MétaCan
Menu
Retour à la cohorte
Enregistrement W4231643149 · doi:10.22215/etd/2017-12004

Probability-Based Context-Aware Robotic System

2017· dissertation· en· W4231643149 sur OpenAlexaff
Kun Wang

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueContext-Aware Activity Recognition Systems
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceParticle filterContext (archaeology)Task (project management)Markov decision processArtificial intelligencePartially observable Markov decision processHuman–computer interactionService (business)Fuzzy logicProcess (computing)Distributed computingMachine learningMarkov processSystems engineeringMarkov chainEngineeringKalman filterMarkov model

Résumé

récupéré en direct d'OpenAlex

The development of ambient intelligence in the past decades calls for the smart environment that is able to respond to entities inside.The technology of contextawareness is a promising solution to this mobile distributed computing, not only in small personal electronic devices, but also in robotic systems.A prototype of context-aware assistive robotic system is designed and implemented in this thesis on the purpose of providing assistive services to the seniors and people with disabilities.The issue of context reasoning is extensively reviewed and researched.The particle filtering algorithm is improved in terms of proactive particle sampling, fuzzy based velocity estimation, and active observation selection, for the basic tasks of robotic tracking and following.The Monte Carlo partially observable Markov decision process is enhanced in terms of belief state augmentation, value function computation based on direct sampling, and non-greedy action execution, for the task of path planning.Experimental results are carried out to validate the feasibility and effectiveness of the proposed solutions.The prototyped robotic system can be further implemented on other potential applications for the aim of advanced service provision.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,278
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetContext-Aware Activity Recognition SystemsTravaux en français237 207