Droonien hyödyntäminen last mile -toimituksissa Suomessa
Notice bibliographique
Résumé
Opinnäytetyö tarkastelee droonien mahdollisuuksia Suomen sisäisissä toimitusketjuissa erityisesti last mile -kuljetuksissa. Työn tavoitteena oli selvittää, kuinka drooneja voitaisiin käyttää tehokkaasti ja turvallisesti logistiikassa, sekä mitkä tekijät vaikuttavat niiden soveltuvuuteen suomalaisissa olosuhteissa. Tutkimuksessa hyödynnettiin laadullista menetelmää ja analyysi perustuu ajankohtaisiin lähteisiin sekä esimerkkeihin toteutuneista drooni kuljetus kokeiluista Suomessa. Työssä käsiteltiin ensin droonien teknisiä ominaisuuksia, toimintaperiaatteita ja kehityshistoriaa. Tämän jälkeen tarkasteltiin, miten pohjoisen kylmät, tuuliset ja pimeät olosuhteet vaikuttavat droonien toimintaan sekä millaisia teknologisia ratkaisuja näihin haasteisiin on kehitetty. Työssä perehdyttiin myös droonien lainsäädännöllisiin rajoituksiin sekä EU:n asetuksiin 2019/945 ja 2019/947, jotka säätelevät droonien käyttöä ja teknisiä vaatimuksia. Erityinen painopiste on last mile -logistiikassa, jossa droonien hyödyntäminen voi tarjota ratkaisuja mm. ruuhkien, pitkien etäisyyksien ja haja-asutuksien aiheuttamiin haasteisiin. Työssä tarkastellaan suomalaisia pilottihankkeita, kuten Woltin ja Foodoran toteuttamia drooni kuljetuksia Espoossa. Tulokset osoittivat, että drooneilla on potentiaalia nopeuttaa toimituksia ja vähentää päästöjä, mutta samalla huomioiden turvallisuus, tekninen luotettavuus ja lainsäädännön velvoitteet. Opinnäytetyön johtopäätöksenä oli, että droonit voivat muodostua tulevaisuudessa merkittäväksi osaksi Suomen logistiikkaratkaisuja erityisesti silloin, kun ne suunnitellaan huolellisesti paikalliset olosuhteet huomioiden ja niitä täydentävät muu toimitusverkosto.
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) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».