Notice bibliographique
Résumé
Nous consid ́erons le problème de suivre une personne avec une drone aérien. Nousposons le problème comme une version du problème de poursuite-évasion (PE) avecles obstacles non-param ́etriques, tels que ceux dans les grilles d’occupation. Noussupposons que l'évadeur n’est ni collaboratif, ni compétitif, mais qu’il va suivre unetrajectoire qui n’est pas connu a priori par le poursuivant. En conséquence, on con-sidère la performance moyenne-cas plutôt que des limites de performance supérieureet inférieure, et proposons un algorithme probabiliste. Contrairement à certainesvariantes de PE, le jeu ne se termine pas si il ya une occlusion, nous permettons ainsile poursuivant de ratrapper l'évadeur.A partir de la géométrie au moment oú nous perdons le contact visuel autour d’unobstacle, nous développons un algorithme pragmatique en temps réel pour suivre uneévadeur à travers d’un environnement encombré d’obstacles. Avec de petits robotsbudgétaires de telles que quadrirotors à l’esprit, nous présentons un algorithme prob-abiliste rapide pour la poursuite visuelle d’une évadeur imprévisible dans des grillesd’occupation arbitraires. Notre contribution principale est de garder une croyance dela prochaine transition de l’évadeur et de sélectionnez heuristiquement une transitionde poursuivant qui minimise le risque de briser le contact visuel entre les deux agents.
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 | 0,001 | 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 | 0,001 |
| 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 ».