論文の概要: IoT with a Soft Touch: A Modular Remote Sensing Platform for STE(A)M
Applications
- arxiv url: http://arxiv.org/abs/2204.01439v1
- Date: Tue, 29 Mar 2022 11:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:01:47.046729
- Title: IoT with a Soft Touch: A Modular Remote Sensing Platform for STE(A)M
Applications
- Title（参考訳）: ソフトタッチによるIoT:STE(A)Mアプリケーションのためのモジュール型リモートセンシングプラットフォーム
- Authors: Jona Cappelle, Geoffrey Ottoy, Sarah Goossens, Hanne Deprez, Jarne Van
Mulders, Guus Leenders, Gilles Callebaut
- Abstract要約: この作業では,2つの目標を達成するために開発された,IoT with a Soft Touchというリモートセンシングプラットフォームを提示する。
まず,STE(A)Mを実践する学生を刺激し,技術力の低下を図る。
第2に、この技術はよりソフトな応用(例えば、環境と医療)に使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Besides wide attraction in the industry, IoT is being used to advance STEM
and STEAM education across a range of education levels. This work presents a
remote sensing platform, named IoT with a Soft Touch, developed to achieve two
goals. First, it aims to lower the technicality, stimulating the students to do
STE(A)M. Second, the technology is to be used in `softer' applications (e.g.,
environmental and health care), thereby aiming to attract a more diverse set of
student profiles. Students can easily build a wireless sensing device, with a
specific application in mind. The modular design of the platform and an
intuitive graphical configurator tool allows them to tailor the device's
functionality to their needs. The sensor's data is transmitted wirelessly with
LoRaWAN. The data can be viewed and analyzed on a dashboard, or the raw data
can be extracted for further processing, e.g., as part of the school's STE(A)M
curriculum. This work elaborates on the low-power and modular design
challenges, and how the platform is used in education.
- Abstract（参考訳）: 業界における幅広い関心事に加えて、IoTはSTEMとSTEAM教育を幅広い教育レベルにわたって進めるために使用されている。
この作業では,2つの目標を達成するために開発された,IoT with a Soft Touchというリモートセンシングプラットフォームを提示する。
まず,STE(A)Mを実践する学生を刺激し,技術力の低下を図る。
第二に、この技術は'softer'アプリケーション(例えば、環境と医療)で使われ、より多様な学生プロファイルを惹きつけることを目的としている。
生徒は、特定のアプリケーションを念頭に置いて、ワイヤレスセンシングデバイスを簡単に構築できる。
プラットフォームのモジュール設計と直感的なグラフィカルな設定ツールにより、デバイス機能を必要に応じてカスタマイズすることができる。
センサーのデータはLoRaWANで無線で送信される。
データはダッシュボード上で閲覧・分析したり、学校のste(a)mカリキュラムの一部として、さらなる処理のために生データを抽出したりすることができる。
この研究は、低消費電力でモジュラーなデザインの課題と、プラットフォームが教育でどのように使われているかについて詳しく説明している。
関連論文リスト
- Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。
ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。
本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
論文 参考訳（メタデータ） (2024-07-29T11:16:48Z) - IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。
機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。
IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
論文 参考訳（メタデータ） (2024-07-13T08:20:37Z) - Convert any android device into a programmable IoT device with the help of IoT Everywhere Framework [0.0]
IoT EverywhereフレームワークとOrigプログラミング言語を使用することで、任意のAndroidスマートフォンをIoTデバイスに変換することが可能になる。
これは、電気工学の学生が単純な関数呼び出しを通じて多くの抽象化を提供するので、プログラミングのアイデアを理解するのに役立つ。
論文 参考訳（メタデータ） (2024-04-14T15:28:35Z) - Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳（メタデータ） (2023-12-07T20:39:57Z) - FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based
Human Activity Recognition [0.0]
本稿では,センサを用いた人間行動認識とデバイス位置識別の両課題に対して,フェデレート・トランスファー・ラーニングをマルチタスク方式で検討する。
OpenHARフレームワークは10個の小さなデータセットを含むモデルをトレーニングするために使用される。
タスク固有でパーソナライズされたフェデレーションモデルを用いたトランスファーラーニングとトレーニングにより、各クライアントを個別に訓練し、完全集中型アプローチよりも高い精度で学習した。
論文 参考訳（メタデータ） (2023-11-13T21:31:07Z) - 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) - Low-cost Efficient Wireless Intelligent Sensor (LEWIS) for Engineering,
Research, and Education [72.2614468437919]
センサによって決定を下すスマートシティのビジョンは、これまで実現されていない。
土木技術者はセンサー技術に関する知識を欠いている。
センサーに関連する電気部品とコンピュータの知識は、土木技術者にとって依然として課題である。
論文 参考訳（メタデータ） (2023-03-23T21:49:26Z) - PyTouch: A Machine Learning Library for Touch Processing [68.32055581488557]
我々は、タッチセンシング信号の処理に特化した、最初の機械学習ライブラリであるPyTouchを紹介する。
PyTouchはモジュール式で使いやすく、最先端のタッチ処理機能をサービスとして提供するように設計されている。
タッチ検出,スリップ,オブジェクトポーズ推定などのタッチ処理タスクにおいて,触覚センサの実際のデータからPyTouchを評価する。
論文 参考訳（メタデータ） (2021-05-26T18:55:18Z) - MOVO: a dApp for DLT-based Smart Mobility [9.034589850863714]
MOVOは、スマートモビリティのための分散アプリケーション(dApp)である。
i)車両やスマートフォンセンサからデータを収集するモジュール、(ii)分散Ledger Technologies(DLT)と分散ファイルストレージ(DFS)とのインタラクションのためのコンポーネントを含む。
本報告では,本ソフトウェアの主要コンポーネントについて述べるとともに,実際の移動シナリオにおけるMOVO dAppの有効性を確認する実験的な評価を行う。
論文 参考訳（メタデータ） (2021-04-28T15:01:28Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations [8.647853543335662]
我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。
LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。
LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
論文 参考訳（メタデータ） (2020-01-28T06:34:35Z)
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。