Bibliographic record
Abstract
Afin de faire l'inspection des surfaces de béton submergées des barrages hydroélectriques, les chercheurs de l'Unité Robotique de l'Institut de recherche d'Hydro-Québec ont développé un véhicule sous-marin télé-opéré. Le véhicule identifie les défauts sur les surfaces des barrages et les reproduit dans un environnement virtuel. Pour ce faire, la position du véhicule doit toujours être connue avec précision. Ce mémoire décrit un algorithme de fusion de capteurs qui utilise de façon optimale l'information en provenance de divers capteurs afin d'obtenir la meilleure estimation possible de la position du véhicule, tant que celui-ci demeure dans un mouvement plan. L'algorithme utilise un répertoire de filtres de Kalman et offre plusieurs avantages importants par rapport au filtre de Kalman traditionnel. Selon les capteurs présents sur le véhicule, un processus de sélection parmi un répertoire de filtres de Kalman permet l'ajout et le retrait de capteurs sans aucune modification aux modèles des filtres. Les filtres sont aussi conçus de façon à traiter les données de façon asynchrone, ce qui permet de recevoir les données des différents capteurs à différentes fréquences et d'en faire une fusion optimale. De plus, l'algorithme autorise la fusion de capteurs redondants en utilisant un processus de fusion de filtres de Kalman. Finalement, une stratégie simple de filtrage adaptatif donne une plus grande flexibilité au système en permettant l'évaluation du niveau de bruit des capteurs pour lesquels ce niveau est imprécis ou inconnu. Des essais en simulation démontrent les performances des différents éléments de la stratégie de fusion de capteurs développée.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".