A pyroelectric temperature sensor for measuring human body temperature with increased accuracy and speed for application in mobile robotic systems has been developed. This pyroelectric temperature sensor for measuring human body temperature is intended for use in various educational institutions. Its usage will allow for identifying sick or potentially ill people and providing them with preliminary advice and avoid infecting other people. This is particularly important considering the seasonality of dangerous infectious diseases and the emergence of new ones (e.g., COVID-19). It is also advisable to use this pyroelectric sensor in hospitals, where temperature measurement is very crucial for monitoring the course of various diseases. The proposed pyroelectric temperature sensor is based on a nonlinear oscillatory system, which provides high sensitivity and allows for solving the problem of increasing the accuracy of measuring the human body temperature in a non-contact way. Measurement error is ±0.1% in the operating range (32–43) °C, measurement time—1 s, and the frequency instability is 3·10⁻⁴.

The rapid development of smart energy infrastructures and renewable energy systems requires advanced sensing solutions that provide high accuracy, expandability, and stability under real operating conditions. However, conventional gas monitoring systems are predominantly based on resistive or voltage-output sensors, which require complex analog front-end circuits and analog-to-digital conversion, leading to increased system complexity, cost, and susceptibility to electromagnetic interference. This paper tackles this limitation by proposing a frequency-domain sensing approach for multichannel monitoring of biogas plant parameters. The objective of this study is to develop and experimentally validate an extendable sensing architecture based on autogenerator microelectronic gas transducers with direct gas concentration–frequency conversion and FPGA-based digital acquisition. The proposed method is grounded in a physical–mathematical model of the space-charge capacitance of gas-sensitive semiconductor structures derived from Poisson’s equation, facilitating analytical formulation of conversion and sensitivity functions. A multichannel FPGA-based measurement system is implemented to process frequency signals without analog conditioning or ADC stages. Experimental validation was performed for CH₄ (0–85%), CO₂ (0–60%), H₂, NH₃, and H₂S (1–20,000 ppm). The results demonstrate measurement uncertainty within 0.25–0.5%, with sensitivity reaching 350–748 Hz/ppm for H₂, 455–750 Hz/ppm for NH₃, and 253–375 Hz/ppm for H₂S, while methane and carbon dioxide sensitivities reach up to 112 kHz/% and 98.7 kHz/%, respectively. Spectral analysis in the LTE-1800 band confirms improved noise immunity (up to 4.5×) and extended transmission capabilities. A 12-channel FPGA-based monitoring system (RDM-BP-1) with a 1 s sampling interval, IP67 protection, and wireless connectivity is developed and validated. The proposed architecture eliminates analog signal conditioning, reduces hardware complexity, and provides an easily expandable and reliable sensing solution for smart buildings, renewable energy systems, and cloud-integrated energy infrastructures.

This study presents a model-driven approach to the design, calibration, and application of frequency-output pressure sensors integrated within an intelligent system for real-time monitoring of rowing performance. The proposed system captures biomechanical parameters of the “boat–rower” complex across 50 parallel channels with a temporal resolution of 8–12 ms. At the core of the sensing architecture are parametric pressure transducers incorporating strain-gauge primary elements and microelectronic auto-generator circuits featuring negative differential resistance (NDR). These oscillating circuits convert mechanical stress into high-frequency output signals in the 1749.9–1751.9 MHz range, with pressure sensitivities from 0.365 kHz/kPa to 1.370 kHz/kPa. The sensor models are derived using physical energy conversion principles, enabling the formulation of analytical expressions for transformation and sensitivity functions. These models simplify sensitivity tuning and allow clear interpretation of how structural and electronic parameters influence output frequency. The system architecture eliminates the need for analog-to-digital converters and signal amplifiers, reducing cost and power consumption, while enabling wireless ultra high frequency (UHF) transmission of sensor data. Integrated algorithms analyze the influence of biomechanical variables on athlete performance, enabling real-time diagnostics. The proposed model-based methodology offers a scalable and accurate solution for intelligent sports instrumentation and beyond.

This article explores the possibilities of using genetic algorithms to optimize the trajectory of unmanned aerial vehicles (UAVs) in order to improve the accuracy and efficiency of air quality assessment under various conditions. One of the main objectives is to ensure adaptive autonomous navigation of UAVs in dynamic environments, where parameters related to air pollution can change in real-time under the influence of external factors, such as weather conditions, geographical features, or levels of anthropogenic impact. Genetic algorithms, due to their ability to search for optimal solutions in complex data spaces, can be effectively used to determine the optimal routes for collecting information about air pollution. They allow UAVs to adapt their trajectories to the current environmental conditions, taking into account factors such as wind direction and speed, pollution levels in different areas, and the presence of natural or artificial obstacles in urban or rural environments. Thanks to this approach, the algorithms provide coordinated work within a group of UAVs, which allows for the division of monitoring zones, the collection of more accurate data, and faster responses to changes in the environment. The article also discusses how genetic algorithms can improve the process of data collection and processing for further air quality analysis. The optimization of trajectories reduces the energy consumption of UAVs, increases the volume and quality of collected data, which in turn enhances the accuracy of assessments of harmful substance concentrations in the air. This makes genetic algorithms a promising and effective tool for increasing the autonomy and overall efficiency of unmanned systems in the context of air quality monitoring in various environments, such as large cities, industrial zones, agricultural areas, or nature reserves. Досліджено можливості використання генетичних алгоритмів для оптимізації траєкторії руху безпілотних літальних апаратів (БПЛА) з метою підвищення точності та ефективності оцінки якості повітря в різних умовах. Одним з головних завдань є забезпечення адаптивної автономної навігації БПЛА в динамічних середовищах, де параметри, пов’язані з забрудненням повітря, можуть змінюватися в реальному часі під впливом зовнішніх чинників, таких як погодні умови, географічні особливості або рівень антропогенного навантаження. Генетичні алгоритми завдяки своїй здатності шукати оптимальні рішення в складних просторах даних можуть ефективно використовуватись для визначення оптимальних маршрутів збору інформації про забруднення повітря. Вони дозволяють БПЛА адаптувати свої траєкторії під поточні умови навколишнього середовища, враховуючи такі фактори, як напрямок і швидкість вітру, рівень забруднення у різних ділянках, наявність природних чи штучних перешкод у міській або сільській місцевості. Завдяки цьому підходу, алгоритми забезпечують злагоджену роботу в групі БПЛА, що дозволяє розподілити зони моніторингу, зібрати точніші дані і швидше реагувати на зміни в середовищі. Проаналізовано як генетичні алгоритми можуть поліпшити процес збирання й оброблення даних для подальшого аналізу якості повітря. Оптимізація траєкторій дозволяє зменшити витрати енергії БПЛА, збільшити обсяг і якість зібраних даних, що зі свого боку підвищує точність оцінок концентрацій шкідливих речовин у повітрі. Через це генетичні алгоритми використовуються як перспективний і ефективний інструмент для підвищення рівня автономності та загальної ефективності безпілотних систем у контексті моніторингу стану повітря в різних середовищах, таких як великі міста, промислові зони, сільськогосподарські території або природні заповідники.