An IoT-enabled reinforcement learning-driven ground robot for precision navigation and smart interaction in dynamic environments
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
Autonomous ground robots are increasingly relied upon in dynamic environments where reliable navigation and context-aware interaction are essential. However, existing robotic control systems often rely on cloud-based reinforcement learning (RL) frameworks or static algorithms that fail to adapt in real-time to noisy, unpredictable scenarios. These models typically overlook the constraints of edge deployment and lack robust integration with human interaction modalities such as voice and semantic object awareness. To address these limitations, this work proposes a fully embedded, IoT-enabled ground robot powered by a reinforcement learning-based adaptive control framework. The system leverages Raspberry Pi 4B+ as its core computational unit, integrating MQTT-driven communication, multimodal interaction through speech and vision, and lightweight policy convergence for obstacle-aware navigation. A novel RL-based state-action pipeline is trained and deployed entirely on-device, ensuring real-time responsiveness without external computation. Experimental evaluations show that the proposed framework reduces navigation errors by 22% and improves interaction latency by 37% over traditional PID and A*-based systems. The RL model converges in under 2200 episodes, with stable reward curves and high reliability across variable acoustic and physical terrains. This study showcases how low-cost, edge-based robots can achieve high autonomy and situational awareness contributing to future advancements in resilient, self-adaptive robotic systems within smart and resource-constrained environments.
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 | 0,001 | 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 | 0,001 |
| 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