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
- 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: Towards Large-scale Multisensory Learning for the Internet of
Things [77.27980044639136]
IoT(Internet of Things)エコシステムは、マシンラーニングのための現実世界のモダリティの豊富なソースを提供する。
本稿では,12のモダリティと8タスクから115万以上のサンプルを対象とする,これまでで最も拡張性の高い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) - Machine Learning Methods for Device Identification Using Wireless
Fingerprinting [1.0499611180329804]
本稿では,無線指紋を用いたデバイス識別のための機械学習アルゴリズムについて検討する。
私たちは、関連するデータセットを設計、実装、デプロイ、収集し、さまざまな機械学習アルゴリズムを訓練し、テストします。
提案されたソリューションは現在,H2020プロジェクトであるCOLLABSの一部として,現実のIoT環境にデプロイされている。
論文 参考訳(メタデータ) (2022-11-03T16:42:41Z) - 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) - TapNet: The Design, Training, Implementation, and Applications of a
Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。
TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
論文 参考訳(メタデータ) (2021-02-18T00:45:41Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳(メタデータ) (2021-01-12T11:28:43Z) - 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。