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
- Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。
本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。
その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
論文 参考訳（メタデータ） (2024-11-25T10:51:40Z) - CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。
まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。
分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文 参考訳（メタデータ） (2024-11-25T07:56:13Z) - Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。
CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
論文 参考訳（メタデータ） (2024-09-25T11:10:33Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。
本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。
本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文 参考訳（メタデータ） (2024-06-13T05:49:29Z) - Sense Less, Generate More: Pre-training LiDAR Perception with Masked Autoencoders for Ultra-Efficient 3D Sensing [0.6340101348986665]
本稿では,環境の広範囲なトレーニングに基づいて予測可能か,あるいは全体的な予測精度に限界がある環境の一部ではなく,環境の一部を生成する,破壊的かつフラグアルなLiDAR知覚データフローを提案する。
この目的のために提案した生成前訓練戦略であるR-MAE(Radially masked autoencoding)は、オンフィールド操作中にランダムに生成された角状領域のレーザパワーを選択的に活性化制御することにより、典型的なLiDARシステムでも容易に実装できる。
論文 参考訳（メタデータ） (2024-06-12T03:02:54Z) - Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for
Efficient Unsupervised Network Anomaly Detection [0.07892577704654172]
ハードウェア,エネルギ,計算資源の制限により,リアルタイムに学習可能なエッジデバイスにオートエンコーダを実装することは困難であることを示す。
自己エンコーダのシナプスとして磁区壁(DW)をホストするノッチを用いた強磁性競馬場を提案する。
我々のDWベースのアプローチは、浮動小数点法と比較して、トレーニング中の重量更新の少なくとも3桁の顕著な減少を示す。
論文 参考訳（メタデータ） (2023-09-12T02:29:09Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。