Evaluation of Warning Methods for Remotely Supervised Autonomous Agricultural Machines
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
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.
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 | 0,012 | 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 | 0,001 | 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 découle