to understand the change of the micro-climate and how it's affecting its fauna and flora. Moreover, to understand how the coal-fired power plant is affecting this forest, the forest has to be constantly monitored. As of now, there is no constant patrolling robot specialized for mangrove forest or research program that is functioning in Sundarban, Bangladesh sector. To mitigate this problem, we propose a mangrove forest research robot that can traverse both semi-autonomously and manually to constantly monitor the forest. The robot collects weather data as well as PH level of soils and water, CO level, SO, air quality and water quality data and store in memory on the robot which can later be analyzed by the researchers accordingly. The paper also introduces a novel wheel design that can traverse in forest terrain. The robot is also able to make sense of its surroundings using computer vision. And finally, it is equipped with a LIDAR to measure forest density by 3D mapping. Overall, the paper proposes the design and implementation of a research robot that is specially designed for the mangrove forest environment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».