Perception of bimodal warning cues during remote supervision of autonomous agricultural machines
Notice bibliographique
Résumé
Agricultural machines that are fully autonomous will still need human supervisors to monitor and troubleshoot system failures. Recognising the emergency as soon as possible is crucial to reduce adverse effects. The ability of humans to detect visual, auditory, or tactile cues is usually enabled by warning systems. The effectiveness of different warning cues varies in terms of prompting a quick response. The study’s objective was to compare the effectiveness of two bimodal warnings (i.e., visual-auditory and visual-tactile) at eliciting supervisor perception (which equates to level one situation awareness). Twenty-five participants engaged in an autonomous sprayer simulation. Two realistic remote supervision scenarios (i.e., in-field and close-to-field) were used to examine two bimodal warning cues: (i) visual-auditory and (ii) visual-tactile. The effectiveness of each bimodal warning was assessed based on two measures: (i) response time and (ii) noticeability. There was no significant difference between the bimodal warning cues in terms of response time when tractor sound was present in the experimental environment (reflecting the in-field remote supervision scenario); however, visual-tactile cues yielded shorter response times than visual-auditory cues when the experimental environment was quiet (reflecting the close-to-field remote supervision scenario). There were no statistically significant differences between visual-auditory and visual-tactile warnings concerning noticeability. Participants’ subjective answers indicated they preferred the visual-tactile cues better than the visual-auditory cues. It is concluded that visual-tactile warnings are preferred over visual-auditory warnings to enable perception during remote supervision of autonomous agricultural machines (AAMs).
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 | 0,001 | 0,007 |
| 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 | 0,001 |
| 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 ».