MétaCan
Menu
Retour à la cohorte
Enregistrement W4285099192 · doi:10.18280/jesa.550302

A Conceptual Design of a Vision-Based Fire Fighting Robot for Smart City Application

2022· article· en· W4285099192 sur OpenAlexvenueno aff
Temitayo O. Ejidokun, Olusegun O. Omitola, Azeez Fiyinfoluwa, Samuel Onodjohwo, Chigozie Odoguwu, Chidozie Odoguwu

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFire Detection and Safety Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRobotArchitectural engineeringFirefightingConceptual designComputer scienceHuman–computer interactionArtificial intelligenceEngineeringGeographyCartography

Résumé

récupéré en direct d'OpenAlex

In the world today, fire incidence has been a frequent occurrence, this has caused the loss of many lives.Also, valuable properties, public utilities, and facilities have been destroyed.The study conceptualized a proposed design of an intelligent vision based robot for curbing the menace caused by fire outbreaks.The proposed design entails consistent remote interaction between a robot and sensor nodes.The robot node denotes the firefighting robot situated in the fire station.In its idle state, it operates in a passive node, by listening to the incoming beacons from the sensor nodes.The sensor nodes installed on designated sites consists of flame, wireless sensors with a mini-controller.Whenever the robot receives a distress alert from any of the sensor nodes, it automatically switches to an active mode and simultaneously navigates to the location in distress.The activity of the firefighting robot can be remotely monitored and controlled in real-time by a human operator via androidbased application.However, modifications have been proposed, based on the identified flaws of existing systems.Successful implementation of this design will provide a reliable and efficient means of monitoring multiple sites in real-time and also ensure environmental safety.

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)0,000
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,023
Tête enseignante GPT0,243
Écart entre enseignants0,220 · 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
GenreMéthodes

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

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetFire Detection and Safety SystemsTravaux en français237 207