Developing A Smart Home Surveillance System Using Autonomous Drones
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
Placing a number of home surveillance cameras around the property can enhance home security. However, camera coverage and their true effectiveness can be limited due to the limited number of cameras that can be installed, camera's field of view, camera's fixed position, and associated privacy issues. Unmanned aerial vehicles (UAVs), commonly known as drones, are able to fly independently without any human intervention. There are already a few commercially available options for outdoor drone surveillance, but none for indoor applications. We believe the drones can be effectively deployed for home monitoring purposes in a cost-effective and privacy-preserving manner. In this paper, we developed a novel autonomous drone prototype that can offer economically viable effective smart home monitoring capabilities than currently available home monitoring solutions in today's smart home industry. While in flight, our developed drone navigation system can fly on any predefined paths, dynamically change the paths based on user requirements to inspect any place within its range and adapt to unanticipated situations, such as obstacle avoidance and low battery. In addition, the system can utilize machine learning to evaluate the camera stream from the onboard camera and perform object detection tasks and notify users accordingly. In our testing, we demonstrated that our developed prototype successfully performed all the functions mentioned above. Also, our novel findings from this paper shed light on some of the important parameters of indoor drone-based monitoring systems, which will contribute to the further advancement in drone-based home monitoring technology,
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 | 0,000 | 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 | 0,000 |
| 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