Projeto de um ambiente 3D de visualização e reprodução de eventos capturados e interpretados a partir de ambientes físicos cientes de contexto para aplicações de preparação para emergência
Bibliographic record
Abstract
Sistemas de apoio à preparação para emergências, em especial o monitoramento\npreciso de ambientes físicos sujeitos a situações de emergência, são recursos importantes para\nempresas e órgãos públicos de defesa civil, pois podem ajudar a evitar e/ou reduzir riscos de\nperda de vidas e de patrimônio. A maioria dos sistemas de monitoramento de ambientes\nfísicos descritos na literatura apresenta limitações, tais como: não permitem visualização\nposterior da situação de emergência; são limitados a determinados tipos de aplicação; não\npermitem a identificação precisa das situações de risco; etc. Neste trabalho foi proposto e\navaliado um sistema que visa superar essas limitações, através do uso integrado de redes de\natuadores e de sensores sem fio, computação ciente de contexto e de realidade virtual. O\ntrabalho consistiu da criação, implementação e avaliação de um sistema de gravação e\nreprodução de mídia 3D em que ambientes físicos sujeitos a situações de emergência são\nmunidos de sensores com potencial computacional e de comunicação. Esses sensores\ncapturam e interpretam contextos que são mapeados em uma linguagem visual, que é refletida\nem um ambiente de realidade virtual que simula o ambiente físico. O uso de realidade virtual\npara fins de visualização e acesso em tempo- real1 ou posteriormente de um ambiente que\napresenta características de segurança crítica visa superar as limitações de interfaces do tipo\nhipermídia, ou mídia contínua, como vídeo, quando as experiências do mundo real são muito\ncomplexas. No sistema criado como resultado deste trabalho, usuários podem reproduzir as\nexperiências capturadas do mundo real para análise, avaliação, monitoramento e treinamento.\nAs inovações deste trabalho residem em dois aspectos: utiliza uma técnica otimizada de\ngravação que economiza tempo de processamento e espaço de armazenamento; e os\ncomandos de atualização de cena são independentes de navegador, permitindo a visualização\ndo ambiente virtual colaborativo (AVC) através de diferentes navegadores 3D para Web. Com\na colaboração do Departamento de Artes e Comunicação (DAC) da FSCar, foi criada também\numa linguagem visual para a pronta identificação de situações emergenciais e uma interface\npara melhor navegação do usuário em sistemas complexos. Exemplos de uso incluem o\nmonitoramento de diferentes plantas industriais, aeronaves em situações de ensaios de vôo e\nsolo, plataformas de exploração de petróleo, etc. Este trabalho é parte de um projeto\ncolaborativo entre o Laboratório de Realidade Virtual em Rede (LRVNet) do Departamento\nde Computação da UFSCar e o PARADISE Lab do SITE da University of Ottawa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".