The examination of operator performance when controlling a shipboard crane anti-sway control system within a virtual-reality simulator
Notice bibliographique
Résumé
Anti-sway control systems are valuable tools for cranes to prevent unexpected payload sway and undesired motion. However, for shipboard cranes, where the operator moves with the ship, anti-sway control systems can result in significant relative motion between the payload and operator, particularly in rough seas while attempting to align the payload with an ocean-frame target. Therefore, an important question to ask is, do operators actually find anti-sway systems intuitive, or do they feel they have to “fight” the system to achieve their desired performance? To address the question, this paper presents a human factors study designed to evaluate the effectiveness of a shipboard crane anti-sway system with an operator-in-the-loop. Participants completed a series of tests in a virtual-reality simulator, in which they attempted to align the payload of a nine degree-of-freedom shipboard knuckle boom crane with targets in both the ocean/world coordinate frame and ship deck coordinate frame, using an anti-sway system that provided complete motion compensation in both coordinate frames. The study found that there was a statistically significant improvement in the participant’s ability to track a desired payload target with the use of the anti-sway system of up to 49.1%. In addition, as the participant had no knowledge of how the anti-sway system operated, or even if it was active, the results indicate anti-sway control systems can be intuitive for operators to use.
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 | 0,015 |
| 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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».