Learning Motion Predictors for Smart Wheelchair using Autoregressive\n Sparse Gaussian Process
Notice bibliographique
Résumé
Constructing a smart wheelchair on a commercially available powered\nwheelchair (PWC) platform avoids a host of seating, mechanical design and\nreliability issues but requires methods of predicting and controlling the\nmotion of a device never intended for robotics. Analog joystick inputs are\nsubject to black-box transformations which may produce intuitive and adaptable\nmotion control for human operators, but complicate robotic control approaches;\nfurthermore, installation of standard axle mounted odometers on a commercial\nPWC is difficult. In this work, we present an integrated hardware and software\nsystem for predicting the motion of a commercial PWC platform that does not\nrequire any physical or electronic modification of the chair beyond plugging\ninto an industry standard auxiliary input port. This system uses an RGB-D\ncamera and an Arduino interface board to capture motion data, including visual\nodometry and joystick signals, via ROS communication. Future motion is\npredicted using an autoregressive sparse Gaussian process model. We evaluate\nthe proposed system on real-world short-term path prediction experiments.\nExperimental results demonstrate the system's efficacy when compared to a\nbaseline neural network model.\n
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».