Predicted safety & excavation progress algorithms for autonomous excavation
Notice bibliographique
Résumé
Excavation is the process of moving earth and is considered to be one of the primary projects in the construction industry. The adoption of various cutting-edge technologies for full automation can be a solution to the various ongoing issues in construction equipment used for excavation such as safety, monitoring, and productivity. \nTo address this, this project developed advanced safety algorithms and methodologies in ground mapping and estimation of excavation progress, which can accelerate autonomous excavation. \nFor autonomous excavation, safety is a significant concern to reduce accidents and machinery damage. Considering this point, this thesis deals with tracking, motion prediction, and track management of the detected objects that can improve the safety function of autonomous excavators. The proposed safety algorithms can evaluate the degree of a potential collision risk by using the information of predicted motion of detected objects, working areas of the excavator, and safety indices calculation. \nThe second component of this project covers the volume estimation for excavation progress estimation, occlusion problem for ground mapping, and 5D mapping. The volume estimation comprises of ground excavation volume and bucket volume estimation. To overcome the problem of an occlusion area that may result in incorrect mapping and estimation of excavation progress, sensing data of proprioceptive and exteroceptive sensors were integrated. Finally, we proposed the idea of 5D mapping to provide a broad spectrum of the excavated ground info that includes the coordinates and material type and properties using a 3D ground map, LiDAR???s beam reflectivity, and force index.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».