Déploiement optimal de réseaux de capteurs dans des environnements intérieurs en support à la navigation des personnes à mobilité réduite
Notice bibliographique
Résumé
La participation sociale des personnes ayant une incapacité (PAI) est l'un des enjeux majeurs de notre société. La participation sociale des PAI est influencée par les résultats des interactions entre les facteurs personnels et les facteurs environnementaux (physiques et sociaux). L'une des activités quotidiennes les plus importantes en milieu urbain est la mobilité, ce qui est fondamental pour la participation sociale des PAI. L'environnement urbain est composé des infrastructures et des services principalement conçus pour les personnes sans incapacités et ne prend pas en compte les besoins spécifiques des PAI. Dans ce contexte, la conception et le développement des environnements intelligents peuvent contribuer à une meilleure mobilité et participation sociale des PAI grâce à l'avancement récent de technologie de l'information et de télécommunication ainsi que de réseaux de capteurs. Cependant, le déploiement de réseaux de capteurs en tant que technologie d'assistance pour améliorer la mobilité des personnes n'est conçu que sur la base des modèles trop simplistes de l'environnement physique. Bien que des approches de déploiement de réseaux de capteurs aient été développées ces dernières années, la plupart d'entre elles ont considéré le modèle simple des capteurs (cercle ou sphérique dans le meilleur des cas) et l'environnement 2D, (sans obstacle), indépendamment des besoins des PAI lors de leur mobilité. À cet égard, l'objectif global de cette thèse est le déploiement optimal de réseau de capteurs dans un environnement intérieur pour améliorer l'efficacité de la mobilité des personnes à mobilité réduite (PMR). Plus spécifiquement, nous sommes intéressés à la mobilité des personnes utilisatrices de fauteuil roulant manuel. Pour atteindre cet objectif global, trois objectifs spécifiques sont identifiés. Premièrement, nous proposons un cadre conceptuel pour l'évaluation de la lisibilité de l'environnement intérieur pour les PMR, afin de déterminer la méthode appropriée pour évaluer les interactions entre les facteurs personnels et les facteurs environnementaux (par exemple, pentes, rampes, marches, etc.). Deuxièmement, nous développons un algorithme d'optimisation locale basé sur la structure Voronoi 3D pour le déploiement de capteurs dans l'environnement intérieur 3D pour s'attaquer à la complexité de la structure de l'environnement intérieur (par exemple, différentes hauteurs de plafonds) afin de maximiser la couverture du réseau. Troisièmement, pour aider la mobilité des PMR, nous développons un algorithme d'optimisation ciblé pour le déploiement de capteurs multi-types dans l'environnement intérieur en tenant compte du cadre d'évaluation de la lisibilité pour les PMR. La question la plus importante de cette recherche est la suivante : quels sont les emplacements optimaux pour un ensemble des capteurs pour le positionnement et le guidage des PMR dans l'environnement intérieur complexe 3D. Pour répondre à cette question, les informations sur les caractéristiques des capteurs, les éléments environnementaux et la lisibilité des PMR ont été intégrés dans les algorithmes d'optimisation locale pour le déploiement de réseaux de capteurs multi-types, afin d'améliorer la couverture du réseau et d'aider efficacement les PMR lors de leur mobilité. Dans ce processus, le diagramme de Voronoi 3D, en tant que structure géométrique, est utilisé pour optimiser l'emplacement des capteurs en fonction des caractéristiques des capteurs, des éléments environnementaux et de la lisibilité des PMR. L'optimisation locale proposée a été mise en œuvre et testée avec plusieurs scénarios au Centre des congrès de Québec. La comparaison des résultats obtenus avec ceux des autres algorithmes démontre une plus grande efficacité de l'approche proposée dans cette recherche.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».