Evaluation of Warning Methods for Remotely Supervised Autonomous Agricultural Machines
Notice bibliographique
Résumé
HIGHLIGHTS: Humans who supervise autonomous agricultural machines require some type of warning to perceive abnormal conditions in the machine or its environment. Visual and tactile warnings were the most suitable warning methods for in-field and close-to-field remote supervision. This study will help improve the performance of remote supervisors and minimize unexpected incidents or liabilities during operation of autonomous machines. ABSTRACT: As agricultural machinery moves toward full autonomy, human supervisors will need to monitor the autonomous machines during operation and minimize system failures or malfunctions. However, to intervene in an emergency, the supervisor must first recognize the emergency in a timely manner. Existing warning devices rely on the human visual, auditory, and tactile senses. However, these warning methods vary in their ability to attract attention. Hence, it is important to determine which warning method is best suited to draw the attention of a remote supervisor of an autonomous machine in an emergency. To achieve this objective, participants were recruited and asked to interact with a simulation of an autonomous sprayer. Seven warning methods (presented alone or in combinations of visual, auditory, and tactile sensory cues) and four remote supervision scenarios (in-field, close-to-field, farm office, outside the farmland) were considered in this study. The findings revealed that a combination of tactile and visual methods was most suitable for in-field and close-to-field remote supervision, in comparison to the other warning methods. However, there was insufficient evidence to recommend the best warning methods for supervisors at the farm office or outside the farmland. This study will help improve the performance of remote supervisors and minimize unexpected incidents during field operations with autonomous agricultural machines.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».