Fugu-MT 論文翻訳(概要): Incremental learning of LSTM framework for sensor fusion in attitude estimation

論文の概要: Incremental learning of LSTM framework for sensor fusion in attitude estimation

arxiv url: http://arxiv.org/abs/2108.03173v1
Date: Wed, 4 Aug 2021 09:03:53 GMT
ステータス: 処理完了
システム内更新日: 2021-08-10 03:07:53.994080
Title: Incremental learning of LSTM framework for sensor fusion in attitude estimation
Title（参考訳）: 姿勢推定におけるセンサ融合のためのLSTMフレームワークの増分学習
Authors: Parag Narkhede, Rahee Walambe, Shashi Poddar, Ketan Kotecha
Abstract要約: 本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
参考スコア（独自算出の注目度）: 2.064612766965483
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a novel method for attitude estimation of an object in 3D space by incremental learning of the Long-Short Term Memory (LSTM) network. Gyroscope, accelerometer, and magnetometer are few widely used sensors in attitude estimation applications. Traditionally, multi-sensor fusion methods such as the Extended Kalman Filter and Complementary Filter are employed to fuse the measurements from these sensors. However, these methods exhibit limitations in accounting for the uncertainty, unpredictability, and dynamic nature of the motion in real-world situations. In this paper, the inertial sensors data are fed to the LSTM network which are then updated incrementally to incorporate the dynamic changes in motion occurring in the run time. The robustness and efficiency of the proposed framework is demonstrated on the dataset collected from a commercially available inertial measurement unit. The proposed framework offers a significant improvement in the results compared to the traditional method, even in the case of a highly dynamic environment. The LSTM framework-based attitude estimation approach can be deployed on a standard AI-supported processing module for real-time applications.
Abstract（参考訳）: 本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。ジャイロスコープ、加速度計、磁力計は、姿勢推定の用途で広く使われているセンサはほとんどない。従来, 拡張カルマンフィルタや補完フィルタなどのマルチセンサ融合法は, これらのセンサを融合させるために用いられてきた。しかし、これらの手法は現実の状況における運動の不確実性、予測不可能性、動的性質を考慮に入れた限界を示す。本稿では、慣性センサデータをLSTMネットワークに供給し、次に段階的に更新し、実行時に発生する動作の動的変化を組み込む。提案フレームワークのロバスト性および効率性を,市販慣性測定ユニットから収集したデータセット上で実証した。提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。 LSTMフレームワークベースの姿勢推定アプローチは、リアルタイムアプリケーションのための標準AIサポート処理モジュールにデプロイすることができる。

関連論文リスト

3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文参考訳（メタデータ） (2024-11-13T08:34:07Z)
KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文参考訳（メタデータ） (2024-07-18T05:48:24Z)
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)
DiffusionPoser: Real-time Human Motion Reconstruction From Arbitrary Sparse Sensors Using Autoregressive Diffusion [10.439802168557513]
限られた数のボディウーンセンサーからのモーションキャプチャーは、健康、人間のパフォーマンス、エンターテイメントに重要な応用がある。最近の研究は、6つのIMUを用いて、特定のセンサー構成から全身の動きを正確に再構築することに焦点を当てている。センサの任意の組み合わせから人の動きをリアルタイムで再現する単一拡散モデルDiffusionPoserを提案する。
論文参考訳（メタデータ） (2023-08-31T12:36:50Z)
DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文参考訳（メタデータ） (2023-05-15T16:26:03Z)
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)
Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文参考訳（メタデータ） (2022-05-02T12:23:55Z)
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)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
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。
論文参考訳（メタデータ） (2020-07-06T17:58:35Z)
Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。