Emerging AI and 6G-Based User Localization Technologies for Emergencies and Disasters
Notice bibliographique
Résumé
This paper presents state-of-the-art user localization technologies that can effectively assist the authorities and first responders to localize individuals during emergency and disaster scenarios. Localization is an essential tool that ensures preparedness, response, and coordination between first responders and impacted people. Many of these technologies employ artificial intelligence techniques to improve the localization accuracy using the information collected by a variety of sensing equipment such as sensors, unmanned aerial vehicles, wireless access points, cameras, and smart load meters. The paper also highlights the emerging sixth-generation (6G) wireless technologies such as integrated sensing and localization, THz communications, satellite-based non-terrestrial networks, and reconfigurable intelligent surfaces that can modify the reflection properties of materials to enable device localization. These technologies are expected to play a key role in enabling emergency services. Other localization technologies include WiFi, Bluetooth, radio frequency identification, and long range wide area network. In addition, crowd sensing and smart meter-based non-intrusive load monitoring (NILM) techniques that are supported by deep learning and federated learning techniques are also presented in the context of device localization. To the best of our knowledge, this paper introduces NILM for the first time as a useful technique that can provide information about the inhabitants’ behaviour in residential and commercial buildings to assist in emergency and public safety applications. All the technologies reviewed in this paper can play an effective role in device localization, and are presented to serve as a foundation for researchers to further investigate and conduct research in this domain.
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 | 0,000 |
| 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 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 ».