Droonien hyödyntäminen last mile -toimituksissa Suomessa
Bibliographic record
Abstract
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.
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) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.009 |
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; both teacher heads agree on what is shown here.
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".