論文の概要: IMU Preintegrated Features for Efficient Deep Inertial Odometry
- arxiv url: http://arxiv.org/abs/2007.02929v2
- Date: Fri, 18 Mar 2022 20:22:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 01:42:19.923547
- Title: IMU Preintegrated Features for Efficient Deep Inertial Odometry
- Title（参考訳）: IMUによる高能率深部慣性眼振計測
- Authors: R. Khorrambakht, H. Damirchi, and H. D. Taghirad
- Abstract要約: 慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。
これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。
本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: MEMS Inertial Measurement Units (IMUs) as ubiquitous proprioceptive motion
measurement devices are available on various everyday gadgets and robotic
platforms. Nevertheless, the direct inference of geometrical transformations or
odometry based on these data alone is a challenging task. This is due to the
hard-to-model imperfections and high noise characteristics of the sensor, which
has motivated research in formulating the system as an end-to-end learning
problem, where the motion patterns of the agent are exploited to facilitate
better odometry estimates. However, this benefit comes at the cost of high
computation and memory requirements, which makes deep inertial odometry
unsuitable for low-power and edge applications. This paper attempts to address
this conflict by proposing the IMU preintegrated features as a replacement for
the raw IMU data in deep inertial odometry. Exploiting the manifold structure
of the IMU motion model, these features provide a temporally compressed motion
representation that preserves important geometrical information. We demonstrate
the effectiveness and efficiency of this approach for the task of inertial
odometry on two applications of pedestrian motion estimation and autonomous
vehicles. We show a performance improvement compared to raw inputs while
reducing the computational burdens. Additionally, we demonstrate the efficiency
of this approach through an embedded implementation on a resource-constrained
microcontroller.
- Abstract（参考訳）: MEMS慣性計測ユニット(IMUs)は、様々な日常的なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用できる。
しかしながら、これらのデータのみに基づく幾何学的変換やオドメトリの直接的推論は難しい課題である。
これは、システムのエンドツーエンド学習問題として定式化に動機づけられたセンサの難易度と高雑音特性のためであり、エージェントの動作パターンを利用して、より優れたオードメトリ推定を容易にする。
しかし、この利点は高い計算とメモリ要求のコストが伴うため、低消費電力およびエッジアプリケーションでは深い慣性オドメトリーが適さない。
本論文は, 深部慣性オドメトリーにおける生IMUデータの代替として, IMU事前統合機能を提案することによって, この対立に対処しようとするものである。
imu運動モデルの多様体構造を利用して、これらの特徴は重要な幾何学的情報を保存した時間圧縮運動表現を提供する。
歩行者運動推定と自動運転車の2つの応用における慣性計測の課題に対するこのアプローチの有効性と有効性を示す。
計算負荷を低減しつつ、生の入力と比較して性能改善を示す。
さらに,資源に制約のあるマイクロコントローラに組込み実装することで,このアプローチの効率性を示す。
関連論文リスト
- DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-02-18T02:37:26Z) - OneTrack-M: A multitask approach to transformer-based MOT models [0.0]
マルチオブジェクト追跡(MOT)はコンピュータビジョンにおいて重要な問題である。
OneTrack-Mは、計算効率と精度のトラッキングを強化するために設計されたトランスフォーマーベースのMOTモデルである。
論文 参考訳（メタデータ） (2025-02-06T20:02:06Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。
データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。
ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
論文 参考訳（メタデータ） (2023-10-07T17:08:22Z) - Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular
Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
教師なし単眼深度と自我運動推定は近年広く研究されている。
我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。
我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
論文 参考訳（メタデータ） (2022-07-11T07:50:22Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - IMU Data Processing For Inertial Aided Navigation: A Recurrent Neural
Network Based Approach [8.638738538496778]
ディープニューラルネットワーク(DNN)を用いた慣性補助ナビゲーションのための新しい手法を提案する。
IMUキネマティック方程式の動作条件の詳細な解析を行い、IMUデータ処理のための専用ネットワーク設計、損失関数、トレーニング戦略を提案します。
論文 参考訳（メタデータ） (2021-03-26T06:21:37Z) - Deep Inertial Odometry with Accurate IMU Preintegration [16.598260336275892]
慣性測定ユニット (IMU) は、環境要因に依存しないエゴモーション計測を提供する、インターセプティブなモダリティである。
本研究では,DIO(Deep Inertial odometry)のためのIMU運動モデルに対するより現実的な解として,正確な事前積分の有効性を検討する。
結果のdioは、モデル駆動とデータ駆動のアプローチの融合です。
論文 参考訳（メタデータ） (2021-01-18T13:16:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。