Drone Assist Indoor Locating System for Trapped Victim Using Smartphone Application in a 3D Space
Notice bibliographique
Résumé
When there are large and unaccounted-for numbers of victims in events, fires, or disasters, they are frequently trapped in buildings or wreckage and need to be found and saved as quickly as possible. Given that most people carry smartphones with them when calamities hit, this study turns handsets into interior location tools without requiring further modifications or difficult application installation. This study proposes a method to turn cellphones to a lifesaving tool for stranded victims. In this work, the low power consumption feature of Bluetooth beacons in cellphones is used to deliver Bluetooth signals. For a longer period of time, the signal can keep transmitting, helping rescuers find victims who are stuck. Rescuers might find and pinpoint the location of numerous trapped victims by using a drone and a smartphone app for BLE (Bluetooth Low Energy) detection. By putting this approach in place, the search and rescue team will be able to save more victims who are trapped faster and with less need to visit dangerous locations. In addition, the calling feature on a smartphone might not function during a disaster, and the victim who is trapped might not be strong enough to call for assistance. This technique would make it easier to find them even if they're hidden by falling debris like wood piles or tiles. By reducing the amount of time search and rescue personnel must spend in dangerous areas, this initiative will improve the likelihood of discovering trapped people during the window of opportunity for rescue operations.
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 | 0,001 |
| 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 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 ».