Fighting COVID: An Autonomous Indoor Cleaning Robot (AICR) Supported by Artificial Intelligence and Vision for Dynamic Air Disinfection
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
Due to the sever circumstances in the global pandemic, there has been an immense need for disinfectant robot technology. This pandemic has made people much more aware about the severity of virus transmission in public areas. This prompts society to be much more aware of the need to maintain a clean environment. The purpose of this paper is to present the design principles of an Autonomous Indoor Cleaning Robot (AICR) developed to reduce the spread of COVID-19 in indoor environments such as small shops and office settings. Its main purpose is to proactively disinfect the air and maintain a clean breathing environment by actively targeting populated areas with the use of a vision system, using Visual Simultaneous Localization and Mapping (VSLAM) technology. Currently there are other air disinfection products on the market also making use of a combination of a High-Efficiency Particulate Absorbing (HEPA) air purifier and Ultra Violet (UV) light to kill airborne viruses like the Coronavirus. However, all of these are stationary with lack of intelligence machines that have to be kept or manually wheeled from room to room. The device proposed in the paper is a fully autonomous air purifying device capable of going to certain critical regions of the indoor environment to disinfect the air in that area without any human interaction. The stationary purifiers should be much more powerful covering a larger area which makes them very expensive. In contrast, the developed autonomous air purifier needs much less power consumption compared to static purifiers, with the advantage of intelligently and dynamically learning the status of the room using the information captured from the occupancy, itself, and the 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.
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 | 0,000 |
| 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 | 0,000 |
| 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 découle