論文の概要: Towards Generalisable Deep Inertial Tracking via Geometry-Aware Learning
- arxiv url: http://arxiv.org/abs/2106.15178v1
- Date: Tue, 29 Jun 2021 08:50:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:18:21.590167
- Title: Towards Generalisable Deep Inertial Tracking via Geometry-Aware Learning
- Title（参考訳）: 幾何認識学習による一般化型深部慣性追跡
- Authors: Mohammed Alloulah, Maximilian Arnold, Anton Isopoussu
- Abstract要約: 慣性追跡は、一時的な不利な運用条件下で重要な役割を果たす。
慣性追跡は伝統的に(i)過度なエラーの増大に悩まされ、(ii)広範囲で面倒なチューニングを必要とした。
本稿では,従来の制限を克服した新しいディープラーニング慣性追跡システムDITを提案する。
- 参考スコア（独自算出の注目度）: 2.694262942445446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous navigation in uninstrumented and unprepared environments is a
fundamental demand for next generation indoor and outdoor location-based
services. To bring about such ambition, a suite of collaborative sensing
modalities is required in order to sustain performance irrespective of
challenging dynamic conditions. Of the many modalities on offer, inertial
tracking plays a key role under momentary unfavourable operational conditions
owing to its independence of the surrounding environment. However, inertial
tracking has traditionally (i) suffered from excessive error growth and (ii)
required extensive and cumbersome tuning. Both of these issues have limited the
appeal and utility of inertial tracking. In this paper, we present DIT: a novel
Deep learning Inertial Tracking system that overcomes prior limitations;
namely, by (i) significantly reducing tracking drift and (ii) seamlessly
constructing robust and generalisable learned models. DIT describes two core
contributions: (i) DIT employs a robotic platform augmented with a mechanical
slider subsystem that automatically samples inertial signal variabilities
arising from different sensor mounting geometries. We use the platform to
curate in-house a 7.2 million sample dataset covering an aggregate distance of
21 kilometres split into 11 indexed sensor mounting geometries. (ii) DIT uses
deep learning, optimal transport, and domain adaptation (DA) to create a model
which is robust to variabilities in sensor mounting geometry. The overall
system synthesises high-performance and generalisable inertial navigation
models in an end-to-end, robotic-learning fashion. In our evaluation, DIT
outperforms an industrial-grade sensor fusion baseline by 10x (90th percentile)
and a state-of-the-art adversarial DA technique by > 2.5x in performance (90th
percentile) and >10x in training time.
- Abstract（参考訳）: 未整備および未準備環境における自律ナビゲーションは、次世代の屋内および屋外の位置情報ベースのサービスに対する基本的な需要である。
このような野心をもたらすには、困難な動的条件によらず、性能を維持するために、協調的な感覚モダリティのスイートが必要である。
提供中の多くのモダリティのうち、慣性追跡は、周囲の環境から独立しているため、一時的に不都合な運用条件下で重要な役割を果たす。
しかし慣性追跡は伝統的に(i)過度なエラーの増大に悩まされ、(ii)広範囲で面倒なチューニングを必要とした。
これらの問題はどちらも慣性追跡の魅力と実用性を制限している。
本稿では,従来の制約を克服する新しいディープラーニング慣性追跡システムであるDITについて述べる。
DITは、(i)DITは機械式スライダサブシステムで強化されたロボットプラットフォームを使用し、異なるセンサー搭載ジオメトリから生じる慣性信号の変動を自動的にサンプリングする。
我々はこのプラットフォームを使用して、21キロメートルの集合距離を11のインデックス付きセンサー搭載ジオメトリに分割した720万のサンプルデータセットを社内でキュレートする。
(II)DITは、ディープラーニング、最適輸送、ドメイン適応(DA)を用いて、センサ配置幾何学における可変性に頑健なモデルを作成する。
システム全体は、エンドツーエンドのロボット学習方式で高性能で汎用的な慣性航法モデルを合成する。
本評価では,産業用グレードのセンサフュージョンベースラインを10倍(90%),技術用対人DA技術を2.5倍(90%),トレーニング時間で10倍(90%)に向上させた。
関連論文リスト
- DaCapo: Accelerating Continuous Learning in Autonomous Systems for Video Analytics [4.962007210373803]
本稿では,自律型システムによる推論,ラベリング,トレーニングの同時実行を可能にする,継続的学習のためのハードウェアアルゴリズムであるDaCapoを提案する。
DaCapoは、最先端の継続的学習システムであるEkyaとEOMUよりも6.5%と5.5%高い精度を実現し、消費電力は254倍少ない。
論文 参考訳（メタデータ） (2024-03-21T12:28:44Z) - DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal
Forecasting [24.00162014044092]
地球科学システムは、センサーの広範な展開に大きく依存している。
従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。
本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
論文 参考訳（メタデータ） (2024-03-05T12:31:24Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳（メタデータ） (2023-12-14T09:46:16Z) - MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。
運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。
既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。
本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
論文 参考訳（メタデータ） (2023-11-10T18:13:08Z) - RIOT: Recursive Inertial Odometry Transformer for Localisation from
Low-Cost IMU Measurements [5.770538064283154]
我々は,慣性データにおける空間的特徴と長距離依存性の両方を自己注意を利用して捉えた,不変な深部慣性音韻のポーズのための2つのエンドツーエンドフレームワークを提案する。
我々は、同じデータで同じ方法で訓練されたカスタム2層Gated Recurrent Unitに対するアプローチを評価し、複数の異なるユーザ、デバイス、アクティビティに対してそれぞれのアプローチをテストした。
論文 参考訳（メタデータ） (2023-03-03T00:20:01Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain
Adaptation [152.60469768559878]
ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。
曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。
私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
論文 参考訳（メタデータ） (2022-06-16T17:59:52Z) - SEnSeI: A Deep Learning Module for Creating Sensor Independent Cloud
Masks [0.7340845393655052]
我々は、新しいニューラルネットワークアーキテクチャー、Sensor Independence(SEnSeI)のためのスペクトルエンコーダを導入する。
クラウドマスキングの問題,既存のいくつかのデータセット,Sentinel-2用の新たな無償データセットなどに注目した。
我々のモデルは、訓練した衛星(Sentinel-2とLandsat 8)の最先端性能を達成し、Landsat 7, Per'uSat-1、Sentinel-3 SLSTRのようなトレーニング中に観測されていないセンサーに外挿することができる。
論文 参考訳（メタデータ） (2021-11-16T10:47:10Z) - SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge
Devices [69.1412199244903]
エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。
S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。
SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
論文 参考訳（メタデータ） (2021-09-08T22:06:16Z) - GOAT: GPU Outsourcing of Deep Learning Training With Asynchronous
Probabilistic Integrity Verification Inside Trusted Execution Environment [0.0]
Deep Neural Networks(DNN)に基づく機械学習モデルは、自動運転車から新型コロナウイルスの治療発見まで、さまざまなアプリケーションにますます導入されている。
DNNを学習するために必要な計算能力をサポートするために、専用のハードウェアサポートを備えたクラウド環境が重要なインフラストラクチャとして登場した。
これらの課題に対処する様々なアプローチが開発され、信頼できる実行環境(TEE)上に構築されている。
論文 参考訳（メタデータ） (2020-10-17T20:09:05Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。