Génération automatique de démonstrations de tâche pour le Canadarm II
Bibliographic record
Abstract
Le présent mémoire présente une solution à la génération automatique de démonstrations de tâche impliquant le bras robotique canadien (BRC), connu aussi sous le nom de Canadarm II, sur la station spatiale internationale. Plus précisément, il tente de résoudre le problème de la planification de caméras virtuelles afin de filmer la tâche agréablement et permettant à l'observateur de comprendre les manipulations effectuées le mieux possible afin d'être éventuellement capable de les reproduire. Ces démonstrations doivent en effet pouvoir être utilisées par l'équipe au sol afin d'expliquer à un astronaute de la station spatiale les manipulations qu'il doit accomplir. Le générateur de démonstrations pourra aussi être utilisé dans un système tuteur intelligent permettant d'entraîner les astronautes à la manipulation du BRC. Après avoir analysé les différentes techniques de planification automatique de caméras proposées dans la littérature, nous avons choisi un algorithme à base d'idiomes que nous avons amélioré et adapté à notre situation et que nous avons implémenté grâce à un système de planification nommé TLPlan. Le générateur automatique de démonstrations a été intégré au système Roman Tutor, système qui permet de simuler les mouvements du BRC dans un environnement 3D virtuel. Ce mémoire explique donc notre choix de l'algorithme, les différentes innovations que nous avons apportées à la planification de caméras, la structure de notre système et termine en exposant les résultats de nos expérimentations à l'intérieur de Roman Tutor.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".