論文の概要: Robust Real-Time Tracking of Axis-Symmetric Magnets via Neural Networks
- arxiv url: http://arxiv.org/abs/2211.07556v1
- Date: Mon, 14 Nov 2022 17:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 19:16:32.516671
- Title: Robust Real-Time Tracking of Axis-Symmetric Magnets via Neural Networks
- Title(参考訳): ニューラルネットワークによる軸対称磁石のロバストリアルタイム追跡
- Authors: Mengfan Wu, Thomas Langerak, Otmar Hilliges and Juan Zarate
- Abstract要約: 従来の磁気マーカーの追跡は高い計算コストをもたらす。
本稿では、ニューラルネットワークを用いてマーカーの位置と向きを推定することにより、これらの制限を克服することを提案する。
試作機は、平均位置誤差が4mm、方向誤差が0.2x0.2x0.15mの DoF を5ドル追跡している。
- 参考スコア(独自算出の注目度): 28.78605467126504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional tracking of magnetic markers leads to high computational costs
due to the requirement for iterative optimization procedures. Furthermore, such
approaches rely on the magnetic dipole model for the optimization function,
leading to inaccurate results anytime a non-spherical magnet gets close to a
sensor in the array. We propose to overcome these limitations by using neural
networks to infer the marker's position and orientation. Our method can obtain
the magnet's five degrees of freedom (5 DoF) in a single inference step without
relying on an initial estimation. As a counterpart, the supervised training
phase is data intensive. We solve this by generating synthetic, yet realistic,
data via Finite Element Methods simulations. A fast and accurate inference
largely compensates for the offline training preparation. We evaluate our
system using different cylindrical magnets, tracked with a square array of 16
sensors. We use a portable, neural networks-oriented single-board computer for
the sensors' reading and the position inference, making our setup very compact.
We compared our tracking outputs with vision-based ground truth data. Our
prototype implementation tracks $5$ DoF with an averaged positional error of
4mm and orientation error of 8deg within a 0.2x0.2x0.15m working volume.
- Abstract(参考訳): 従来の磁気マーカーの追跡は、反復最適化の手順を必要とするため、高い計算コストをもたらす。
さらに、そのようなアプローチは最適化関数の磁気双極子モデルに依存しており、非球面磁石が配列内のセンサに近づくと不正確な結果をもたらす。
この限界を克服するために,ニューラルネットワークを用いてマーカーの位置と向きを推定する。
本手法では, 初期推定に頼らずに, マグネットの5自由度(5自由度)を単一の推論ステップで得ることができる。
一方、教師付きトレーニングフェーズはデータ集約型である。
有限要素法シミュレーションを用いて、合成的で現実的なデータを生成することで、この問題を解決する。
高速で正確な推論は、オフライントレーニングの準備に大きく補う。
16個のセンサの正方形配列で追跡した円筒形磁石を用いてシステム評価を行った。
我々は、センサの読み取りと位置推定のために、ポータブルでニューラルネットワーク指向のシングルボードコンピュータを使用し、セットアップを非常にコンパクトにしています。
トラッキング出力と視覚に基づく地上真実データを比較した。
プロトタイプ実装では,平均位置誤差が4mm,方向誤差が0.2x0.2x0.15mで5ドルDoFを記録している。
関連論文リスト
- Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳(メタデータ) (2023-08-21T13:03:25Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳(メタデータ) (2023-07-03T04:10:55Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳(メタデータ) (2023-03-03T14:14:08Z) - Multidimensional analysis using sensor arrays with deep learning for
high-precision and high-accuracy diagnosis [0.0]
本研究では,DNN(Deep Neural Network)を低コストで高精度なセンサアレイのデータに入力することにより,測定精度と精度を大幅に向上させることが実証された。
データ収集は、32個の温度センサーで構成され、16個のアナログと16個のデジタルセンサーで構成されている。
論文 参考訳(メタデータ) (2022-11-30T16:14:55Z) - Efficient Offline Policy Optimization with a Learned Model [83.64779942889916]
MuZero Unpluggedはログデータからオフラインポリシー学習に有望なアプローチを提供する。
MCTS(Monte-Carlo Tree Search)を学習モデルで実行し、Reanalyzeアルゴリズムを利用してオフラインデータから純粋に学習する。
本稿では,オフライン設定下では MuZero Unplugged がうまく動作しないという仮説について検討する。
論文 参考訳(メタデータ) (2022-10-12T07:41:04Z) - Physics-informed neural networks for solving parametric magnetostatic
problems [0.45119235878273]
本稿では,設計パラメータの関数として磁場応答を学習する物理インフォームドニューラルネットワークの能力について検討する。
我々は、深部ニューラルネットワーク(DNN)を用いて、磁場を空間の関数として表現し、合計10個のパラメータを表現している。
論文 参考訳(メタデータ) (2022-02-08T18:12:26Z) - CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。
本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。
提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5~22m,0~14m以内の精度を90%以上維持する。
論文 参考訳(メタデータ) (2020-10-09T22:48:20Z) - Real-Time Point Cloud Fusion of Multi-LiDAR Infrastructure Sensor Setups
with Unknown Spatial Location and Orientation [0.0]
外部からの援助から完全に切り離され、完全に自動的に実行されるアルゴリズムを提案する。
本手法は,LiDAR点雲の高精度融合に焦点を当てる。
シミュレーションおよび実測値を用いた実験により,64層LiDARの連続点雲登録をリアルタイムに行うことを確認した。
論文 参考訳(メタデータ) (2020-07-28T08:43:39Z) - Learning to Optimize Non-Rigid Tracking [54.94145312763044]
我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。
まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。
次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
論文 参考訳(メタデータ) (2020-03-27T04:40:57Z)
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。