Leveraging Simulation and Virtual Reality for a Long Term Care Facility Service Robot During COVID-19
Notice bibliographique
Résumé
Providing care to seniors and adults with Developmental Disabilities (DD) presents challenges associated with care, companionship, medication intake, and fall monitoring among others. Currently, measures to prevent the spread of COVID-19 have seen restricted access to those living in long-term care facilities (LTCFs). While technologies such as robotics and virtual reality (VR) have seen advances in overcoming the aforementioned challenges, the restrictions have impacted research and development relying on human participants. Recently, the use of synthetic data for training motion detection algorithms and virtual worlds has been gaining momentum as an alternative continue for simulating robot and human interactions instead of relying on public databases and physical locations. Here, we propose the development of VR robot simulator for Aether™, a socially assistive mobile robot created to help seniors and people living with DD to achieve a higher degree of independence. For example, Aether™can assist caregivers by alleviating the burden of care by monitoring the LTCF for tripping hazards, open doors and cabinets. Our simulator allows configuring the virtual Aether™robot to navigate a virtual environment and detect upper limb gestures performed by a virtual avatar. Our preliminary results indicate that the virtual sensor has detection equivalent to the real sensor, thus ensuring that the simulated data is transferable for real-world testing.
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 | 0,000 | 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 | 0,001 |
| 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 ».