Intelligent Voice Activated Drone(s) for in-Vehicle Services and Real-Time Predictions
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Today, commercially available drones have limited use-cases in the rapidly evolving community. However, with advances in drone and software technology, it is possible to utilize these aerial machines to solve problems in a variety of industries such as mining, medical, construction, and law enforcement. For example, in order to reduce time of investigation, Indiana State Police are currently utilizing ad-hoc commercial drones to reconstruct crash scenes for insurance and legal purposes. In this paper, we illustrate how to effectively integrate drones for in-vehicle services and real-time prediction for automotive applications. In order to accomplish this, we first integrate simpler controls such as voice-commands to control the drone from the vehicle. Next, we build smart prediction software that monitors vehicle behavior and reacts in real-time to collisions. Furthermore, we employ object recognition techniques through In-Vehicle Infotainment (IVI) systems to identify the surroundings based on inputs from drone-mounted camera sensors. Consequently, we implement object identification and smart maneuver of the drone in relation to the vehicle; as well, employ timely deployment of the drone prior to collision for emergency assistance and crash reconstruction purposes. The goal is to optimize performance and amplify safety and security of the vehicle. The prototype detailed in this paper was tested on a vehicle moving at a speed of 45 mph. The driver of the vehicle can deploy and control the drone using voice commands. The drone follows the vehicle and is in-sync with the vehicle and performs tasks to aid in post-collision assistance and crash reconstruction.</div></div>
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 | 0,001 |
| 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 | 0,000 |
| 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 ».