論文の概要: Virtual Axle Detector based on Analysis of Bridge Acceleration
Measurements by Fully Convolutional Network
- arxiv url: http://arxiv.org/abs/2207.03758v1
- Date: Fri, 8 Jul 2022 09:01:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 14:08:54.741894
- Title: Virtual Axle Detector based on Analysis of Bridge Acceleration
Measurements by Fully Convolutional Network
- Title(参考訳): 完全畳み込みネットワークによる橋梁加速度測定解析に基づく仮想軸検出器
- Authors: Steven Robert Lorenzen, Henrik Riedel, Maximilian Michael Rupp, Leon
Schmeiser, Hagen Berthold, Andrei Firus, Jens Schneider
- Abstract要約: 本稿では,橋梁の任意の地点に加速度計を設置して軸検出を行う新しい手法を提案する。
このモデルは、連続ウェーブレット変換の形式で信号を処理するための完全な畳み込みネットワークとして実装されている。
これにより,仮想軸検出器(VAD)として機能する橋梁構造物の任意の位置において,特定の構造型に制限されることなく,加速度信号を使用することが可能である。
- 参考スコア(独自算出の注目度): 5.141414655148996
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the practical application of the Bridge Weigh-In-Motion (BWIM) methods,
the position of the wheels or axles during the passage of a vehicle is in most
cases a prerequisite. To avoid the use of conventional axle detectors and
bridge type specific methods, we propose a novel method for axle detection
through the placement of accelerometers at any point of a bridge. In order to
develop a model that is as simple and comprehensible as possible, the axle
detection task is implemented as a binary classification problem instead of a
regression problem. The model is implemented as a Fully Convolutional Network
to process signals in the form of Continuous Wavelet Transforms. This allows
passages of any length to be processed in a single step with maximum efficiency
while utilising multiple scales in a single evaluation. This enables our method
to use acceleration signals at any location of the bridge structure serving as
Virtual Axle Detectors (VADs) without being limited to specific structural
types of bridges. To test the proposed method, we analysed 3787 train passages
recorded on a steel trough railway bridge of a long-distance traffic line. Our
results on the measurement data show that our model detects 95% of the axes,
thus, 128,599 of 134,800 previously unseen axles were correctly detected. In
total, 90% of the axles can be detected with a maximum spatial error of 20cm,
with a maximum velocity of $v_{\mathrm{max}}=56,3~\mathrm{m/s}$. The analysis
shows that our developed model can use accelerometers as VADs even under real
operating conditions.
- Abstract(参考訳): BWIM (Bridge Weigh-In-Motion) 法の実用化においては、車両通過時の車輪や軸の位置が前提条件であることが多い。
従来の軸検出器や橋梁タイプ特定手法の使用を避けるため,橋のどの地点でも加速度計を配置して軸検出を行う新しい手法を提案する。
極端に単純で理解しやすいモデルを開発するために、アクセル検出タスクは回帰問題ではなく二項分類問題として実装される。
このモデルは、連続ウェーブレット変換の形で信号を処理するための完全畳み込みネットワークとして実装されている。
これにより、任意の長さの通路を最大効率で単一のステップで処理でき、単一の評価で複数のスケールを利用することができる。
これにより,橋梁の特定の構造タイプに制限されることなく,仮想軸検出器 (vad) として機能する橋梁構造物のどの位置でも加速度信号を利用することができる。
提案手法を検証するため,長距離鉄道路線の鋼製トラフ橋に記録された3787本の列車通路を解析した。
測定結果から,本モデルでは軸の95%が検出され,従来未確認であった134,800個の軸のうち128,599個の軸が正しく検出された。
合計すると、軸の90%は最大空間誤差20cmで検出でき、最大速度は$v_{\mathrm{max}}=56,3~\mathrm{m/s}$である。
本研究では,実動作条件下でも加速度計をVADとして使用できることを示す。
関連論文リスト
- Detection Is Tracking: Point Cloud Multi-Sweep Deep Learning Models
Revisited [0.0]
自律運転では、ライダー測定は通常、ディープラーニングモデルによって実現された「仮想センサー」を介して行われる。
本稿では,このような入力には時間的情報が含まれており,仮想センサの出力には時間的情報も含むべきであると論じる。
本稿では,MULti-Sweep PAired Detector (MULSPAD)と呼ばれる深層学習モデルを提案する。
論文 参考訳(メタデータ) (2024-02-24T08:07:48Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Object Size-Driven Design of Convolutional Neural Networks: Virtual Axle
Detection based on Raw Data [0.0]
本稿では,専用軸検出装置を使わずにBWIM(Bridge Weigh-In-Motion)システムのリアルタイム適用を可能にする,軸検出のための新しいアプローチを提案する。
The proposed Virtual Axle Detector with Enhanced Receptive Field (VADER) is independent to bridge type and sensor placement。
スペクトルを入力としてではなく生データを使用することで、パラメータの数を増やすことなく、受容野を拡張できる。
論文 参考訳(メタデータ) (2023-09-04T12:53:54Z) - Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。
本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文 参考訳(メタデータ) (2022-11-10T03:38:50Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳(メタデータ) (2021-08-27T03:07:55Z) - HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between
Bridges for Drive-by Damage Diagnosis [9.261126434781744]
対象橋のラベルを使わずに,橋梁の損傷を診断するために,ある橋梁から学習したモデルを転送する新しい枠組みを提案する。
我々のフレームワークは、タスク共有とタスク固有の特徴を抽出するために、逆方向の方法で階層型ニューラルネットワークモデルを訓練する。
2つの橋と3台の車両から収集した実験データについて,本フレームワークの評価を行った。
論文 参考訳(メタデータ) (2021-07-23T19:39:32Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳(メタデータ) (2021-05-27T13:51:42Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳(メタデータ) (2020-02-28T00:24:18Z) - Damage-sensitive and domain-invariant feature extraction for
vehicle-vibration-based bridge health monitoring [25.17078512102496]
本稿では,車両の加速度応答データから損傷感受性・領域不変性(DS&DI)特徴を抽出する物理誘導信号処理手法を提案する。
この特徴は,6つの実験のうち5つの実験において,橋梁にまたがる最高の損傷および局所化結果を提供する。
論文 参考訳(メタデータ) (2020-02-06T05:45:39Z)
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。